Neural network modeling of the semi-active magneto-rheological fluid damper

• Autorzy: Nabagło T. , Pietraszek J.

Warianty tytułu

PL

Modelowanie neuronowe pół-aktywnego tłumika magnetoreologicznego

• Języki publikacji: EN

Abstrakty

EN

The paper describes model of a semi-active damper based on Magneto-Rheological Fluid (MRF). This model is constructed in a neural networks (NN) system. Such a solution is used because of nonlinear character of the MRF damper elements. The result of research and calculations exposes ways to solve problems connected with this kind of modeling processes. In the final part of the paper, the authors compare results of the NN model verification process with real MRF damper force to velocity characteristics. The article is a complete description of nonlinear model construction with usage of Radial Basis neural Networks (RBN).

PL

W artykule opisano model tłumika pół-aktywnego opartego na płynach magneto-reologicznych (MR). Model ten zbudowano za pomocą sieci neuronowych. Ze względu na nieliniowy charakter tłumików MR zastosowano modelowanie neuronowe tłumików. Na podstawie badań zaprezentowano sposoby rozwiązywania problemów związanych z tego rodzaju modelowaniem. W końcowej części artykułu autorzy porównują w procesie weryfikacji charakterystykę siły do prędkości wynikłą z symulacji modelu neuronowego z charakterystyką rzeczywistego tłumika MR. Artykuł stanowi kompletny opis konstrukcji modelu tłumika MR za pomocą sieci neuronowej o podstawie radialnej.

Słowa kluczowe

EN

magneto-rheological fluid; neural network model; semi-active damper

PL

model neuronowy; płyn magneto-reologiczny; tłumik pół-aktywny

• Wydawca: Wydawnictwo Politechniki Krakowskiej im. Tadeusza Kościuszki
• Czasopismo: Czasopismo Techniczne. Mechanika
• Rocznik: 2010
• Tom: R. 107, z. 2-M
• Strony: 193--201
• Opis fizyczny: Bibliogr. 9 poz.,Rys., wz., wykr., tab

Twórcy

autor

Nabagło T.

autor

Pietraszek J.

• Institute of Applied Informatics, Faculty of Mechanical Engineering, Cracow University of Technology

Bibliografia

• [1] Milecki A., Investigation and control of magneto-rheological fluid dampers, International Journal of Machine Tools & Manufacture, 41 (2001), 379–391.
• [2] Patel A., Dunne J.F., Narx Neural Network Modelling of Hydraulic Suspension Dampers for Steady-State and Variable Temperature Operation, Journal of Vehicle System Dynamics 40 (5), (2003), 285-328.
• [3] Xia P., An inverse model of MR damper using optimal neural network and system identification, Journal of Sound and Vibration 266 (2003), 1009–1023.
• [4] Lord Corporation, 2002, Basic Electromagnet controlled MR Fluid Valve, [online]. Available http://www.lord.com/Portals/0/MR/MR_valve_eng_note.pdf (Jun 28, 2006).
• [5] Haykin S., Neural Networks – A Comprehensive Foundation, Prentice Hall Inc. 1999.
• [6] Giua A., Melas M., Seatzu C., Usai G., Design of a Predictive Semiactive Suspension System, Vehicle System Dynamics 41 (4), (2004), 277-300.
• [7] Carrera products catalog, QA1 Precision Products, Inc. [online], Available http://www.carrerashocks.com, (Sep 04, 2009).
• [8] Demuth H., Beale M., Neural Network Toolbox, Matlab User Guide, Ver. 3.0, 1998.
• [9] Lusternik L., Sobolev W., Functional analysis' elements, PWN, Warszawa 1959.