CN110765554A - 一种基于ts模型的汽车半主动悬架***的智能控制方法 - Google Patents

一种基于ts模型的汽车半主动悬架***的智能控制方法 Download PDF

Info

Publication number
CN110765554A
CN110765554A CN201911128575.0A CN201911128575A CN110765554A CN 110765554 A CN110765554 A CN 110765554A CN 201911128575 A CN201911128575 A CN 201911128575A CN 110765554 A CN110765554 A CN 110765554A
Authority
CN
China
Prior art keywords
model
semi
fuzzy
active suspension
suspension system
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.)
Withdrawn
Application number
CN201911128575.0A
Other languages
English (en)
Inventor
刘洪宇
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.)
University of Science and Technology Liaoning USTL
Original Assignee
University of Science and Technology Liaoning USTL
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 University of Science and Technology Liaoning USTL filed Critical University of Science and Technology Liaoning USTL
Priority to CN201911128575.0A priority Critical patent/CN110765554A/zh
Publication of CN110765554A publication Critical patent/CN110765554A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

一种基于TS模型的汽车半主动悬架***的智能控制方法，对模糊控制器进行改进，设计出基于利用TS模型神经模糊推理***构建算法，该算法调用模糊逻辑工具箱中的自适应神经模糊推理***ANFIS实现，将训练后的控制器导入半主动悬架***中，建立TS模型模糊神经网络控制半主动悬架***仿真模型。通过对该模型的仿真试验结果的分析表明，该模型的运用可以使汽车悬架***的综合性能得到了较显著的改善。

Description

一种基于TS模型的汽车半主动悬架***的智能控制方法
技术领域
本发明涉及汽车的智能控制技术领域，特别涉及一种基于TS模型的汽车半主动悬架***的智能控制方法。
背景技术
随着物质水平和文化层次的提高，人们对汽车的综合控制性能要求愈高。汽车实际上是一个复杂的多自由度非线性***，内部子***具有不同的固有频率。其在行驶过程中因车速、运动方向和风、雨、路面不平等外部环境的变化，悬架、发动机、传动***和车身其它组成部分的不平衡等各种内外因素的激振作用而产生整车或局部的振动。因此，采用新技术和新方法尽量减少车辆在行驶过程中所产生的振动，改善其平顺性、操纵稳定性等综合性能具有重要的现实意义。
对于汽车而言，改善路面质量，减少振动来源的做法可行性不高，即使是新铺的高速公路，其路面也会略有凹凸不平。而适当调整***本身的固有频率和增大***的阻尼因子或采用专门的减振设备如动力减振器可在汽车悬架上付诸实践。悬架***是汽车的重要组成之一，是车架与车桥或车轮之间的一切连接装置的总称，它综合了多种作用力，决定着汽车的操纵稳定性、乘坐舒适性和行驶安全性。因此，为了满足人们对汽车多方面性能的要求，必须应用更先进的悬架技术，对悬架***进行控制，以实现将汽车振动减至最低限度。
作为汽车底盘的重要组成，悬架***在很大程度上决定和影响着汽车行驶的平顺性与操纵稳定性。半主动悬架***能依据路面冲击和车身运动信号实时调节悬架的阻尼等参数，以改善悬架缓冲性能，比参数固定的被动悬架展现了更大的优势。相应地，半主动悬架***结构较复杂，传统的控制方法往往不能获得令人满意的控制效果。因此，半主动悬架***的智能控制策略研究显得愈加重要。
发明内容
为了解决背景技术中所述问题，本发明提供一种基于TS模型的汽车半主动悬架***的智能控制方法，能够有效地提高半主动悬架***的性能。
为了达到上述目的，本发明采用以下技术方案实现：
一种基于TS模型的汽车半主动悬架***的智能控制方法，包括如下步骤：
步骤一、首先，针对汽车悬架***自身特点，明确悬架性能评价指标，建立在时域中由功率谱密度描述的随机滤波白噪声路面输入仿真模型及模拟结果；构建四自由度半车被动悬架和半主动悬架的动力学模型；
步骤二、然后，在Simulink中根据汽车配置参数和悬架受振数学模型分别建立被动悬架***与模糊控制下的半主动悬架***的方框图仿真模型；
步骤三、对模糊控制器进行改进；把TS模型自适应神经模糊推理***作为半主动悬架的核心控制器；首先设计出基于TS模型的神经模糊推理***算法，建立初始神经模糊推理***，该算法调用模糊逻辑工具箱中的自适应神经模糊推理***ANFIS实现；然后根据基于模糊控制的半主动悬架***在Simulink环境下和相同试验条件下进行仿真试验所得到的相关数据预处理后训练初始ANFIS，再将训练完成后的控制器导入到半主动悬架***模型中，最后建立基于TS模型的模糊神经网络控制的半主动悬架***仿真模型；
步骤四、将被动悬架***和基于模糊控制及基于TS模型的模糊神经网络控制半主动悬架***统一在Simulink环境下和相同试验条件下进行仿真试验，得到仿真结果；并以悬架性能评价指标即车身垂直加速度、悬架动行程以及轮胎动载荷相应的均方根值为仿真模块的输出，将在不同控制方式下得到的仿真结果进行对比分析，综合评价出这些智能控制方法的控制优劣效果。
所述的步骤三具体包括如下：
步骤301、自适应神经模糊推理***的引入，利用MATLAB软件的TS模型下的自适应神经模糊推理***及其GUI构建模块；对模糊控制器进行改进；把TS模型自适应神经模糊推理***作为半主动悬架的核心控制器；首先设计出基于TS模型的神经模糊推理***算法，建立初始神经模糊推理***，该算法调用模糊逻辑工具箱中的自适应神经模糊推理***ANFIS实现；
步骤302、ANFIS建立过程中的加载数据；
加载用于训练学习的输入/输出数据源自于基于模糊控制的半主动悬架***的仿真数据，经预处理后，直接在MATLAB的工作区间导入；
步骤303、ANFIS建立过程中的生成初始神经模糊推理***；
选取网格分割法构建初始***，设定每个语言变量对应的语言值子集划分个数，选择语言值子集相应的隶属函数类型与输出精确函数描述类型；
步骤304、ANFIS建立过程中的训练初始***；训练方法为BP反传学习规则；
步骤305、ANFIS建立过程中的生成IF-THEN规则集合；
训练完毕后，ANFIS的IF-THEN规则集合业已生成，至此，设计好的ANFIS模型即可导入到半主动悬架***的核心控制器FNN_TS中进行后续的仿真试验。
与现有技术相比，本发明的有益效果是：
1、对模糊控制器进行改进，设计出基于利用TS模型神经模糊推理***构建算法，该算法调用模糊逻辑工具箱中的自适应神经模糊推理***ANFIS实现，将训练后的控制器导入半主动悬架***中，建立TS模型模糊神经网络控制半主动悬架***仿真模型。通过对该模型的仿真试验结果的分析表明，该模型的运用可以使汽车悬架***的综合性能得到了较显著的改善。
2、将被动悬架***和基于模糊控制及基于TS模型的模糊神经网络控制半主动悬架***统一在Simulink环境下和相同试验条件下进行仿真试验，并以悬架性能评价指标即车身垂直加速度、悬架动行程以及轮胎动载荷相应的均方根值为仿真模块的输出，对仿真结果进行对比分析表明，本发明所用到的智能控制方法能有效提高半主动悬架***的性能。
3、半主动悬架是在车辆综合控制性能、能源损耗和成本上综合考虑的折中。本发明通过理论与仿真试验相结合的方法研究基于智能控制的汽车悬架减振性能，在悬架设计阶段结合不同的控制方式进行仿真，可以提高一次试验成功率，节省成本，同时改善车辆的平顺性、操纵稳定性和车辆的整体舒适品质。
附图说明
图1为前轮路面位移输入仿真模型；
图2为前、后轮在国内公路B级路面时的垂直位移输入模拟结果；
图3为四自由度半车被动悬架动力学模型；
图4为四自由度半车半主动悬架动力学模型；
图5为被动悬架***方框图仿真模型；
图6为模糊控制下的半主动悬架***方框图仿真模型；
图7为基于TS模型的半主动悬架***的自适应神经模糊控制器方框图；
图8为加载训练数据界面；
图9为模糊推理***初始设置框；
图10为自适应神经模糊推理***的网络分层表示；
图11为***的训练过程；
图12为***规则的曲面描述；
图13为不同控制方式得到的车身垂直加速度RMS分布条形图；
图14为不同控制方式得到的悬架动行程RMS分布条形图；
图15为不同控制方式得到的轮胎动载荷RMS分布条形图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
一种基于TS模型的汽车半主动悬架***的智能控制方法，包括如下步骤：
步骤一、首先，针对汽车悬架***自身特点，明确悬架性能评价指标，建立在时域中由功率谱密度描述的随机滤波白噪声路面输入仿真模型及模拟结果。构建四自由度半车被动悬架和半主动悬架的动力学模型。
所述的步骤一具体包括如下：
1、采用车身垂直加速度、悬架动行程以及轮胎动载荷这三个从不同角度描述且相互牵制的基本参数来进行定量评价。
2、建立在时域中由功率谱密度描述的随机滤波白噪声路面输入仿真模型及模拟结果通过MATLAB/Simulink模拟前、后轮路面垂直位移输入。其仿真模型如图1所示。
图1中增益
Figure BDA0002277633060000041
增益Gain1＝2πf0＝0.0628。对于后轮来说，路面输入模型只是多了一个延迟模块，这体现在后面被动悬架仿真模型中，对应的延迟时间τ计算为0.1327s。前、后轮在国内公路B级路面时的垂直位移输入模拟结果如图2所示。
3、构建四自由度半车被动悬架和半主动悬架的动力学模型
针对某一普通轿车车型，建立如图3所示的四自由度半车被动悬架动力学模型。
其中，各符号含义如下：
ms—汽车簧载质量；
θ—车身质心处的俯仰角；
Is—簧载质量绕质心处侧向轴线角振动的转动惯量；
Z2—质心处的垂向位移；
a、b—前后轴至质心的距离；
k2f、k2r—前、后悬架刚度；
c2f、c2r—前、后悬架阻尼系数；
muf、mur—前、后轴非簧载质量；
k1f、k1r—前后轮胎刚度；
Z2f、Z2r—车身前、后端的垂向位移；
Z1f、Z1r—前、后轴非簧载质量的垂向位移；
Z0f、Z0r—前、后轮处路面不平度输入。
根据牛顿第二定律或达朗贝尔原理或分析力学方法，均可以将被动悬架的半车模型整理成如下形式的数学模型：
Figure BDA0002277633060000051
半主动悬架通过可控减振器提供在一定范围内可调的阻尼力，四自由度半车半主动悬架动力学模型如图4所示。
其中，各符号含义如下：
Ff、Fr—前、后悬架可调阻尼力。
根据达朗贝尔原理等方法，将半主动悬架的半车模型整理成如下形式的数学模型：
当车身前、后端半主动悬架的可调阻尼力Ff、Fr的输入值为零时，半主动悬架***即可转化为被动悬架***。
由以上数学模型，借助MATLAB/Simulink平台就可建立汽车悬架***的动力学仿真模型。
步骤二、然后，在Simulink中根据汽车配置参数和悬架受振数学模型，分别建立被动悬架***与模糊控制下的半主动悬架***的方框图仿真模型。
所述的步骤二具体包括如下：
1、悬架基本配置参数
本发明参考某普通轿车型号展开研究，其悬架基本配置参数见表1。
表1悬架基本配置参数
Figure BDA0002277633060000061
2、被动悬架***方框图仿真模型
对被动悬架***创建的方框图仿真模型见图5。
3、模糊控制下的半主动悬架***方框图仿真模型
对模糊控制下的半主动悬架***创建的方框图仿真模型见图6。
步骤三、对模糊控制器进行改进。把TS模型自适应神经模糊推理***作为半主动悬架的核心控制器。基于TS模型的半主动悬架***的自适应神经模糊控制器方框图首先设计出基于TS模型的神经模糊推理***算法，建立初始神经模糊推理***，该算法调用模糊逻辑工具箱中的自适应神经模糊推理***ANFIS实现。基于TS模型的半主动悬架***的自适应神经模糊控制器方框图如图7所示。然后根据基于模糊控制的半主动悬架***在Simulink环境下和相同试验条件下进行仿真试验所得到的相关数据预处理后训练初始ANFIS，再将训练完成后的控制器导入到半主动悬架***模型中，最后建立基于TS模型的模糊神经网络控制的半主动悬架***仿真模型。
所述的步骤三具体包括如下：
步骤301、自适应神经模糊推理***的引入。MATLAB软件包含有TS模型下的自适应神经模糊推理***(简称ANFIS)及其GUI构建模块。它把神经网络和TS式模糊推理融合在一起，结合已获取的众多数据，通过自适应建模方法建立其模糊推理***(ANFIS)，其中的规则和隶属函数参数，是利用BP反传学习规则或混合法(hybrid)计算得出，而免去人工总结归纳专家直觉操作经验或直观感知。对模糊控制器进行改进。把TS模型自适应神经模糊推理***作为半主动悬架的核心控制器。首先设计出基于TS模型的神经模糊推理***算法，建立初始神经模糊推理***，该算法调用模糊逻辑工具箱中的自适应神经模糊推理***ANFIS实现。
步骤302、ANFIS建立过程中的加载数据。
加载用于训练学习的输入/输出数据源自于基于模糊控制的半主动悬架***的仿真数据，经预处理后，直接在MATLAB的工作区间导入，加载训练数据界面如图8所示。
步骤303、ANFIS建立过程中的生成初始神经模糊推理***。
选取网格分割法构建初始***，设定每个语言变量对应的语言值子集划分个数，选择语言值子集相应的隶属函数类型与输出精确函数描述类型。本文输入为2个语言变量，各有7个隶属度函数，隶属度函数类型为gaussmf，输出隶属度函数为线性(linear)，参数如图9的模糊推理***初始设置框所示。
建立的自适应神经模糊推理***的网络分层表示见图10。
步骤304、ANFIS建立过程中的训练初始***。
训练方法仍为BP反传学习规则，误差精度为0，训练次数为1000。***的训练过程见图11。
步骤305、ANFIS建立过程中的生成IF-THEN规则集合。
训练完毕后，ANFIS的IF-THEN规则集合业已生成，模糊空间内的***规则的曲面描述见图12。至此，设计好的ANFIS模型即可导入到半主动悬架***的核心控制器FNN_TS中进行后续的仿真试验。
步骤四、将被动悬架***和基于模糊控制及基于TS模型的模糊神经网络控制半主动悬架***统一在Simulink环境下和相同试验条件下进行仿真试验，得到仿真结果。并以悬架性能评价指标即车身垂直加速度、悬架动行程以及轮胎动载荷相应的均方根值为仿真模块的输出，将在不同控制方式下得到的仿真结果进行对比分析，综合评价出这些智能控制方法的控制优劣效果。
所述的步骤四具体包括如下：
1、Simulink环境下构建***模拟模型后，就要准备进行动态仿真试验。首先要确定各配置参数：仿真时间设定为0～30s。根据本发明悬架***的特点，选择变步长模式的算法，确定相应的解法器为ode45，它对应显示四/五阶龙格-库塔的Dormand-Prince算法。
2、将被动悬架***和基于模糊控制及基于TS模型的模糊神经网络控制的半主动悬架***模型在相同的B级路面和行车速度为72km/h的条件下进行仿真试验。
3、得出不同控制方式下与车身垂直加速度、悬架动行程以及轮胎动载荷相应的均方根值，分别如表2、图13、表3、图14、表4及图15所示。
表2不同控制方式下汽车车身前、后端垂直加速度均方根值表
Figure BDA0002277633060000081
表3不同控制方式下汽车前、后悬架动行程均方根值表
Figure BDA0002277633060000082
表4不同控制方式下汽车前、后轮的轮胎动载荷均方根值表
4、将被动悬架***、模糊控制及基于TS模型的模糊神经网络控制半主动悬架***统一在Simulink环境下和相同试验条件下进行仿真试验，对比试验结果数据，定量分析这三个性能评价指标即车身垂直加速度、悬架动行程以及轮胎动载荷相应的均方根值。可以看出，基于模糊控制半主动悬架***与被动悬架***相比：车身前端垂直加速度均方根值下降24.5％，车身后端垂直加速度均方根值下降36.3％；前悬架动行程均方根值增加4.9％，后悬架动行程均方根值减少1.8％；前轮胎动载荷均方根值降低了18.1％，后轮胎动载荷均方根值降低了21.8％。因此，基于模糊控制半主动悬架***的控制效果更好。
5、基于TS模型的模糊神经网络控制半主动悬架***与被动悬架***相比：车身前端垂直加速度均方根值下降了29.2％，车身后端垂直加速度均方根值下降了40.3％；前悬架动行程均方根值增大了3.3％，后悬架动行程均方根值减少了3.6％；前轮胎动载荷均方根值降低了21.9％，后轮胎动载荷均方根值降低了23.3％。因此，以上三种智能控制方式对悬架***综合性能的改善效果依次增大。其中，基于TS模型的模糊神经网络控制方式对悬架***的减振效果最佳。
以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。

Claims (2)

1.一种基于TS模型的汽车半主动悬架***的智能控制方法，其特征在于，包括如下步骤：
步骤一、首先，针对汽车悬架***自身特点，明确悬架性能评价指标，建立在时域中由功率谱密度描述的随机滤波白噪声路面输入仿真模型及模拟结果；构建四自由度半车被动悬架和半主动悬架的动力学模型；
步骤二、然后，在Simulink中根据汽车配置参数和悬架受振数学模型分别建立被动悬架***与模糊控制下的半主动悬架***的方框图仿真模型；
步骤三、对模糊控制器进行改进；把TS模型自适应神经模糊推理***作为半主动悬架的核心控制器；首先设计出基于TS模型的神经模糊推理***算法，建立初始神经模糊推理***，该算法调用模糊逻辑工具箱中的自适应神经模糊推理***ANFIS实现；然后根据基于模糊控制的半主动悬架***在Simulink环境下和相同试验条件下进行仿真试验所得到的相关数据预处理后训练初始ANFIS，再将训练完成后的控制器导入到半主动悬架***模型中，最后建立基于TS模型的模糊神经网络控制的半主动悬架***仿真模型；
步骤四、将被动悬架***和基于模糊控制及基于TS模型的模糊神经网络控制半主动悬架***统一在Simulink环境下和相同试验条件下进行仿真试验，得到仿真结果；并以悬架性能评价指标即车身垂直加速度、悬架动行程以及轮胎动载荷相应的均方根值为仿真模块的输出，将在不同控制方式下得到的仿真结果进行对比分析，综合评价出这些智能控制方法的控制优劣效果。
2.根据权利要求1所述的一种基于TS模型的汽车半主动悬架***的智能控制方法，其特征在于，所述的步骤三具体包括如下：
步骤301、自适应神经模糊推理***的引入，利用MATLAB软件的TS模型下的自适应神经模糊推理***及其GUI构建模块；对模糊控制器进行改进；把TS模型自适应神经模糊推理***作为半主动悬架的核心控制器；首先设计出基于TS模型的神经模糊推理***算法，建立初始神经模糊推理***，该算法调用模糊逻辑工具箱中的自适应神经模糊推理***ANFIS实现；
步骤302、ANFIS建立过程中的加载数据；
加载用于训练学习的输入/输出数据源自于基于模糊控制的半主动悬架***的仿真数据，经预处理后，直接在MATLAB的工作区间导入；
步骤303、ANFIS建立过程中的生成初始神经模糊推理***；
选取网格分割法构建初始***，设定每个语言变量对应的语言值子集划分个数，选择语言值子集相应的隶属函数类型与输出精确函数描述类型；
步骤304、ANFIS建立过程中的训练初始***；训练方法为BP反传学习规则；
步骤305、ANFIS建立过程中的生成IF-THEN规则集合；
训练完毕后，ANFIS的IF-THEN规则集合业已生成，至此，设计好的ANFIS模型即可导入到半主动悬架***的核心控制器FNN_TS中进行后续的仿真试验。
CN201911128575.0A 2019-11-18 2019-11-18 一种基于ts模型的汽车半主动悬架***的智能控制方法 Withdrawn CN110765554A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911128575.0A CN110765554A (zh) 2019-11-18 2019-11-18 一种基于ts模型的汽车半主动悬架***的智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911128575.0A CN110765554A (zh) 2019-11-18 2019-11-18 一种基于ts模型的汽车半主动悬架***的智能控制方法

Publications (1)

Publication Number Publication Date
CN110765554A true CN110765554A (zh) 2020-02-07

Family

ID=69338250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911128575.0A Withdrawn CN110765554A (zh) 2019-11-18 2019-11-18 一种基于ts模型的汽车半主动悬架***的智能控制方法

Country Status (1)

Country Link
CN (1) CN110765554A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882389A (zh) * 2021-01-13 2021-06-01 吉林大学 一种基于分段t-s模糊模型的车辆稳定性控制器设计方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109927501A (zh) * 2019-03-12 2019-06-25 辽宁科技大学 一种汽车半主动悬架***的智能控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109927501A (zh) * 2019-03-12 2019-06-25 辽宁科技大学 一种汽车半主动悬架***的智能控制方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
吴旺生;喻全余;姜毅;肖平;: "基于Simulink与模糊算法的车辆半主动悬架控制***研究" *
姜康;张腾;冯忠祥;张梦雅;: "磁流变阻尼器悬架的一种半主动控制策略" *
姜立标;王薇;谢东;崔胜民;王登峰;: "汽车半主动空气悬架自适应模糊神经网络控制" *
杨建伟;李敏;孙守光;: "汽车半主动磁流变悬架的自适应双模糊控制方法" *
洪家娣;沈晓玲;: "神经网络自适应模糊控制在汽车半主动悬架中的应用" *
秦海;刘清平;: "基于ANFIS的汽车主动悬架仿真" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882389A (zh) * 2021-01-13 2021-06-01 吉林大学 一种基于分段t-s模糊模型的车辆稳定性控制器设计方法

Similar Documents

Publication Publication Date Title
CN109927501A (zh) 一种汽车半主动悬架***的智能控制方法
CN108859648B (zh) 一种悬架减震器阻尼控制切换加权系数确定方法
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
CN111444623B (zh) 一种阻尼非线性商用车悬架动力学的协同优化方法及***
He et al. Vertical vibration control of an in‐wheel motor‐driven electric vehicle using an in‐wheel active vibration system
CN105676694A (zh) 汽车悬架***的智能采样数据输出反馈控制方法
CN110765554A (zh) 一种基于ts模型的汽车半主动悬架***的智能控制方法
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
CN112434407B (zh) 一种履带式车辆多悬挂动力学参数分配优化设计方法
CN115099035B (zh) 随机位移激励下含负刚度和惯容协作的悬架减振设计方法
Stříbrský et al. Using fuzzy logic to control active suspension system of one-half-car model
Feng et al. Bandwidth-limited active suspension controller for an off-road vehicle based on co-simulation technology
Harun et al. Performance comparison of active suspension for ride comfort using linear quadratic regulator (LQR) and fuzzy logic controller (FLC)
Nazemi et al. GA tuned H∞ roll acceleration controller based on series active variable geometry suspension on rough roads
CN111137093B (zh) 一种分布式驱动车辆悬架轮毂电机***控制方法及***
CN107102551B (zh) 基于阻尼力约束的阻尼可调半主动悬架混杂模型预测控制方法
CN114818110A (zh) 一种前悬颤振优化方法、管控方法及存储介质
Pan et al. Research on semi-active suspension system with variable stiffness and damping
Liu et al. Study of ride comfort of active suspension based on model reference neural network control system
CN110281725A (zh) 存在作动器死区的主动悬架的优化控制方法及***
Liu et al. Multi-Objective Control of Dynamic Chassis Considering Road Roughness Class Recognition
CN117331312A (zh) 整车半主动悬架多重深度神经模糊网络控制方法及***
CN108733944A (zh) 方向盘抖振性能的评价方法及装置
CN115570924A (zh) 一种基于迭代学习改进的h∞控制方法
Chuanzhu et al. Based on adams optimal design of ATV motorcycle for gradeability and shock absorption property

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200207