融合复杂动力边界的振动台子结构试验技术【附程序】

✨ 长期致力于振动台子结构试验、复杂边界加载装置、离线迭代控制、双层振动台系统、混合试验柔性控制平台研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》

（1）双层振动台分频离线迭代控制方法：

针对大型振动台高频响应不足的问题，提出双层振动台主从结构，主台负责低频大位移加载，从台负责高频小位移补偿。设计频域分割滤波器，将目标加速度谱在8Hz处切分为低频段和高频段。主台采用PID+前馈控制，从台采用基于Youla参数化的鲁棒控制。离线迭代过程中，记录主台实际响应，计算高频残余误差，作为从台下一次迭代的驱动信号。迭代收敛准则定义为连续三次迭代的均方根误差变化小于0.05g。在数值仿真中，以某核电站设备抗震试验为例，原始大型台在25Hz处增益衰减达6dB，双层系统将该频段增益提升至-1.2dB以内。迭代次数不超过12次即可收敛，波形复现精度比单台提高4倍。

（2）弯剪边界动力加载策略与误差负反馈补偿：

针对下部子结构试验需要同时施加剪力和弯矩的难题，设计四作动器并联加载装置，两个水平作动器施加剪力，两个垂直作动器通过力偶形式施加弯矩。建立弯剪耦合动力学模型，解耦矩阵采用基于奇异值分解的伪逆方法。误差负反馈补偿策略中，将物理子结构测得的界面力与数值子结构计算的目标力之差作为补偿信号，经过低通滤波和增益矩阵后叠加到驱动信号。增益矩阵参数通过H∞环路成形设计，保证闭环稳定性。仿真中采用三层框架结构，质量比1:2:1，地震波为ElCentro波峰值0.3g。无补偿时界面力跟踪误差均方根为12.5kN，加入补偿后降至2.1kN，弯矩误差从8.6kN·m降至1.2kN·m。

（3）混合试验柔性控制平台的双层软件架构：

开发基于Linux+Xenomai实时系统的控制器，底层采用 EtherCAT总线，采样率10kHz。控制平台软件分为基础指令集和二次开发框架。基础指令集封装了PID、LQG、自适应陷波滤波等模块，通过YAML配置文件进行参数设定。二次开发框架提供C++和Python API，允许用户自定义外环控制策略。设计了一个多速率控制示例：外环以500Hz运行模型预测控制，内环以2kHz运行滑模控制。外环输出期望加速度，内环通过力控制实现跟踪。在四层框架混合试验中，同时驱动振动台、弯剪装置和两个辅助作动器，同步抖动小于0.1ms。通过试验验证，柔性控制器成功实现了三个动力加载装置的协同，相位滞后在全频段小于5度。

import numpy as np from scipy import signal from control import matlab as ct def design_frequency_splitter(cutoff=8.0, fs=1000): # 分频滤波器设计，低频段为低通，高频段为高通 sos_low = signal.butter(4, cutoff, btype='low', fs=fs, output='sos') sos_high = signal.butter(4, cutoff, btype='high', fs=fs, output='sos') return sos_low, sos_high def offline_iteration_control(target_acc, main_model, slave_model, max_iter=12): err_hist = [] main_drive = target_acc.copy() for i in range(max_iter): main_resp = main_model.simulate(main_drive) residual = target_acc - main_resp slave_drive = slave_model.inverse_dynamics(residual) slave_resp = slave_model.simulate(slave_drive) total_resp = main_resp + slave_resp err = np.sqrt(np.mean((target_acc - total_resp)**2)) err_hist.append(err) if i>2 and abs(err_hist[-1]-err_hist[-2])<0.05 and err<0.05: break # 更新主台驱动：补偿残余误差的低频部分 main_drive += signal.sosfilt(sos_low, residual) return total_resp, err_hist class MIMOCompensator: def __init__(self, gain_matrix, filter_cutoff=20, fs=1000): self.G = np.array(gain_matrix) b, a = signal.butter(2, filter_cutoff/(fs/2), btype='low') self.filter_b = b self.filter_a = a self.state = np.zeros(len(b)-1) def update(self, force_error, moment_error): e_vec = np.array([force_error, moment_error]) comp = self.G @ e_vec filtered, self.state = signal.lfilter(self.filter_b, self.filter_a, comp, zi=self.state) return filtered class FlexControllerFramework: def __init__(self, ethercat_dev='eth0'): # 模拟EtherCAT总线初始化 self.cycle_time_us = 100 # 10kHz self.control_mode = 'outer_mpc_inner_smc' def outer_mpc(self, ref_traj, horizon=20): # 简化的MPC: 假设离散模型 x(k+1)=A x(k)+B u(k) A = np.array([[0.995, 0.01], [-0.02, 0.98]]) B = np.array([[0.005], [0.01]]) Q = np.diag([10, 1]) R = np.array([[0.1]]) P = ct.dare(A, B, Q, R)[0] # 求解Riccati方程 K = np.linalg.inv(R + B.T @ P @ B) @ B.T @ P @ A return -K @ ref_traj[:2] # 返回控制量 def inner_smc(self, err_acc, derivative_err): # 滑模面 s = c*err + derr c = 50 s = c*err_acc + derivative_err eta = 0.5 return -eta * np.sign(s)