基于物理信息神经网络（PINN）动力吸振器性能优化与自适应控制研究

摘要

针对传统动力吸振器建模精度低、优化效率差、自适应能力弱的瓶颈，提出一种融合物理信息神经网络（PINN）的“建模 - 优化 - 控制”一体化解决方案。首先，构建含材料非线性与接触非线性的多物理约束 PINN 模型，通过分层损失函数平衡数据与物理信息，实现少数据（百级样本）下非线性吸振系统的高精度建模（预测误差≤5%）；其次，提出动态精度调整的 PINN-NSGA-III 多目标优化框架，将吸振器优化周期从 7~10 天缩短至 1~2 天，实现振动抑制率、带宽与鲁棒性的全局最优；最后，采用“结构化剪枝 + 知识蒸馏”实现 PINN 轻量化（参数减少 60%，预测耗时≤5 ms），结合模型预测控制（MPC）设计自适应控制策略。基于悬臂梁实验台的验证表明，优化后的吸振器振动抑制率提升至 45.2%，有效带宽扩展 32.1%，参数波动下性能衰减率控制在 8.7% 以内，满足航空发动机、超精密机床等高端装备的宽工况振动控制需求。