文档介绍：该【车辆悬架系统的神经网络控制算法 吴皓 】是由【雪雁】上传分享，文档一共【4】页，该文档可以免费在线阅读，需要了解更多关于【车辆悬架系统的神经网络控制算法 吴皓 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。第60卷第8期农业装备与车辆工程2022年8月
&VEHICLEENGINEERINGAugust2022
doi:.1673-
车辆悬架系统的神经网络控制算法
吴皓,刘淼
(201620上海市上海工程技术大学机械与汽车工程学院)
[摘要]搭建了车辆的主动悬架系统再生网络模型,基于多层神经网络提出一种神经模糊适应性控制算法。在此基础上,
使用一套模糊规则调节控制器参数,借助神经网络建模确定车辆悬架的动态参数向控制器提供学****信号。在一辆装
有磁流变液减震器和基于处理器模糊神经控制系统的车辆上进行不同速度的实验,并把控制效果与开环被动悬架系
统进行比较。实验结果证明,所提出的神经控制算法能够有效减轻汽车的振动。
[关键词]汽车悬架;神经网络;模糊控制;振动控制
[中图分类号]U.[文献标志码]A[文章编号]1673-3142()08-0112-04
463332022
引用格式:吴皓,[J].农业装备与车辆工程,,():-,.
2022608112114129
NeuralNetworkControlAlgorithmofVehicleSuspensionSystem
WuHao,LiuMiao
(SchoolofMechanicalandAutomotiveEngineering,ShanghaiUniversityofEngineeringTechnology,Shanghai201620,China)
[Abstract]Themodelofvehicleactivesuspensionsystemwasestablished,andakindofneuralfuzzyadaptivecontrolalgorithmwas
,asetoffuzzyruleswasusedtoadjustthecontrollerparameters,andthedynamicparametersofthe
suspensionweredeterminedthroughtheneuralnetworkmodeling,,an
experimentwascarriedoutonavehicleequippedwithshockabsorberandbasedonthefuzzyneuralcontrolsystem,andthecontrol
effectwascomparedwiththatoftheopen-
thispapercaneffectivelyreducethevibrationofthevehicle.
[Keywords]automobilesuspension;neuralnetwork;fuzzycontrol;vibrationcontrol
0引言比被动悬架性能更好。针对汽车悬架使用最优控制
时评价指标难以客观选择加权系数的问题,武柏安
悬架是车架(或承载式车身)与车桥(或车
[5]
[1]等提出了一种基于遗传算法的半主动悬架最优控
轮)之间的一切传力连接装置的总称,它的功用
制方法,结果显示,遗传算法确实能提高汽车的平
是把路面作用于车轮上的垂直反力(支撑力)、纵
顺性;KARNOOP为汽车主动悬架的研发提供了一
向反力(驱动力和制动力)和侧向反力以及这些反
种有效的控制方法即架空方法,是在车辆的簧载质
力所造成的力矩传递到车架(或承载式车身)上,
量上增加一个与绝对速度成正比的力而展开的研究
以保证汽车的正常行驶。随着汽车行业的迅猛发
方法;也有研究人员利用线性悬架模型在算点周围
展,悬架的结构形式也越来越丰富多样,但总的来
进行线性化,控制算法如LQG和强度控制法从线
说悬架系统都是由弹性元件、减震器、导向机构三
[6]
[2]性模型推导出来。
大部分组成。王瑞以车身加速度、悬架动挠度
由于汽车悬架固有的非线性特征,上述方法并
以及轮胎动载荷为车辆系统的评价指标,利用三维
不能很好地发挥半主动悬架的性能,为了改善汽车
建模软件建立了悬架系统机械模型,结合仿真软件
[3]悬架系统的性能,科研人员尝试应用智能控制技术
对其进行了仿真实验与分析;朱华通过动力学
如模糊逻辑控制、神经网络控制及神经模糊控制技
模型研究半主动控制对车辆性能的改善;CROLLA
[7-8]
[4]术等。本文提出一种神经模糊适应性控制算法,
和ABDEL-HADY建立了悬架系统模型,将汽车
并运用控制器控制悬架的振动,从而提高车辆的乘
的前轮数据作为反馈信号,研究不同车速下汽车前
坐舒适性。
后轮的时滞性问题,实验证明半主动悬架的性能相
1神经模糊适应性控制算法
收稿日期:2021-06-28神经模糊控制系统由再生神经网络与神经模
第60卷第8期吴皓等:车辆悬架系统的神经网络控制算法113
糊网络组成,其具体如图1所示。函数降低到最小值,从而实现接触重量的改善。
y
(4)
…
…
-
-e
yde2再生神经网络悬架模型算法
k1﹢
…
…plant
﹢k3y
再生神经网络处于隐藏层,它实际上是一个3
ek2
层神经网络(含有局域反馈环),它会通过学****周
﹢-围的环境,同时调整施加在自身身上的重量来改善
图1神经模糊控制系统结构图自身的性能,其结构图如图3所示。
-fuzzycontrolsystemstructurediagram
图3中:I1(t)、I2(t)——输入信号;y
t——
()
在网络中,D
wj
x1(t)=y(t)-yd(t);x2(t)=e(t+1)-e(t);
I(1t)
yd(t)——期望输出;
I()
y(t)——系统的实际输出;wyt
ijw
()——实际输出与预期输出间的误差;i
x1tI(2t)
x2(t)——实际输出与预期输出间的误差率。
神经模糊网络为适应性控制区,它在使用过程
中具有学****与控制的能力,而再生神经网络的功能
是确定车辆悬架模型的参数,所以在系统中只要给图3神经网络模型图
定x1(t)、x2(t)的数值,神经模糊控制器(如图2
所示)就会按照一定的运行规则产生信号u(t)。隐藏层的神经元输出;Sj(t)——隐藏层内神经元发
生反应的的中输出。所以有式(5)—式(7),而
例如,若x1(t)视为Xi,x2(t)视为Yi,那么u(t)
隐藏层内神经元的激活函数为S形曲线函数。
即为Zi,其中的Xi、Yi、Zi均为模糊子集,L1、
PIDt-(5)
L2、L3为神经网络控制系统的系数,语句变量全集Sjit=Σi=1wIj··ijt+wXj1
(())()
各自定义为PIDt-(6)
Xjt=fΣi=1wIij··ijt+wXj1
~()[]()()
x1=[-E,E](1)
qo(7)
yt=Σj=1wXj·jt
x~=[-E,E](2)(())
2IoD
~其中:w,w,w——再生神经网络的重量;X
u=[-U,U](3)ijjjj
(t)——神经元的输出P、q——输入神经元数量
及反馈神经元数量
(1)
O1
x1其目标函数可以根据误差信号函数定义为:
O(4)t1yt-y
t212t(8)
E=2=2e
wk()[](())()
…
x2(1)…
O2(3)式中:e(t)——误差信号;E(t)——瞬态值。
O4
(2)
Oij对重量调整是连续与逐步的,直至系统到达
稳定的状态。
图2神经模糊控制器示意图
将()对重量矢量求导可得:
-fuzzycontrollerEtw
δEtδyt(9)
()=-et()
神经模糊控制器由4个部分构成,其第1层与δww()δ
第2层类似于模糊语句的if部分,第3层是界面,对式(1)—式(3)分别求偏导后进行分析,
~~~
最后一层是语句的then部分,集合x1、x2、u分别得到再生公式:
δitδfSjtδXjt-1
分为7个子集,模糊集合X1、X2、U按照一定的规XD(10)
(D)=[(D)]·Xjt-1+(D)wj
δwjδwjδwj
则组成,在本文的研究中U定义为如式(4)的函数。[()]
神经网络控制器的算法是基于梯度向下并通过误差δXi0
()D=0
信号传递的,利用误差传回算法能够有效地将成本δwj
114农业装备与车辆工程2022年
δjtδSjt
XfDδXjt-1(11)的频谱密度。
(I)=[(I)]·Iijt+w(I)
δwijδwij[()δwij]表1微车悬架道路试验结果(D级路面)
-vehiclesuspension
δXj()0(12)
I=0(D-graderoadsurface)
δwij
计算出接触调整后,接触重量的校正值:速度/(km/h)簧载质量非簧载质量
wt+1=wt+ηet()(13)
()(())
式中:η——斜率。%%
为求得斜率,需要对算法进行收敛性分析。
根据式(8)、式(9)调整重量矢量参数w,建立
%%
函数如下:
12
Vt=et(14)
(())2
由函数可知,其变量为ΔV(t),%%
迭代后被确定下来。图4是车辆上安装基于神经网络控制的车辆主
Δt122t+1-t(15)动悬架与安装常规被动悬架系统的车辆的振动能量
V=2ee
()[]()()频谱密度对比图。
δetδot
=-(16)
δ((w))δw
2
10主动控制被动
/Hz)
δetδet4
(17)/s
Δwe=-ηt()=ηet()2
()δw()δw
根据它们的误差信号,e(t)可表示为
δetδot
=-(18)1
δ((w))δw10
δetδet(19)
Δwe=-ηt()=ηet()
()δw()δw
PSDofacceleration(m
而多次迭代后可知,ΔV(t)<0,即再生训10-1100101
Frequency/Hz
练算法是收敛的。
(a)
3实验结果与分析2
10
/Hz)主动控制被动
4
/s
为了证明本文提出的神经控制算法的有效性,2
制作了一辆带有磁流变液减振器的试验用车辆悬
架,悬架由一个微处理器、多个加速传感器、多个
101
减震器与一个12V的可控电流电源组成。将处理
器分别装在有簧支持的质量体与无簧支持的质量体100
上,在车辆行驶时通过传感器接收来自悬架的振动PSDofacceleration(m
10-1100101
信号,然后依据信号的振动与控制方案,车辆上的Frequency/Hz
处理器通过控制磁流变减震器信号,控制悬架的阻(b)
尼。另外,通过控制阻尼道里的磁流变液的流动性,图4悬架的振动能量频谱密度图
可以让减震器中的线圈产生磁场,
vibrationenergyofsuspension
架的压缩性与阻尼器的阻尼力。
(a)主动悬架(b)被动悬架
将载有基于神经网络控制的车辆主动悬架的
车辆和安装常规被动悬架系统的车辆分别以30,从图4可见,利用本文提出的神经网络控制
40,50km/h的速度行驶在相同的路面(D级路面)可以改善车辆的悬架性能,尤其是在谐振峰上表
上,进行各种条件测试。表1所列测试结果显示,现良好。
采用基于神经网络控制的车辆主动悬架的车辆比安
(下转第页)
装常规被动悬架系统的车辆更能有效减轻振动能量129
第60卷第8期冯保壮等:基于动态地图的智能巡航小车设计129
5结语通信世界,2018(8):40.
[7]杨洲,汪云甲,陈国良,[J].
本文提出的基于超宽带定位的智能巡航小车导航定位学报,2014,2(4):31-35.
系统设计方案,针对一般循迹小车系统场地布置成[8]仰胜,胡志刚,赵齐乐,
与精度验证[J].大地测量与地球动力学,2020,40(3):247-251.
本高、灵活性低等问题,在树莓派的基础上增加
[9]李倩宇,李英祥,吴珊,[J].
UWB定位模块和超声波传感避障模块,建立了数系统仿真技术,2018,14(2):118-122.
字定位系统,实现虚拟电子轨迹导航。同时,根据[10][D].
任务需要,可依据全局动态地图同时调度多辆巡航武汉:华中科技大学,2018.
[11]薄博文,
小车,实现小车多任务协同进行。究[J].自动化与仪器仪表,2020(5):13-16.
参考文献[12]尚虎军,王志颖,
[J].单片机与嵌入式系统应用,2020,20(1):45-47,51.
[1][D].武汉:
[13]MARTÍNJS,CORTÉSA,ZAMORA-CADENASL,
华中科技大学,2017.
positioningofautonomousvehiclescombiningUWBranging
[2][D].苏州:
estimationswithon-boardsensors[J].Electronics,2020,9(8).
苏州大学,2019.
[14]何燕凯,刘太君,叶焱,
[3][D].成都:电子
应用[J].移动通信,2020,44(2):82-87.
科技大学,2020.
[15]顾大强,[J].智能系
[4][D].合
统学报,2019,14(1):20-27.
肥:中国科学技术大学,2020.
[5]王磊,张洪顺,[J].通信对作者简介冯保壮(1995-),男,山东聊城人,硕士研究
抗,2007(3):33-36,,车辆工程专业。研究方向:汽车电子控制及嵌入式开发。
[6]李自良,韩笑,李硕,[J].数字E-mail:******@
(上接第页)
114
如果应用模糊控制理论改善减振器和悬架设参考文献
计,具备神经网络控制的主动悬架系统将大大改善[1]史文库,[M].:人民交通出
汽车驾乘人员的乘坐舒适性和驾驶员的操作稳定版社,2013.
[2]
性,有效减少汽车在行驶过程中产生的打滑现象。
模及仿真[D].西安:西安工业大学,2014.
4结论[3][D].杭州:
浙江大学,2010.
为了提高车辆悬架系统的性能,本文提出了[4]CROLLADA,ABDEL--activesuspension
一种算法,为了验证该算法的有效性,制作了一辆controlforafullvehiclemodel[J].SAETransactions,1991,100:
带减振器的试验用车辆悬架,将载有基于神经网络1660-1666.
控制的车辆主动悬架的车辆和安装常规被动悬架系[5]武柏安,龙海洋,李耀刚,
悬架最优控制[J].机床与液压,2021,49(9):109-114.
统的车辆以不同的速度行驶在相同的路面上进行测
[6]CHANTRNUWATHHANAS,
试。实验结果表明,安装再生神经网络和运用神经foractivesuspension[C]//ProceedingsoftheAmericanControl
模糊控制方法的车辆以不同速度行驶时,:California,1999:1702-1706.
改善减震性能,从而大大提高驾乘人员的驾驶舒适[7]GHAZIZADEHA,FAHIMA,EL-
性。此外本研究存在一定的局限性,本文使用的控andfuzzylogicapplicationstovehiclesystems:literaturesurvey[J].
InternationalJournalofVehicleDesign,1997,18(2):132-193.
制算法、结构设计、仿真试验等都局限于车辆悬架
[8]CHENWuwei,MILLSJK,
系统的特定参数,如果研究者在此基础上继续研究,ofautomotivesemi-activesuspensions[J].InternationalJournalof
并将这些数据合理改变运用到其他车型的悬架系统VehicleAutonomousSystems,2003,1(2):222-236.
中,且继续进行建模、仿真甚至实车实验,本文提作者简介吴皓(1995-),男,硕士研究生,车辆工程专业,
出的神经网络控制算法是否还能继续提高驾乘人员研究方向:汽车悬架。E-mail:******@
的乘坐舒适性则有待论证。刘淼(1978-),男,讲师,研究方向:汽车发动机及
AI。E-mail:******@