常规的风洞测力试验中，风洞试验模型及其支撑装置构成了一个悬臂梁系统，主要包括试验模型、天平、尾支杆及支撑等零部件，其中试验模型悬挂于最前端，尾支杆固定在试验段中后部。风洞试验时，模型受到非定常气动力的作用，会发生与天平、支杆和支架一起振动的情况，这将对试验数据的准确带来不良影响，如果振动时间过长、幅度过大或者频率过高，甚至会损坏模型，给风洞试验的顺利完成带来一定困难，影响跨声速与超声速飞行器研究发展。分析风洞模型的动力学特性，降低模型振动，已成为必须解决的关键课题。

欧美国家率先对压电材料在风洞减振系统中的工程应用展开研究，文献[1]使用压电陶瓷作动器、采用单输入单输出纯比例的控制方法抑制1/6缩比F-18模型的垂直尾翼的局部振动；Balakrishna等[2-4]研究中心为跨声速风洞设计了主动减振系统，他们在模型与支杆的连接处采用环布式结构安装压电驱动器，可同时实现俯仰和偏航两个方向的一阶模态振动控制。除了国家跨声速设备(National transonic facility, NTF)和欧洲跨声速风洞(European transonic windtunnel, ETW)之外，其他机构也开始关注风洞支杆的减振问题，陈卫东等人[5]将压电驱动器直接装载于模型结构内，设计了一套计算机实时主动减振系统。国内关于风洞支杆振动主动控制的研究相对较少，尚未成风。

早期的风洞振动控制研究主要采用被动式控制方法，在结构上附加隔振装置来调节阻尼，但是这种方法灵活性较差，减振效果也不明显[6]。压电材料由于其响应速度快、频率范围宽、驱动能力大等诸多优点，使得在近年来基于压电智能结构的主动式振动控制方法得到了越来越广泛的应用，振动主动控制的研究热点主要集中于结构的动力学建模[7-9]和控制算法[10-16]的研究。常见的算法有最优控制[10]、自适应控制[11]、鲁棒控制[12-14]、正位置反馈(PPF)控制[15]和滑模控制[16]等，这些基于模态空间的控制算法要求建立精确被控对象的结构动力学模型，而实际工程中使用的高阶非线性强耦合系统模型都十分复杂，实现精确建模绝非易事,且信号在传输过程中又会受到噪声的干扰，都导致了这些算法在工程应用中的开展举步维艰。

角色扮演被认为是一种有效的语料收集方法。研究人员设计交际情景，划定交际双方的角色关系，包括性别、年龄、社会距离、相对权势等，并向被试做出说明和解释，要求被试根据这些给定的框架，想象他在此情此景中将如何实施某一言语行为，并口头“表演”出来，旨在帮助研究人员了解在具体情景下人们如何借助一定的语言形式来实现相应的交际目的。

本文以风洞用悬臂式尾支杆俯仰方向一阶模态振动幅度为控制目标，设计一套以压电陶瓷叠堆作为驱动器的减振系统。控制器采用神经网络PID智能控制算法，通过地面试验研究控制参数在神经网络中的自适应性能，对比神经网络PID与经典PID的减振效果。

1 神经网络PID原理

人工神经网络是对生物神经网络的理想化，由一个个人工神经元组成。人工神经元将收集的信号加权、求和(∑)、激发[f(·)]产生一个输出；其中权值影响最大，必须经历适应性训练得到。一个线性神经元按如下方法处理数据：对于给定的输入模式x1,x2,…,xn、相关的权值w1,w2,…,wn和一个带有相关权值w0的偏差输入,首先计算出网络输入然后，采用线性型激发函数y=u。由此，线性神经元在数学上产生了一个具有简单输出方程的模型y=w1x1+w2x2+…+wnxn+w0，其中w0为偏差(截距)。

人工神经网络中权值的影响最大，必须经历适应性训练，即设置一定的学习规则来进行连接权值的修正。本文选用最广泛的误差传播式学习规则(Delta规则)，该规则提出最优权值可以在训练过程中从初始权值沿与梯度相反的方向下降得到。以一个线性神经元输入模式来描述：具有一个输入x，没有偏差输入，目标输出为r，输出为y；计算网络输入u和输出y为误差E=r-y=r-w1x，得到输入模式的平方误差将平方误差对w进行微分，得到给出了误差梯度的大小和在当前权值下误差快速增加的方向。根据Delta规则，要沿误差曲线移动使误差达到最小，权值的改变与误差梯度的负值成比例，故权值改变为Δw1=βEx。学习率β决定了沿梯度方向移动速度，第i次迭代后的新权值可表示为

前向网络是目前研究最多的神经网络形式之一，包含输入层、隐层及输出层。实际输出的计算是按前向传播的方向来进行的，而修改权值wi则是按反方向进行的，因此称为反向传播网络(Back-propagated network, BP)。BP神经网络具有逼近任意非线性函数的能力，而且结构明确、学习方法简单。因此本文采用基于BP神经网络的参数自学习PID控制算法，其结构如图1所示。基于BP神经网络的PID控制器由两个部分组成：(1)经典的PID控制器。直接对被控对象进行比例-积分-微分控制，3个参数可在线整定；(2)神经网络自整定。根据系统的运行状态，通过神经网络的自学习、调整权系数，调节PID控制器的参数，以达到性能指标的最优。

  

图1 神经网络PID原理图Fig.1 Schematic of neural network PID

2 系统设计

2.1 减振系统构成

进行吹风试验时，悬臂式尾支杆与测试模型构成的系统受到宽频带气动载荷(包括静态载荷和动态载荷)的作用，载荷沿着尾支杆的任意截面处产生动态弯矩。该系统可以被看成一个多自由度低阻尼的质量弹簧系统。在气动载荷作用下，系统的振动微分方程可表示为

 

(1)

2．2．1 所获病例的Apgar评分构成比 所获265份病例中，重度窒息组中，生后1min Apgar评分为1分、2分和3分的分别有2例（0．8%）、3例（1．1%）和27例（10．2%）；轻度窒息组中，生后1min Apgar评分为4分、5分、6分和7分的分别为11例（4．2%）、19例（7．2%）、56例（21．1%）和120例（45．3%）；而对照组中，生后1min Apgar评分为8分和9分的分别有25例（64．1%）和2例（5．1%）。

采用压电驱动器实现减振的原理如图2所示。

  

图2 压电驱动器减振原理Fig.2 Principle of piezoelectric damper

将压电驱动器安装在尾支杆的根部，通过外部施加变化的电压使驱动器产生反力矩，抵消气动载荷作用于该处产生的力矩，从而实现悬臂式尾支杆系统俯仰方向的振动抑制。

②锚杆配件：采用高强度锚杆螺母为M24×3，配合高强度调心球垫和尼龙垫圈，采用拱型高强度托盘，承载能力不低于30 t。

减振系统流程框图如图3所示。吹风时，尾支杆受到气动载荷的持续激励产生振动，安装于支杆端部的测试天平配合应变调理仪，将反映支杆振动水平的机械信号转化为天平电压信号，经低通滤波器调理平滑后，进入控制器中根据控制算法计算控制信号，再由压电功率放大器将控制信号放大，生成压电驱动器所需的驱动电压。驱动器受到驱动电压产生作用力，抑制支杆的振动。由此构成一个单闭环负反馈控制系统。

  

图3 减振系统流程框图Fig.3 Diagram of vibration damping system

2.2 控制器设计

[2] BALAKRISHNA S, HOULDEN H, BUTLER D H, et al. Development of a wind tunnel active vibration reduction system[C]// Proceedings of 45th AIAA Aerospace Sciences Meeting. Reno, USA: AIAA, 2007.

u(k)=KP(k)eP(k)+KI(k)eI(k)+KD(k)eD(k)

(2)

由于r(k)=0，则

 

(3)

神经网络PID将3个控制参数作为BP神经网络中的权值联结点，根据Delta学习规则进行自整定。则权值的递推公式为

 

(4)

3个权值都采用相同的学习速率。根据链式求导法则，有

 

(5)

式中

 

(6)

CHEN Weidong, SHAO Minqiang, YANG Xinghua, et al. Experimental evaluation of an active vibration control system for wind tunnel aerodynamic models[J]. Journal of Vibration Engineering,2007,20(1):9l-96.

 

最终推得神经网络PID的自学习公式为

 

(7)

参考文献：

2.3 模态分析

结构的固有频率与对应的模态结构形状是设计承受变化载荷条件下结构的重要参数，而模态分析的目的在于确定结构的固有频率与相应的振型。结构中压电叠堆作为驱动器件，并且主要作为动态输出使用。为了在静力学分析中压电叠堆驱动器驱动支杆结构产生的端部位移变化量很小，需要利用模态分析方法确定减振支杆结构固有频率，对压电叠堆输出接近固有频率的交变电压，达到大幅放大压电叠堆驱动支杆结构的效果。此处模态分析以静力学分析为基础，存在拉紧螺栓预紧力等预应力，预应力的存在会对其固有频率有影响。偏航与滚转方向，由于与俯仰方向的振动抑制不相关，不在控制器设计的考虑范围内，因此只考虑俯仰方向的模态。减振支杆结构俯仰方向前三阶模态振型如图4所示。

1．2 方法 采用分层随机整群抽样的方法。以内蒙古、江苏、安徽、山东、湖南、广西、重庆、甘肃8省（自治区、直辖市）为抽样框，将各省内的所有县（市、区）按自身经济水平分为3层，采用系统抽样方法在每层中抽取一个县；采用随机法，在每个县抽取一所城市和一所农村小学；在每个年级随机抽取2～3个班的学生作为研究对象。

  

图4 尾支杆模态振型图Fig.4 Modal shape of the sting

由图4可以看出俯仰方向的前三界模态频率分别为14.194，154.83和244.48 Hz。模态分析表明了尾支杆俯仰方向的主导模态是其一阶模态，由于风洞试验中动载频率多为50 Hz以下的低频段，因此一阶模态是减振的主要关注点。

目前，国内学者利用知识图谱软件对知识服务的研究成果进行可视化分析，如赵玉明(2013)发表了《基于知识图谱的知识服务研究分析》，谭春辉等(2015)发表的《基于知识图谱的国内知识服务研究的演变分析》，许智(2013)发表了《图书情报学知识服务的知识图谱分析》，这些论文对于国内的知识服务领域的研究现状进行了可视化分析，但是并没有从情报信息机构的视角出发对科技创新领域的知识服务研究成果进行研究。

3 试验及讨论

为了确保控制系统的实时性与高效性，本文采用虚拟仪器技术，搭建主动控制系统试验平台，验证设计的控制算法对减振系统的有效性与稳定性。整个控制系统连接线路主要可分为采集通道和输出通道两组。采集通道由应变调理仪(ADAM 3016)、抗混叠滤波器(CM3508B)以及数采卡(NI PXI-7841R)构成，从尾支杆端部的天平获得振动信号，经应变调理仪调理放大、抗混叠滤波器滤波平滑后，得到高信噪比、幅值与数采卡输入电压允许范围相适应的信号，再输入给控制机箱；输出通道由数采卡、抗混叠滤波器、压电功率放大器组成，控制机箱从数采卡输出控制信号，经抗混叠滤波器平滑信号后，由压电功率放大器释放出高电压，最后驱动支杆上装配的封装压电陶瓷作动，达到减振的目的。其控制系统的组成如图5所示。

  

图5 实验系统实物图Fig.5 Photograph of experimental setup

采用神经网络PID算法在线自动调整控制参数，对尾支杆进行单频率激振控制试验验证。设置学习速率β=0．016，以一阶模态频率激振的控制效果与参数整定过程如图6～8所示。

  

图6 神经网络PID的控制效果Fig.6 Performance of neural network PID

  

图7 PID参数整定过程Fig.7 Adjusting procedure for PID parameters

  

图8 神经网络PID控制对比图Fig.8 Comparison of performance between NNPID controlled and uncontrolled

由图6～8可以看出，振动信号的标准差由不控制时的184.0 mV降低到主动控制时的55.2 mV，振动信号的功率谱由不控制时的-15.19 dB/Hz降低到主动控制时的-28.65 dB/Hz，功率谱下降了9.85 dB/Hz，结果表明模型支杆在连续载荷的作用下得到了有效控制。

将经典PID算法结果与神经网络PID算法结果对比，其时域信号图与功率谱图如图9所示。

(4)矿井间接充水水源。汪家寨组及飞仙关组第一段的基岩裂隙水，为矿井间接充水水源，一般对矿井开采影响不大。

  

图9 神经网络PID与传统PID控制效果比较Fig.9 Comparison of performance between conventional PID and neural network PID

由图9可以看出，采用经典PID控制算法时，振动信号的标准差由不控制时的184.0 mV降低到控制时的38.0 mV，振动信号的功率谱由不控制时的-14.91 dB/Hz降低到控制时的-33.32 dB/Hz，功率谱下降了13.02 dB/Hz；采用神经网络PID自适应控制时，振动信号的标准差下降到了55.2 mV，振动信号的功率谱降低到-28.85 dB/Hz，功率谱下降了13.66 dB/Hz。结果表明模型支杆在连续载荷的作用下，采用经典PID控制算法与神经网络PID均可达到有效控制，且神经网络PID在保证减振效果的情况下实现控制参数自整定。

网络用语大多幽默风趣、风格鲜明，是互联网语言生活方式的代表性特征之一。这十个流行网络用语，生动描绘了网民2018年的关注关切和喜怒哀乐。

值得注意的是，神经网络PID自适应算法在应用时需要选取合适的学习速率β，学习速率过高，会使参数在自适应过程中陷入局部最优而无法达到性能指标设置的范围，此时控制参数一直会处于变化状态难以趋于稳定，控制信号不稳定同时也会导致被控支杆模型的稳定性下降，甚至引起发散使得控制失败；而学习速率过低，则会延长模型支杆被控制的过度过程，振动控制的动态性能下降，对于振动控制过度时间要求短的情况则会失去控制意义。

4 结束语

本文采用人工神经网络智能控制算法对风洞用悬臂式尾支杆的减振问题进行研究，将神经网络PID与经典PID控制算法进行了试验研究与对比分析。结果显示，神经网络PID算法与经典PID控制算法均具有明显的抑振作用，降低振动幅度可达70%以上，且神经网络PID在保证控制效果的情况下可实现控制参数自适应。本研究为减振系统后续进行风洞试验验证奠定了基础。

式中：M为系统的质量矩阵；C为阻尼矩阵；K为刚度矩阵；F为系统受到气动载荷的作用力向量；x表示振动的位移向量。

式中β为学习速率。β越大参数自学习越快，但过快容易陷入局部饱和；β越小参数自整定越精确，控制效果越好，但整定速度变慢，控制的动态性能会变差。

[1] WIMMEL R．Active electronic equipment DOF suspension for high loads as vibration, shock and quasi static forces[C]// Spacecraft Structures, Materials and Mechanical Testing 2005. Noordwijk, the Netherlands: Karen Fletcher, 2005,581:32.

目前rGERD的治疗尚无肯定的长期疗效，而导致rGERD治疗失败的原因是多因素的，如患者依从性差、PPI快代谢、抑制胃酸不足、不正确的用药时间、解剖异常、精神心理异常[10，11]，为此各国研究者努力探索安全有效、不良反应少的治疗方法，在药物、内镜和外科手术等方面制定了多种治疗策略，目前各种疗法尚缺乏长期有效有证据。

本文的算例中采用自适应的线性神经元模型，采用梯度下降法(Delta规则)实现有监督的误差修正学习。经典PID的公式为

[4] BALAKRISHNA S, BUTLER D H, ACHESON M J, et al. Design and performance of an active sting damper for the NASA common research model[C]// Proceedings of 49th AIAA Aerospace Sciences Meeting. Orlando, USA: AIAA, 2011.

[3] BALAKRISHNA S, BUTLER D H, WHITE R. Active damping of sting vibrations in transonic wind tunnel testing[C]//Proceedings of 46th AIAA Aerospace Sciences Meeting. Reno, USA: AIAA, 2008.

单位内部信息沟通方面还存在很大不足，一方面，单位缺乏完整的工作沟通制度，不注重反馈机制的完整性，单位内部下级人员对业务的真实反映不能及时的反映给上级人员，上级不能清楚的了解最根本的需求，其最终的沟通效果不能很好实现单位想要达到的最终目标。另一方面，各个单位之间由于存在业务上的竞争现象，使得部门间的接触程度较低，沟通效果不好。整体来说，我国企事业单位内部沟通状况是比较单一的，缺乏正式性，沟通环节也不很完整。

“老板，您去哪儿？”一个好听的女声飘进我的耳朵里。司机是位三十多岁的靓姐，面容姣好，像一朵孱弱的白色丁香花。

“当然有。”我掏出来给他，正疑惑着他要做什么，只见他低头在纸上迅速写下几个字，贴到玻璃窗上给儿子看。里面的年轻人，看着看着，神情变了，两行泪缓缓地从腮边滚落下来。

[5] 陈卫东，邵敏强，杨兴华，等.跨声速风洞测力模型主动减振系统的试验研究[J].振动工程学报,2007,20(1):91-96．

由于[u(k)-u(k-1)]变化量较小，则取

接着，进一步对整体量表进行映像萃取分析得到3个纬度：品牌真实性、网络口碑和价值共创意愿。该研究的整体量表中包含多个维度，因此，较适合用组合信度(CR)指标来衡量整体量表的内部一致性[29]，各个题项的因子载荷值、CR值和AVE值见表3。

[6] IGOE W B, CAPONE F T. Reduction of wind tunnel model vibration by means of a tuned damped vibration absorber installed in a model[R]. NASA TMX-1606, 1968.

[7] QIU Zhicheng, ZHANG Xianmin. Optimal placement and active vibration control for piezoelectric smart flexible cantilever plate [J]. Journal of Sound and Vibration, 2007,301:521-543.

[8] QIU Zhicheng, WU Hongxin, YE Chunde. Acceleration sensors based modal identification and active vibration control of flexible smart cantilever plate[J]. Aerospace Science and Technology, 2009,13:277-290.

[9] QIU Zhicheng, HAN Jianda, ZHANG Xiamin, et al. Active vibration control of a flexible beam using a non-collocated acceleration sensor and piezoelectric patch actuator[J]. Journal of Sound and Vibration, 2009,326:438-455.

[10] FANSON J L, CAUGHEY T K. Positive position feedback control for large space structure[J]. AIAA Journal, 1990,28:717-724.

[11] 杨艳丽，张俊杰，唐建中，等.一种鲁棒自适应主动振动控制方法[J].西安交通大学学报，1997，31(7):7-11.

YANG Yanli, ZHANG Junjie, TANG Jianzhong, et al. A method of robust adaptive active vibration control[J].Journal of Xi′an Jiaotong University, 1997,31(7):7-11.

[12] SONG G, SCHMIDT S P, AGRAWAL B N. Experimental robustness study of positive position feedback control for active vibration suppression[J]. Journal of Guidance, 2001,25(1):179-182.

[13] SHAN Jinjun, LIU Hongtao, SUN Dong. Slewing and vibration control of a single-link flexible manipulator by positive position feedback (PPF)[J]. Mechatronics, 2005,15:487-503.

[14] MAHMOODI S N, AHMADIAN M, INMAN D J. Adaptive modified positive position feedback for active vibration control of structures[J]. Journal of Intelligent Material Systems and Structures, 2010,21:571-580.

③单价确定。非开挖钻孔铺管施工技术是一项新的施工工艺，水利水电工程概算（预）算定额中尚无该项内容，在其他行业的定额中也无类似的导线距离短、基岩强度高的钻孔单价依据，只能采用市场价加洽谈方式，要科学确定单价还有一定难度。

[15] KIM B, WASHINGTON G N. Active vibration control of a cantilevered beam using model predictive sliding mode control[C]//Proceedings of 49th Structures, Structural Dynamics, and Material Conference. Schaumburg, USA: AIAA, 2008.

[16] 马天兵，杜菲.基于LQR-IMCS算法的智能结构振动主动控制[J].华中科技大学学报, 2012,40(3):72-76.

MA Tianbing, DU Fei. Active vibration control of smart structure using LQR-IMCS algorithm[J]. Journal of Huazhong University, 2012,40(3):72-76.