CN109334378B - 一种基于单神经元pid控制的车辆isd悬架主动控制方法 - Google Patents

一种基于单神经元pid控制的车辆isd悬架主动控制方法 Download PDF

Info

Publication number
CN109334378B
CN109334378B CN201811091503.9A CN201811091503A CN109334378B CN 109334378 B CN109334378 B CN 109334378B CN 201811091503 A CN201811091503 A CN 201811091503A CN 109334378 B CN109334378 B CN 109334378B
Authority
CN
China
Prior art keywords
suspension
neuron
vehicle
learning
coefficient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811091503.9A
Other languages
English (en)
Other versions
CN109334378A (zh
Inventor
杨晓峰
赵文涛
刘雁玲
沈钰杰
杨艺
刘昌宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201811091503.9A priority Critical patent/CN109334378B/zh
Publication of CN109334378A publication Critical patent/CN109334378A/zh
Application granted granted Critical
Publication of CN109334378B publication Critical patent/CN109334378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
    • B60G17/018—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/10—Acceleration; Deceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/18—Automatic control means
    • B60G2600/187—Digital Controller Details and Signal Treatment
    • B60G2600/1878—Neural Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明公开了一种基于单神经元PID控制的车辆ISD悬架主动控制方法，该方法包含如下步骤：(1)建立ISD悬架四分之一模型；(2)确定路面的垂直位移；(3)确定车辆悬架性能评价指标；(4)确定神经元学习规则和学习算法。本发明能简单易行地使ISD悬架***适应环境变化，改善车辆性能，该方法为车辆ISD悬架设计及应用提供了一种新的研究思路与方向，尤其是对于可控ISD悬架的研究。

Description

一种基于单神经元PID控制的车辆ISD悬架主动控制方法
技术领域
本发明属于车辆悬架***控制领域，尤其是对于应用惯容器技术的车辆ISD(Inerter-Spring-Damper)悬架***控制。本发明涉及一种车辆ISD悬架的控制方法，特指一种车辆液电耦合式ISD悬架控制方法。
背景技术
车辆悬架是指车身和车轮之间的所有传力连接装置的总称，它的组成部分通常包括弹簧、阻尼和导向机构。其主要功能是传递车身和车轮之间的力与力矩，缓冲来自不平路面传递给车身的冲击，来保证车辆的平顺行驶和乘客乘坐的舒适性，是车辆***动力学研究的重点之一。
剑桥大学学者Smith于2003年提出了惯容器的思想，并设计出齿轮齿条式惯容器与滚珠丝杠式惯容器，实现机械网络与电路网络之间严格的对应，惯容器具有与电容相似的功能,即能够阻断低频信号的传递。车辆ISD悬架就是由“惯容器(Inerter)-弹簧(Spring)-阻尼器(Damper)”构成的新型悬架简称，该悬架将惯容器引入悬架***，打破了传统悬架的“弹簧-阻尼器”结构，为悬架振动控制研究提供了新的思路。
单神经元是神经网络最基本的组成单元，将其与PID控制结合成单神经元PID控制，使控制参数适应外部环境，具有响应速度快、结构简单、易于计算、处理非线性能力强和鲁棒性好等特点。
当前，车辆ISD悬架的研究方向主要有被动ISD悬架的网络综合和可控ISD悬架，后者是该领域研究的新热点，尚处于元件参数的半主动调协阶段，没有结合ISD悬架复杂的动力学特性进行主动协调控制，悬架性能有待进一步提高。
发明内容
基于以上原因，本发明提供了一种基于单神经元PID控制的车辆ISD悬架主动控制方法，可以运用此方法对车辆ISD悬架***多元件进行动力学分析，确定控制参数的最优解获得最适输出力，达到阻抗匹配的协调控制效果，有效解决可控ISD悬架主动协调控制问题。该方法可以自行设计车辆悬架性能的评价指标，并根据需要对合适的性能指标加权系数。
为达成上述目的，本发明所采用的技术方案为一种基于单神经元PID控制的车辆ISD悬架主动控制方法，包括以下步骤：
步骤1)，建立ISD悬架四分之一模型：
Figure BDA0001804446970000021
其中，zs、zu、zb和zr分别为车身、轮胎、阻尼上端点和路面的垂直位移，u为液电耦合式惯容器两端的力，f为直线电机的作动力，c为阻尼系数，k为悬架刚度系数，b为惯质系数，ms为簧载质量，mu为非簧载质量，kt为轮胎刚度；
步骤2)，确定路面的垂直位移zr，公式为：
Figure BDA0001804446970000022
其中，n0为参考空间频率，w(t)为均值为0的白噪声，f0为下截止频率；Gq(n0)为路面不平度系数；v为车速；
步骤3)，确定车辆悬架性能评价指标，包括车身加速度、轮胎动载荷和悬架动挠度中的至少一项；
步骤4)，确定神经元学习规则为有监督的Delta学习规则：
Figure BDA0001804446970000023
其中，rj(k)为期望输出，
Figure BDA0001804446970000024
为神经元j的激活值，
Figure BDA0001804446970000025
为期望输出rj(k)与实际输出
Figure BDA0001804446970000026
的差，wij(k)为两个神经元之间的权值系数变化量，d为学习速度；
再根据已确定的学习规则，确定具体的学习算法：
Figure BDA0001804446970000027
其中，e(k)为加速度误差信号，xi(k)(i＝1,2,3)为加速度误差通过转换而得到的神经元的输入信号，wi(k)为相应神经元输入xi(k)的权值系，di(i＝1,2,3)为wi(i＝1,2,3)的学习速度，K为神经元增益系数，u(k)为单神经元PID控制的输出信号；
单神经元PID控制的控制流程为：将期望车身加速度r(k)作为输入信号，车身加速度作为反馈信号y(k)，e(k)为加速度误差信号，即e(k)＝r(k)-y(k)，xi(k)(i＝1,2,3)为加速度误差通过转换而得到的神经元的输入信号，wi(k)为相应神经元输入xi(k)的权值系数，通过已确定的学习规则和学习算法进行在线调整，u(k)为单神经元PID控制的输出信号，用于控制直线电机的输出力。
进一步地，所述步骤4)的学习算法的学习流程为：4.1)确定初始权值系数wi(0)；4.2)计算当前时刻的实际输出与期望输出之间的误差；4.3)如果误差小于给定值，则结束，否则继续；4.4)通过学习规则更新权值系数；4.5)返回步骤4.2)。
本发明的有益效果是：本发明基于单神经元理论，设计悬架***的单神经元PID控制器，应用多目标遗传算法优化控制参数，能根据随机路面的不同输入，主动调节悬架控制参数，达到阻抗匹配的协调控制效果，使ISD悬架性能处于最优状态，提高了ISD悬架***处理非线性和对环境的适应能力，有效改善了车辆性能。单神经元PID控制与其他控制方法相比，自适力强，鲁棒性好，算法简单易行，可靠性高，具有神经网络的自组织自适应功能。该方法为车辆ISD悬架设计及应用提供了一种新的研究思路与方向，尤其是对于可控ISD悬架的主动协调控制。
附图说明
图1为所述一种基于单神经元PID控制的车辆ISD悬架主动控制方法流程图；
图2为所述实例中所采用的悬架结构图；
图3为图2结构的车辆ISD悬架四分之一模型示意图；
图4为所述实例中悬架的单神经元PID控制原理图；
图5为采用所述方法得到的车辆主动可控ISD悬架性能与传统被动悬架性能的对比图；
其中(a)为车身加速度时域图，(b)为悬架动挠度时域图，(c)为轮胎动载荷时域图。
具体实施方式
下面结合附图及具体实例对本发明作进一步地说明，但本发明的保护范围不限于此。
图1为所述一种基于单神经元PID控制的车辆ISD悬架主动控制方法流程图，图2为所述方法实例中的悬架结构。
图2中惯容器优选为中国专利CN204526713U公开的液电耦合式车辆悬架阻抗控制装置。以此为例进行ISD悬架***单神经元PID主动控制的研究。
参见图1，本发明的基于单神经元PID控制的车辆ISD悬架主动控制方法包括：步骤1)：建立悬架***模型；步骤2)：确定路面输入和悬架基本参数；步骤3)：确定性能评价指标；步骤4)：确定单神经元PID控制器。
其中，步骤1)具体为：根据图2所示的悬架结构，建立对应的悬架四分之一模型，如图3所示，其动力学方程为：
Figure BDA0001804446970000041
其中，zs、zu、zb和zr分别为车身、轮胎、阻尼上端点和路面的垂直位移，u为液电耦合式惯容器两端的力，f为直线电机的作动力，c为阻尼系数，k为悬架刚度系数，b为惯质系数，ms为簧载质量，mu为非簧载质量，kt为轮胎刚度。
其中，步骤2)具体为：确定路面的垂直位移zr和悬架基本参数，参数如表1所示。
路面输入为：
Figure BDA0001804446970000042
其中，n0为参考空间频率，w(t)为均值为0的白噪声。
表1路面参数和悬架基本参数表：
Figure BDA0001804446970000043
其中，步骤3)具体为：根据研究目的，确定车辆悬架性能评价指标，包括车身加速度，轮胎动载荷和悬架动挠度。
其中，步骤4)具体为：确定神经元学习规则为有监督的Delta学习规则：
Figure BDA0001804446970000051
其中，rj(k)为期望输出，
Figure BDA0001804446970000052
为神经元j的激活值，
Figure BDA0001804446970000053
为期望输出rj(k)与实际输出
Figure BDA0001804446970000054
的差，wij(k)为两个神经元之间的权值系数变化量，d为学习速度。
根据已确定的学习规则，可确定具体的学习算法：
Figure BDA0001804446970000055
其中，e(k)为加速度误差信号，xi(k)(i＝1,2,3)为加速度误差通过转换而得到的神经元的输入信号，wi(k)为相应神经元输入xi(k)的权值系，di(i＝1,2,3)为wi(i＝1,2,3)的学习速度，K为神经元增益系数，u(k)为单神经元PID控制的输出信号，根据经验权重初值，在小范围内(0.1～0.9)任选取，不会对***响应造成很大影响，经反复仿真调试，将w1(0)、w2(0)和w3(0)都取为0.03。
其中，学习算法的学习流程为：4.1)确定初始权值系数wi(0)；4.2)计算当前时刻的实际输出与期望输出之间的误差；4.3)如果误差小于给定值，则结束，否则继续；4.4)通过学习规则更新权值系数；4.5)返回步骤4.2)。
单神经元PID控制器原理图如图4所示，将期望车身加速度r(k)作为输入信号，车身加速度作为反馈信号y(k)，e(k)为加速度误差信号，即e(k)＝r(k)-y(k)，xi(k)(i＝1,2,3)为加速度误差通过转换而得到的神经元的输入信号，wi(k)为相应神经元输入xi(k)的权值系数，通过一定的学习规则进行在线调整，实现单神经元PID控制器的动态控制效果，K为神经元增益系数，u(k)为单神经元PID控制的输出信号，为直线电机的输出力，直线电机输出力u(k)会随路面输入的变化而变化，达到调节电阻抗的目的，液电耦合式惯容器的总阻抗也就会随电阻抗的变化而变化，当总阻抗与输入阻抗匹配时，ISD悬架的性能就会大幅度提高。
下面进行仿真验证：
将液电耦合式ISD悬架的三个性能指标的均方根分别与传统被动悬架的性能指标的均方根进行比值，再将得到的三个比值进行加权组合，三个比值直接求和作为优化目标的适应度函数：
Figure BDA0001804446970000061
其中，BA(X)、SWS(X)和DTL(X)为液电耦合式ISD悬架对应的车身加速度、悬架动挠度和轮胎动载荷的均方根；BApass、SWSpass和DTLpass为传统被动悬架车身加速度、悬架动挠度和轮胎动载荷的均方根值，BA<BApass，SWS<SWSpass，DTL<DTLpass。
X＝(K,d1,d2,d3)作为一组控制参数个体，其中di(i＝1,2,3)为wi(i＝1,2,3)的学习速度，K为神经元增益系数，LB<X<UB，UB和LB分别为控制参数上限和下限。
minJ为自适度函数的最小值，表示参数个体X在某一具体数值时，ISD悬架与被动悬架三个性能指标均方根值的比值和最小，即在此参数时，本发明方法所控的ISD悬架性能达到最优。
在Matlab/Simulink中建立车辆单轮悬架模型，依据上述控制方法，编写适应度函数和遗传算法的m文件，个体依次赋值，输出最适应度函数值，如表2所示。
表2最适应度函数值表
Figure BDA0001804446970000062
在随机路面输入下对液电耦合式车辆ISD悬架进行仿真，得到悬架的性能曲线。将性能曲线与传统被动悬架进行对比，分析本发明的控制方法对悬架性能的影响。
如图5所示，即为本发明实施案例的车辆主动可控ISD性能与传统被动悬架性能的对比图，其中，(a)为车身加速度时域图，(b)为悬架动挠度时域图，(c)为轮胎动载荷时域图。
表3悬架性能指标均方根值表
Figure BDA0001804446970000063
以上结果表明，本发明方法对悬架性能有着显著的提升作用。车身加速度和悬架动挠度减小明显，车辆的行驶平顺性进一步提高。
所述实施例为本发明的优选实施方式，但本发明并不限于此实施方式，在不背离本发明实质内容的情况下，本领域技术人员进行的修改、变形和替换均属于本发明的保护范围。

Claims (2)

1.一种基于单神经元PID控制的车辆ISD悬架主动控制方法，其特征在于，包括：
步骤1)，建立ISD悬架四分之一模型：
Figure FDA0002987964680000011
其中，zs、zu、zb和zr分别为车身、轮胎、阻尼上端点和路面的垂直位移，u为液电耦合式惯容器两端的力，f为直线电机的作动力，c为阻尼系数，k为悬架刚度系数，b为惯质系数，ms为簧载质量，mu为非簧载质量，kt为轮胎刚度；
步骤2)，确定路面的垂直位移zr，公式为：
Figure FDA0002987964680000012
其中，n0为参考空间频率，w(t)为均值为0的白噪声，f0为下截止频率；Gq(n0)为路面不平度系数；v为车速；
步骤3)，确定车辆悬架性能评价指标，包括车身加速度、轮胎动载荷和悬架动挠度中的至少一项；
步骤4)，确定神经元学习规则为有监督的Delta学习规则：
Figure FDA0002987964680000013
其中，rj(k)为期望输出，
Figure FDA0002987964680000014
为神经元j的激活值，
Figure FDA0002987964680000015
为期望输出rj(k)与实际输出
Figure FDA0002987964680000016
的差，Δwij(k)为两个神经元之间的权值系数变化量，d为学习速度；
再根据已确定的学习规则，确定具体的学习算法：
Figure FDA0002987964680000017
其中，e(k)为加速度误差信号，xi(k)(i＝1,2,3)为加速度误差通过转换而得到的神经元的输入信号，wi(k)为相应神经元输入xi(k)的权值系数，di(i＝1,2,3)为wi(i＝1,2,3)的学习速度，K为神经元增益系数，u(k)为单神经元PID控制的输出信号；
单神经元PID控制的控制流程为：将期望车身加速度r(k)作为输入信号，车身加速度作为反馈信号y(k)，e(k)为加速度误差信号，即e(k)＝r(k)-y(k)，通过已确定的学习规则和学习算法进行在线调整，u(k)为单神经元PID控制的输出信号，用于控制直线电机的输出力。
2.如权利要求1所述的一种基于单神经元PID控制的车辆ISD悬架主动控制方法，其特征在于，所述步骤4)的学习算法的学习流程为：4.1)确定初始权值系数wi(0)；4.2)计算当前时刻的实际输出与期望输出之间的误差；4.3)如果误差小于给定值，则结束，否则继续；4.4)通过学习规则更新权值系数；4.5)返回步骤4.2)。
CN201811091503.9A 2018-09-19 2018-09-19 一种基于单神经元pid控制的车辆isd悬架主动控制方法 Active CN109334378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811091503.9A CN109334378B (zh) 2018-09-19 2018-09-19 一种基于单神经元pid控制的车辆isd悬架主动控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811091503.9A CN109334378B (zh) 2018-09-19 2018-09-19 一种基于单神经元pid控制的车辆isd悬架主动控制方法

Publications (2)

Publication Number Publication Date
CN109334378A CN109334378A (zh) 2019-02-15
CN109334378B true CN109334378B (zh) 2021-09-10

Family

ID=65306150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811091503.9A Active CN109334378B (zh) 2018-09-19 2018-09-19 一种基于单神经元pid控制的车辆isd悬架主动控制方法

Country Status (1)

Country Link
CN (1) CN109334378B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110001336B (zh) * 2019-03-12 2021-11-23 江苏大学 一种基于add正实网络优化的车辆isd悬架一阶理想模型
CN109932907B (zh) * 2019-03-14 2023-01-17 江苏大学 一种基于rbf滑模变结构控制的车辆isd悬架主动控制方法
CN109849932B (zh) * 2019-03-27 2020-07-28 哈尔滨工业大学 一种路面自适应的车轮动载荷估计方法
CN111016566B (zh) * 2019-12-05 2023-07-18 江苏大学 惯容与阻尼双天棚悬架***及其控制方法
CN111439087B (zh) * 2020-03-27 2022-08-23 江苏大学 一种基于模型参考自适应控制的车辆isd悬架主动控制方法
CN113183709B (zh) * 2021-06-04 2022-09-27 合肥工业大学 一种汽车电控悬架预瞄控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03258608A (ja) * 1990-03-07 1991-11-18 Mazda Motor Corp 車両のサスペンション装置
CN103646280A (zh) * 2013-11-28 2014-03-19 江苏大学 一种基于粒子群算法的车辆悬架***参数优化方法
CN104122795A (zh) * 2014-07-15 2014-10-29 河海大学常州校区 基于新型极值函数指标的智能自整定pid室温控制算法
DE102014211268A1 (de) * 2014-06-12 2015-12-17 Bayerische Motoren Werke Aktiengesellschaft Gespann-Stabilisationsvorrichtung
CN106114111A (zh) * 2016-06-24 2016-11-16 江苏大学 一种含有驾驶行为预测模型的可调阻尼馈能悬架***及其控制方法
CN107563001A (zh) * 2017-08-01 2018-01-09 江苏大学 一种车辆isd悬架机电网络***正实综合与被动实现方法
CN107791773A (zh) * 2017-09-04 2018-03-13 昆明理工大学 一种基于规定性能函数的整车主动悬架***振动控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03258608A (ja) * 1990-03-07 1991-11-18 Mazda Motor Corp 車両のサスペンション装置
CN103646280A (zh) * 2013-11-28 2014-03-19 江苏大学 一种基于粒子群算法的车辆悬架***参数优化方法
DE102014211268A1 (de) * 2014-06-12 2015-12-17 Bayerische Motoren Werke Aktiengesellschaft Gespann-Stabilisationsvorrichtung
CN104122795A (zh) * 2014-07-15 2014-10-29 河海大学常州校区 基于新型极值函数指标的智能自整定pid室温控制算法
CN106114111A (zh) * 2016-06-24 2016-11-16 江苏大学 一种含有驾驶行为预测模型的可调阻尼馈能悬架***及其控制方法
CN107563001A (zh) * 2017-08-01 2018-01-09 江苏大学 一种车辆isd悬架机电网络***正实综合与被动实现方法
CN107791773A (zh) * 2017-09-04 2018-03-13 昆明理工大学 一种基于规定性能函数的整车主动悬架***振动控制方法

Also Published As

Publication number Publication date
CN109334378A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109334378B (zh) 一种基于单神经元pid控制的车辆isd悬架主动控制方法
CN110850716B (zh) 基于接触网先验信息的受电弓神经网络滑模变结构主动控制方法
Zhang et al. Bioinspired nonlinear dynamics-based adaptive neural network control for vehicle suspension systems with uncertain/unknown dynamics and input delay
CN108891220B (zh) 一种车辆半主动悬架***的天棚控制改进方法
CN105159094B (zh) 汽车主动悬架lqg控制器最优控制力的设计方法
JP2005538886A (ja) 少なくされた数のセンサーを用いるファジー制御装置
CN105539052B (zh) 一种以车辆平稳状态为参考的可控悬架滑模追踪控制器
CN108859648B (zh) 一种悬架减震器阻尼控制切换加权系数确定方法
CN103754081B (zh) 车辆非线性悬架***的最优模糊复合控制方法
CN112776551B (zh) 一种基于运动图式的磁流变悬架半主动控制方法及***
CN106527124B (zh) 基于非线性神经模糊控制器的电磁阀式减振器控制方法
Zhang et al. Semi‐active control of air suspension with auxiliary chamber subject to parameter uncertainties and time‐delay
CN111439087B (zh) 一种基于模型参考自适应控制的车辆isd悬架主动控制方法
CN114683795B (zh) 一种路面自适应半主动悬架控制方法和***
CN111055650A (zh) 磁流变半主动悬架粒子群-时滞依赖h∞鲁棒控制方法
CN109932907B (zh) 一种基于rbf滑模变结构控制的车辆isd悬架主动控制方法
CN110901326B (zh) 一种具有状态约束与死区输入的主动悬架***的控制方法
CN108032698B (zh) 磁流变半主动悬架泰勒级数-三重h2时滞补偿控制方法
Zhao et al. PID control of vehicle active suspension based on particle Swarm optimization
CN113467233B (zh) 一种基于模糊模型的时滞有限频域输出反馈控制方法
Cheng et al. Design of observer-based fuzzy sliding-mode control for an active suspension system with full-car model
CN113591360B (zh) 基于整车动力学模型的磁流变阻尼器结构参数优化方法
CN110001336B (zh) 一种基于add正实网络优化的车辆isd悬架一阶理想模型
CN113761768A (zh) 面向整车振动抑制的磁流变阻尼器一体化优化设计方法
CN111137093B (zh) 一种分布式驱动车辆悬架轮毂电机***控制方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant