|
动力学与控制是研究系统运动规律力学机理及其调控方法的学科, 在现代工程与科学研究中具有重要作用. 来自工程结构、耦合构件间力传递和环境交互中的结构和几何非线性、接触力的非光滑性、环境干扰的不确定性和与环境多场耦合交互等因素的复杂性, 使得传统动力学建模、动力学响应预测和动力学控制的智能化变得异常困难. 数据驱动方法的快速发展为解决这些问题提供了全新思路和新的研究范式. 近年来的研究表明, 数据驱动方法不但可以解决或部分解决传统动力学方法无法解决的问题, 而且可以显著提升动力学行为预测和性能优化的能力, 为动力学与控制研究的智能化奠定必要的基础, 在复杂耦合系统的建模、分析与调控中展现出巨大的潜力与科学价值.天津大学、同济大学、南京航空航天大学联合西北工业大学等单位简要介绍了近年来数据驱动方法在机器人动力学建模与运动调控、跨声速气动弹性动力学建模、结构动力学设计、随机动力学、基于脑机接口技术和神经动力学模型的运动控制、机械设备故障诊断与剩余寿命预测等方面的应用研究进展, 并探讨了这些领域面临的挑战与发展趋势.  研究成果以“Recent advances on data-driven dynamics and control”为题发表于期刊《力学进展》。本文第一作者:天津大学丁千。图3:非定常流动的数据驱动建模及气动弹性应用流程图  数据驱动方法的核心优势在于能够摆脱传统物理模型的限制, 通过高效利用实验测量与数值仿真数据, 挖掘动力学系统的潜在规律与关键特征. 借助于其对非线性、多场耦合以及不确定性问题的高度适应性, 为复杂系统提供了更加灵活和精准的建模与分析手段. 研究者根据各自领域的特点, 提出了多种类型的神经网络架构, 通过合理定义深度学习模型的输入、输出以及内嵌力学知识的损失函数, 大幅提升了模型在动力学与控制研究中的泛化能力和计算效率. 通过与物理约束、动力学理论的交叉融合, 更增强了数据驱动模型的解释性、小样本和高噪声环境下的稳定性、有效性等优势, 在不长的时期内即催生出诸多创新性研究成果. 尽管数据驱动方法在动力学与控制学科展现了广泛的研究前景, 但仍面临一些挑战. 除前面各节小结指出的问题, 再列出一些供参考的研究建议. 首先, 受限于实验条件和工程应用环境, 获取足够规模的高质量数据样本较为困难, 这使得小样本问题成为限制数据驱动模型性能的重要因素. 借鉴人工智能领域对专注于特定数据集的小模型的研究经验, 通过结合数据和物理知识的双驱动技术、知识迁移以及经典的专家知识, 可以有效提升模型的泛化能力与物理可解释性. 例如, 心率变异性是心电图中相邻R波之间的时间间隔, 反映自主神经系统的活动特征, 具有非线性、非平稳性. 参考神经系统自身的调节时间, 合理设置再采样时间窗口大小, 可以平衡特征数据提取的准确性与实时性, 从而提升麻醉中的病人对插气管刺激反应的监测效果, 提供及时的治疗建议(Yin et al. 2021). 其次, 数据驱动的主动振动控制技术主要有两类: 先进行系统辨识、建模(如自回归, 神经网络等), 再设计控制策略(如第3节); 基于在线或离线响应数据直接设计控制策略. 对于后者, 较流行的是基于强化学习的自适应动态规划算法(adaptive dynamic programming, ADP)(Liu & Yang 2018), 采用典型的“评价−执行网络”的神经网络架构分别近似代价函数和控制策略, 基于输入、输出数据的策略迭代算法求解哈密顿−雅克比−贝尔曼(HJB)方程、更新执行和评价网络的权值, 最终迭代收敛到最优值, 有效克服了动态规划中的维度灾难(Jia et al. 2022). 但在基函数和网络规模选择、恰当的评价−执行神经网络和初始稳定的控制律, 以及处理含噪声数据以确保收敛方面, 仍有继续研究的空间. 再有, 随着新型复合材料如超材料、仿生和环境适应性材料的不断涌现, 动力学设计研究的重点应紧密结合工程实际需求, 解决结构设计中的关键技术问题, 包括“材料、元胞、结构”多尺度协调优化, 复杂载荷条件下结构振动疲劳与可靠性预测, 非线性与多场问题中边界条件与初始条件合理处理等. 同时, 随着先进增材制造技术的广泛应用, 遵循增材制造设计原则优化设计与制造流程, 以提升结构性能和可靠性(Khan & Riccio 2024), 也是数据驱动研究的一个重要方向. 本文针对数据驱动方法在机器人动力学建模与运动调控、跨声速气动弹性动力学建模、结构动力学设计、随机动力学、基于脑机接口技术和神经动力学模型的运动控制、机械设备故障诊断与剩余寿命预测等若干典型领域的应用研究进行了综述. 由于篇幅所限, 未能涵盖动力学与控制学科的全部领域及最新进展. 作者希望通过本文的梳理, 能够吸引更多同仁关注相关领域中未解的关键问题和潜在挑战, 推动动力学与控制学科的发展. 原文链接:
|
|