Domeinkennis-geïntegreerde reinforcement learning-regeling van een niet-lineaire afstembare trillingdemper onder niet-stationaire excitatie

Rustigere machines voor een lawaaierige wereld

Van hogesnelheidstreinen tot fabriekscompressoren: veel machines leven in een wereld van constante trillingen. Die trillingen verspillen energie, verslijten onderdelen en maken onze omgeving luid en onaangenaam. Dit artikel onderzoekt een nieuwe manier om die trillingen te dempen met een combinatie van slim rubber en een lerend computerprogramma, met als doel trillingsdempers te bouwen die zichzelf automatisch aanpassen als de omstandigheden veranderen.

Waarom gewone dempers tekortschieten

Traditionele trillingsdempers zijn vaak afgestemd op één smalle reeks omstandigheden. Ze werken goed wanneer de machine op een enkele, stabiele frequentie trilt, maar echte industriële omgevingen zijn allesbehalve stabiel. Temperaturen stijgen en dalen, onderdelen verouderen, de luchtvochtigheid verandert en het trillingspatroon zelf kan over veel frequenties tegelijk zwerven. Moderne semi-actieve dempers gemaakt van slimme materialen, zoals magnetisch verstelbaar rubber, kunnen hun stijfheid en demping onderweg aanpassen. Omdat deze materialen echter complex en veranderlijk gedragen, is het extreem moeilijk om een vast wiskundig model te bouwen dat na verloop van tijd nauwkeurig blijft, en de meeste regelregels kunnen daar niet bijblijven.

Een demper leren

De auteurs stellen een andere strategie voor: in plaats van elk detail van de demper en zijn omgeving zorgvuldig te modelleren, laten ze het systeem rechtstreeks van trillinggegevens leren. Ze gebruiken een tak van kunstmatige intelligentie die reinforcement learning wordt genoemd, waarbij een regelaar verschillende acties probeert en een “beloning” krijgt wanneer de trillingen afnemen. Hier is de actie hoe sterk een magneetveld op het slimme rubber wordt uitgeoefend, wat de stijfheid en de demping verandert. In plaats van met ruwe tijdreeksen te werken, zet de regelaar metingen om in frequentie-inhoud — hoeveel trillingsenergie er op elke toon zit — zodat hij kan redeneren in dezelfde taal die ingenieurs gebruiken om trillingsgedrag te beschrijven.

Fysica gebruiken om het leren slimmer te maken

Naief leren van elk mogelijk trillingspatroon zou veel te lang duren, omdat echte machines met talloze combinaties van frequenties en amplitude worden geconfronteerd. Om dit te vermijden, bouwen de auteurs basisprincipes uit de trillingsfysica in het leerproces in. Ze gebruiken een eenvoudig maar krachtig idee: energie gemeten in de tijd is gelijk aan energie gemeten in de frequentie. Dit stelt hen in staat het leerprobleem te definiëren rond totale trillingsenergie in plaats van elke wiggle in het signaal. Ze richten zich ook op het leren van de frequentierespons van het systeem — hoe elke mogelijke instelling van de demper het trillingsniveau bij elke frequentie verandert — in plaats van reacties op individuele scenario’s te onthouden. Dit verkleint het probleem sterk en maakt van elke meting een snel, op zichzelf staand leerepisode, waardoor de training versnelt en toch onafhankelijk blijft van een gedetailleerd materiaalmodel.

Praktische tests met slim rubber

Om te onderzoeken of de aanpak in de praktijk werkt, testten de onderzoekers het op een echt systeem bestaande uit een lineaire compressor bevestigd aan een blok magnetoreologisch elastomeer, een rubber gevuld met ijzerdeeltjes dat stijver wordt onder een magnetisch veld. De regelaar observeerde trillingen met sensoren, paste het magnetische veld in acht discrete stappen aan en werkte zijn interne beschrijving bij van hoe de demper zich gedroeg. In de loop van de tijd leerde hij de echte respons van het systeem met zeer hoge nauwkeurigheid, zelfs hoewel de stijfheid van het rubber langzaam verschoof over meerdere dagen bedrijfstijd. Wanneer het werd geconfronteerd met complexe, veranderende trillingspatronen opgebouwd uit meerdere tonen waarvan frequenties en sterktes over minuten variëerden, verlaagde de geleerde regelaar de trillingsenergie met maximaal 58 procent vergeleken met een ongecontroleerde situatie en kwam hij bijna overeen met de beste prestatie die bereikt kon worden door alle mogelijke vaste instellingen uitputtend te testen.

Wat dit betekent voor toekomstige machines

Simpel gezegd toont de studie aan dat een trillingsdemper kan worden geleerd om naar een machine te “luisteren”, te begrijpen hoe die op dat moment trilt en zichzelf opnieuw af te stemmen zonder een gedetailleerd plan van de hardware. Door eenvoudige fysieke inzichten te combineren met een leeralgoritme creëren de auteurs een regelaar die zowel efficiënt als aanpasbaar is, en die omgaat met veranderende materialen en rommelige, realistische trillingspatronen. Deze aanpak kan leiden tot stillere, langer meegaan­de machines in voertuigen, fabrieken en andere omgevingen waar de omstandigheden te complex zijn voor traditionele, handmatig ontworpen trillingsregeling.

Bronvermelding: Park, JE., Kang, H. & Kim, YK. Domain knowledge-integrated reinforcement learning control of nonlinear tunable vibration absorber under nonstationary excitation. Sci Rep 16, 10849 (2026). https://doi.org/10.1038/s41598-026-45189-7

Trefwoorden: trillingsregeling, slimme materialen, reinforcement learning, adaptieve demping, magnetoreologische elastomeer