CN117331312A - 整车半主动悬架多重深度神经模糊网络控制方法及*** - Google Patents
整车半主动悬架多重深度神经模糊网络控制方法及*** Download PDFInfo
- Publication number
- CN117331312A CN117331312A CN202311243373.7A CN202311243373A CN117331312A CN 117331312 A CN117331312 A CN 117331312A CN 202311243373 A CN202311243373 A CN 202311243373A CN 117331312 A CN117331312 A CN 117331312A
- Authority
- CN
- China
- Prior art keywords
- difference value
- control
- speed
- change rate
- speed difference
- 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.)
- Pending
Links
- 230000001537 neural effect Effects 0.000 title claims abstract description 71
- 239000000725 suspension Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000008859 change Effects 0.000 claims abstract description 90
- 239000006096 absorbing agent Substances 0.000 claims description 35
- 230000035939 shock Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 16
- 238000005096 rolling process Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 10
- 230000001133 acceleration Effects 0.000 description 27
- 230000005284 excitation Effects 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明公开的整车半主动悬架多重深度神经模糊网络控制方法及***,通过每个方向的变论域模块对每个方向的速度差值及其差值变化率进行模糊推理,确定每个方向的输入变量伸缩因子和输出变量伸缩因子;通过每个方向的输入变量伸缩因子对每个方向的速度差值及其差值变化率进行调整,获得每个方向调整后速度差值及其差值变化率;通过每个方向的主控制器模块对每个方向调整后速度差值及其差值变化率进行模糊推理,确定每个方向的理论控制力或理论控制力矩;通过每个方向的输出变量伸缩因子对每个方向的理论控制力或理论控制力矩进行调整,确定每个方向的控制力或控制力矩;根据每个方向的控制力或控制力矩,对整车进行控制。具备最优的控制效果。
Description
技术领域
本发明涉及汽车电子控制技术领域,尤其涉及整车半主动悬架多重深度神经模糊网络控制方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
悬架***的主要功能是传递车轮和车架之间的力和力矩,吸收由路面不平度引起的振动响应,从而提高车辆的行驶平顺性和操纵稳定性。半主动悬架兼具被动和主动悬架的优点,可以根据行驶工况实时调整阻尼力的大小,能够达到和主动悬架相近的减振效果,且结构简单、无需动力源,是智能悬架未来发展的重要方向。车辆半主动悬架是一个复杂的振动***,要完整地体现车辆垂直振动、俯仰变化、侧倾运动及相互之间的耦合影响,全面地把握汽车运动响应与控制的综合问题,则需要采用整车模型。
当前对整车半主动悬架进行控制时,主要通过模糊控制策略对获取的各个方向的速度差值及其变化率进行推理,确定各方向的控制力;但是常规的模糊控制策略中模糊规则的确定难度大、规则不完善且存在过度依赖专家经验的问题,控制精度过低。为了实现模糊控制器模糊论域的调整、提高***的控制精度,一些学者提出变论域模糊控制的思想,然而传统变论域模糊控制器中的输入变量伸缩因子和输出变量伸缩因子均是采用函数型或者模糊型伸缩因子进行设计,存在伸缩因子参数确定难度大、过度依赖专家经验、伸缩因子参数值固定、无法根据***反馈信息进行动态设计的问题,并不能保证根据不同方向的控制力对车辆半主动悬架进行控制时,具备最优的控制效果。
发明内容
本发明为了解决上述问题,提出了整车半主动悬架多重深度神经模糊网络控制方法及***,输入变量伸缩因子和输出变量伸缩因子,通过对每个方向的速度差值及其差值变化率进行模糊推理确定,实现了根据速度对输入变量伸缩因子和输出变量伸缩因子的实时调整,保证了根据模糊推理出的控制力和控制力矩对车辆进行控制时,车辆具备最优的减振控制效果,提高车辆的行驶平顺性和操纵稳定性。
为实现上述目的,本发明采用如下技术方案:
第一方面,提出了整车半主动悬架多重深度神经模糊网络控制方法,包括:
获取车身垂向速度、俯仰角速度和侧倾角速度;
计算获取的每个方向速度与相应方向参考速度之间的差值及其差值变化率;
通过每个方向的变论域模块对每个方向的速度差值及其差值变化率进行模糊推理,确定每个方向的输入变量伸缩因子和输出变量伸缩因子;
通过每个方向的输入变量伸缩因子对每个方向的速度差值及其差值变化率进行调整,获得每个方向调整后速度差值及其差值变化率;
通过每个方向的主控制器模块对每个方向调整后速度差值及其差值变化率进行模糊推理,确定每个方向的理论控制力或理论控制力矩;
通过每个方向的输出变量伸缩因子对每个方向的理论控制力或理论控制力矩进行调整,确定每个方向的控制力或控制力矩;
根据每个方向的控制力或控制力矩,对整车进行控制。
第二方面,提出了整车半主动悬架多重深度神经模糊网络控制***,包括:
速度获取模块,用于获取车身垂向速度、俯仰角速度和侧倾角速度;
输入模块,用于计算获取的每个方向速度与相应方向参考速度之间的差值及其差值变化率;
神经模糊网络控制模块,用于通过每个方向的变论域模块对每个方向的速度差值及其差值变化率进行模糊推理,确定每个方向的输入变量伸缩因子和输出变量伸缩因子;通过每个方向的输入变量伸缩因子对每个方向的速度差值及其差值变化率进行调整,获得每个方向调整后速度差值及其差值变化率;通过每个方向的主控制器模块对每个方向调整后速度差值及其差值变化率进行模糊推理,确定每个方向的理论控制力或理论控制力矩;通过每个方向的输出变量伸缩因子对每个方向的理论控制力或理论控制力矩进行调整,确定每个方向的控制力或控制力矩;
整车控制模块,用于根据垂向控制力、俯仰控制力矩和侧倾控制力矩,对整车进行控制。
第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成整车半主动悬架多重深度神经模糊网络控制方法所述的步骤。
第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成整车半主动悬架多重深度神经模糊网络控制方法所述的步骤。
与现有技术相比,本发明的有益效果为:
1、本发明通过每个方向变论域模块对每个方向的速度差值及其差值变化率进行模糊推理,确定每个方向的输入变量伸缩因子和输出变量伸缩因子;通过每个方向的输入变量伸缩因子对每个方向的速度差值及其差值变化率进行调整,将每个方向调整后速度差值及其差值变化率,作为每个方向主控制器模块的输入,由主控制器模块对调整后速度差值及其差值变化率进行模糊推理,确定理论控制力或理论控制力矩;之后,通过输出变量伸缩因子对模糊推理结果进行调整,获得最终的控制力或控制力矩;实现了根据速度对输入变量伸缩因子和输出变量伸缩因子的实时调整,有效解决传统变论域模糊控制器存在的过度依赖专家经验、难以获得完善地模糊控制规则、***控制精度低等问题。
2、本发明在确定了每个方向的控制力或控制力矩后,通过力控制器模块将力和力矩分配至四个减振器处,获得每个减振器的理想控制力,根据理想控制力确定减振器的实际控制电流,将实际控制电流输入减振器中,获得实际控制力;通过实际控制力对车辆进行控制;实现整车半主动悬架***的协调控制,提高车辆的行驶平顺性和操纵稳定性。
3、本发明通过减振器逆模型确定减振器的实际控制电流,其中,减振器逆模型以理想控制力为输入,以实际控制电流为输出,采用自适应神经模糊网络构建获得,实现了根据理想控制力对实际控制电流的实时调整,且获取的实际控制电流输入减振器后,能够实现对车辆的最优控制。
4、本发明将不同方向的变论域模块和主控制器模块采用串行思想级联起来,构成本方向的深度神经模糊网络控制模块。将不同方向的深度神经模糊网络模块并联起来,再通过力控制器模块与不同方向的减振器逆模型模块结合起来构成整车半主动悬架的多重深度神经模糊网络控制模块,实现了对车辆减振的最优控制。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为实施例公开控制方法的流程图;
图2为实施例公开的ANFIS结构图;
图3为实施例公开***的结构框图;
图4为实施例公开的四轮车辆随机路面激励时域响应图;
图5为实施例公开的7自由度整车动力学模型;
图6为实施例公开的簧载质量加速度响应曲线;
图7为实施例公开的俯仰角加速度响应曲线;
图8为实施例公开的侧倾角加速度响应曲线。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1
在该实施例中,公开了整车半主动悬架多重深度神经模糊网络控制方法,如图1-图8所示,包括:
获取车身垂向速度、俯仰角速度和侧倾角速度;
计算获取的每个方向速度与相应方向参考速度之间的差值及其差值变化率;
通过每个方向的变论域模块对每个方向的速度差值及其差值变化率进行模糊推理,确定每个方向的输入变量伸缩因子和输出变量伸缩因子;
通过每个方向的输入变量伸缩因子对每个方向的速度差值及其差值变化率进行调整,获得每个方向调整后速度差值及其差值变化率;
通过每个方向的主控制器模块对每个方向调整后速度差值及其差值变化率进行模糊推理,确定每个方向的理论控制力或理论控制力矩;
通过每个方向的输出变量伸缩因子对每个方向的理论控制力或理论控制力矩进行调整,确定每个方向的控制力或控制力矩;
根据每个方向的控制力或控制力矩,对整车进行控制。
将每个方向的变论域模块与主控制器模块串联,构成本方向的深度神经模糊网络控制;然后将不同方向的深度神经模糊网络控制并联构成多重深度神经模糊网络控制方法,将分配后的力和力矩与不同方向的减振器逆模型进行串联,实现整车半主动悬架多重深度模糊网络控制方法。
具体的,计算车身垂向速度与垂向参考速度之间的差值及其差值变化率,获得垂向速度差值ev及其差值变化率ecv;计算俯仰角速度与俯仰角参考速度之间的差值及其差值变化率,获得俯仰角速度差值ep及其差值变化率ecp;计算侧倾角速度与侧倾角参考速度之间的差值及其差值变化率,获得侧倾角速度差值er及其差值变化率ecr。
本实施例计算了每个方向的速度差值及其差值变化率后,还为每个方向设置了深度神经模糊网络控制模块,且每个深度神经模糊控制模块均包括变论域模块和主控制器模块,每个方向的变论域模块以对应方向的速度差值及其差值变化率为输入,以两个输入变量伸缩因子和输出变量伸缩因子为输出,采用自适应神经模糊网络构建获得;通过每个方向的输入变量伸缩因子对每个方向的速度差值及其差值变化率进行调整,获得每个方向调整后速度差值及其差值变化率;每个方向的主控制器模块均以对应方向调整后速度差值及其差值变化率为输入,以对应方向的理论控制力或理论控制力矩为输出,采用自适应神经模糊网络构建获得;通过每个方向的输出变量伸缩因子对相应方向的理论控制力或理论控制力矩进行调整,确定每个方向的控制力或控制力矩。
其中,用每个方向的速度差值及其差值变化率除以相应方向的输入变量伸缩因子,获得每个方向调整后速度差值及其差值变化率,实现通过输入变量伸缩因子对速度差值及其差值变化率的调整。
用每个方向的理论控制力或理论控制力矩乘以相应方向的输出变量伸缩因子,获得每个方向的控制力或控制力矩;实现了通过输出变量伸缩因子对理论控制力和理论控制力矩的调整。
具体的:
为垂向设置垂向深度神经模糊网络控制模块,垂向深度神经模糊网络控制模块包括垂向变论域模块和垂向车辆主控制器模块,垂向变论域模块的输入为垂向速度差值ev及其差值变化率ecv。输出为垂向速度差值的伸缩因子αve、垂向速度差值变化率的伸缩因子αvec及垂向控制力的伸缩因子βvu,采用自适应神经模糊网络(ANFIS)构建获得;将ev除以αve,获得垂向调整后速度差值;将ecv除以αvec,获得垂向调整后速度差值变化率;垂向车辆主控制器模块的输入为垂向调整后速度差值和垂向调整后速度差值变化率,输出为垂向理论控制力,采用ANFIS构建获得;将垂向理论控制力乘以βvu,获得垂向控制力。
为俯仰方向设置俯仰深度神经模糊网络控制模块,俯仰深度神经模糊网络控制模块包括俯仰变论域模块和俯仰车辆主控制器模块,俯仰变论域模块的输入为俯仰角速度差值ep及其差值变化率ecp,输出为俯仰角速度差值的伸缩因子αpe、俯仰角速度差值变化率的伸缩因子αpec及俯仰控制力矩的伸缩因子βpu,采用自适应神经模糊网络(ANFIS)构建获得;将ep除以αpe,获得俯仰调整后角速度差值;将ecp除以αpec,获得俯仰调整后角速度差值变化率;俯仰车辆主控制器模块的输入为俯仰调整后角速度差值和俯仰调整后角速度差值变化率,输出为俯仰理论控制力矩,采用ANFIS构建获得;将俯仰理论控制力矩乘以βpu,获得俯仰控制力矩。
为侧倾方向设置侧倾深度神经模糊网络控制模块,侧倾深度神经模糊网络控制模块包括侧倾变论域模块和侧倾车辆主控制器模块,侧倾变论域模块的输入为侧倾角速度差值er及其差值变化率ecr,输出为侧倾角速度差值的伸缩因子αre、侧倾角速度差值变化率的伸缩因子αrec及侧倾控制力矩的伸缩因子βru,采用自适应神经模糊网络(ANFIS)构建获得;将er除以αre,获得侧倾调整后角速度差值;将ecr除以αrec,获得侧倾调整后角速度差值变化率;侧倾车辆主控制器模块的输入为侧倾调整后角速度差值和侧倾调整后角速度差值变化率,输出为侧倾理论控制力矩,采用ANFIS构建获得;将侧倾理论控制力矩乘以βru,获得侧倾控制力矩。
如图2所示,ANFIS是综合神经网络和T-S模糊推理***的一种自适应网络***,其能以任意精度逼近T-S模糊推理***来表达非线性函数。
图2中,L1层负责输入变量x1,x2的模糊化处理过程,L2层负责计算模糊规则适用度值,L3层负责模糊规则适用度值地归一化处理,L4层负责计算输出,L5层负责计算***总输出y。
T-S模糊控制器可由下面方程构成:
Qi:如果x1为Ai1,x2为Ai2,xj为Aij,…,xn为Ain,则:
yi(X)=bi0+bi1x1+bi2x2+…+bijxj+…+binxn (1)
Aij(xj)=pij(xj) (4)
式中,Qi(i=1,2,…,Q)为第i条规则,X=[x1,x2,…,xn]T为输入矢量,Aij为模糊集合,yi(X)为第i条规则的输出,f(X)为T-S模糊控制器的输出,βi(X)为第i条规则所满足的隶属度,pij(xj)为输入论域的隶属度函数。
其中,主控制器模块中的T-S模糊控制器输入为对应方向经输入变量伸缩因子调整后的速度差值及其差值变化率,输出为对应方向的理论控制力或者理论控制力矩;变论域模块中的T-S模糊控制器输入为对应方向的速度差值和差值变化率,输出为对应方向的输入变量伸缩因子和输出变量伸缩因子。实现了根据车辆速度对输入变量伸缩因子和输出变量伸缩因子的实时调整,从而能够实现对整车减振的最优控制,有效解决传统变论域模糊控制器存在的过度依赖专家经验、难以获得完善地模糊控制规则、***控制精度低等问题。
本实施例通过评价函数来评价整车的减振效果,其中,评价函数的评价指标包括车身垂向加速度、俯仰角加速度和侧倾角加速度,评价函数为对每个评价指标计算均方根值,对所有均方根值进行加权求和,确定最终的评价函数值,评价函数值最小表明整车减振效果最佳。
主控制器模块和变论域模块的隶属函数均采用高斯型隶属函数。
主控制器模块和变论域模块采用的语言模糊子集均为:{NB,NM,NS,Z,PS,PM,PB};其中,NB为负大,NM为负中,NS为负小,Z为零,PS为正小,PM为正中,PB为正大。
以垂向深度神经模糊网络控制模块为例进行说明,建立双输入-单输出的T-S模糊控制器作为垂向车辆主控制器,以垂向调整后速度差值及其差值变化率作为输入,垂向理论控制力作为输出。输入、输出变量的模糊论域均为[-1,1],初始量化因子ke=10,kec=0.5,初始比例因子ku=600,后续根据控制效果反复调试确定量化因子和比例因子的大小值。采用7个语言模糊子集{NB(负大),NM(负中),NS(负小),Z(零),PS(正小),PM(正中),PB(正大)},为保证算法的输出平滑过渡,其隶属函数采用高斯型,俯仰车辆主控制器和侧倾车辆主控制器的设计方法与垂向车辆主控制器的设计方法类似,这里不在赘述。
选用以车身垂向加速度、俯仰角加速度、侧倾角加速度为主要指标的评价函数,仿真时间为10s,步长0.001,获取10000组分别以车身垂向速度和车身垂向加速度、俯仰角速度和俯仰角加速度、侧倾角速度和侧倾角加速度为输入,车辆垂向控制力、俯仰控制力矩和侧倾控制力矩为输出的数据。用相应方向的双输入-单输出的T-S模糊控制器对获得的数据进行训练,从而构建基于ANFIS的垂向车辆主控制模块、俯仰车辆主控制模块和侧倾车辆主控制模块。
建立双输入-三输出的T-S模糊控制器作为垂向变论域模块,该模块以垂向速度差值及其差值变化率作为输入,垂向输入变量伸缩因子αve、αvec、垂向输出变量伸缩因子βvu作为输出。输入变量的模糊论域均为[-1,1],输出变量的模糊论域为[0,1]。采用7个语言模糊子集{NB(负大),NM(负中),NS(负小),Z(零),PS(正小),PM(正中),PB(正大)},其隶属函数采用高斯型。俯仰变论域模块和侧倾变论域模块的设计方法与垂向变论域模块的设计方法类似,这里不在赘述。
选用以车身垂向加速度、俯仰角加速度、侧倾角加速度为主要指标的评价函数,仿真时间为10s,步长0.001,获取10000组分别以车身垂向速度和车身加速度、俯仰角速度和俯仰角加速度、侧倾角速度和侧倾角加速度为输入,以垂向输入变量伸缩因子、垂向输出变量伸缩因子、俯仰输入变量伸缩因子、俯仰输出变量伸缩因子、侧倾输入变量伸缩因子和侧倾输出变量伸缩因子为输出的数据。用相应方向的双输入-三输出的T-S模糊控制器对获得的数据进行训练,从而获得基于ANFIS的垂向变论域模块、俯仰变论域模块和侧倾变论域模块。
本实施例还获取俯仰角和侧倾角;
根据俯仰角、侧倾角和所有方向的控制力或控制力矩,确定每个车辆减振器的理想控制力;
根据每个车辆减振器的理想控制力,确定每个减振器的实际控制电流;
将实际控制电流输入减振器中,获得实际控制力;
通过实际控制力对车辆进行控制。
具体的,根据车辆的减振器逆模型确定减振器的实际控制电流;
其中,减振器逆模型以理想控制力和减振器活塞杆的相对速度为输入,以实际控制电流为输出,采用自适应神经模糊网络构建获得。
本实施例采用的减振器为CDC减振器,将俯仰角、侧倾角和从多重深度神经模糊控制模块获得的垂向控制力、俯仰控制力矩和侧倾控制力矩送入到力控制器模块,力控制器模块结合车辆几何关系将理想控制力有效分配到四个车辆减振器上分别为F1、F2、F3、F4。其中,F1、F2、F3、F4为每个车辆减振器的理想控制力。
通过四个方向CDC减振器的减振器逆模型分别对F1、F2、F3、F4进行推理,获得四个减振器所需要的实际控制电流i1、i2、i3、i4,将四个减振器实际控制电流输入四个方向的CDC减振器中获得四个减振器实际控制力F5、F6、F7、F8。
通过现场台架试验获取不同激励频率和电流下的CDC减振器外特性测试试验数据,,用ANFIS对获得的数据进行训练,从而构建基于ANFIS的CDC减振器逆模型。四个CDC减振器逆模型的输入为各个减振器的理想控制力和其活塞杆的相对速度,输出为四个减振器实际控制电流,将得到的四个实际控制电流分别送入四个CDC减振器中获得四个CDC减振器的实际控制力。
如图3所示,本实施例还将四个CDC减振器的实际控制力F5、F6、F7、F8送入到整车半主动悬架***模块中。
通过四轮路面激励模块产生四个车轮的路面激励。
优选的,本实施例采用滤波白噪声法生成单轮随机路面激励时域信号,结合左右轮迹相干函数的参数化模型以及同一轮迹前后车轮之间的延迟关系,建立四轮车辆路面激励。目前相关文献中关于单轮路面激励的研究已经比较成熟,单轮路面激励时域模型如式(5)所示。
式中,v为车辆行驶速度,n0为参考空间频率,Gxr(n0)为路面不平度系数,fmin为路面空间截止频率,fmin=0.011m-1,Wrlf(t)为单轮单位白噪声激励。
在Matlab/Simulink中搭建四轮路面激励时域模型。以B级随机路面为例,当车速为50km/h,仿真得到四轮车辆随机路面激励的时域响应如图4所示。
xri表示路面高程激励大小,xrlf表示左前轮路面高程激励,xrrf表示右前轮路面高程激励,xrlr表示左后轮路面高程激励,xrrr表示右后轮路面高程激励。
整车半主动悬架***模块主要包括一个7自由度整车动力学***,7个自由度指车辆车身质心的垂向、俯仰、侧倾以及四个车辆的垂向运动,所建立的7自由度整车动力学***如图5所示。图中M表示车辆簧载质量,mui(i=lf,lr,rf,rr)表示非簧载质量,ki表示悬架弹簧刚度,kti(i=lf,lr,rf,rr)表示轮胎刚度,Fi(i=lf,lr,rf,rr)表示半主动悬架控制力,xri(i=lf,lr,rf,rr)表示路面激励,xti(i=lf,lr,rf,rr)表示为非簧载质量垂直位移,xbi(i=lf,lr,rf,rr)表示为簧载质量垂直位移,xc表示车身质心位移,θ表示俯仰角,表示侧倾角,a和b分别表示前轴距和后轴距,c和d分别表示左轮距和右轮距。
根据达朗贝原理,建立整车半主动悬架动力学方程如下:
车身垂向振动:
车身侧倾振动:
车身俯仰振动:
非簧载质量垂向振动:
整车模型动力学方程可表示为如下矩阵形式:
其中,M1为半主动悬架***质量矩阵,K1为刚度系数矩阵,ω=[xrlf,xrrf,xrlr,xrrr]T为路面干扰激励向量,u=[Flf,Frf,Flr,Frr]为CDC减振器输入控制力,为***状态向量。
为了验证本实施例公开方法的有效性,选用B级随机路面、车速50km/h的工况进行试验验证,得到被动、传统模糊控制、多重深度神经模糊网络控制策略下的簧载质量加速度、俯仰角加速度和侧倾角加速度的响应曲线如图6-8所示。悬架***相应指标的均方根值如表1所示。
表1悬架***性能指标
从图5和表1中可以看出,相较于被动悬架,本实施例公开的多重深度神经模糊网络控制方法控制的簧载质量加速度、俯仰角加速度和侧倾角加速度的均方根值分别降低38.65%、30.27%和9.86%,而传统模糊控制方法控制的簧载质量加速度、俯仰角加速度和侧倾角加速度的均方根指标分别降低22.48%、12.96%和1.74%,所提的多重深度神经模糊网络控制方法具有较好的控制效果,可以有效提高车辆行驶平顺性。从图7、8和表1中可知,本实施例所提的多重深度神经模糊网络控制方法控制的左前、右前、左后、右后悬架动挠度和左前、右前、左后、右后轮胎动载荷分别降低31.94%、43.94%、25%、44.64%、17.95%、14.39%、19.14%和25.81%,而传统模糊控制的左前、右前、左后、右后悬架动挠度和左前、右前、左后、右后轮胎动载荷分别降低22.22%、21.21%、11.36%、8.93%、5.51%、5.04%、5.00%和4.72%,本实施例公开的多重深度神经模糊网络控制方法效果明显优于传统模糊控制方法,能够有效降低悬架***与车辆限位块的撞击概率,大大提高车辆的操作稳定性。
本实施例公开的整车半主动悬架多重深度神经模糊网络控制方法,能够实现整车半主动悬架***垂向、俯仰、侧倾和四个车轮方向耦合振动的协调控制,有效提高了车辆的行驶平顺性和操纵稳定性。主要由变论域模块、车辆主控制器模块、力控制器模块和减振器模块等组成,每个模块均是采用自适应神经模糊网络(ANFIS)根据数据训练得到。将上述模块通过串行思想将各部分级联起来构成深度神经模糊网络控制模块,整车半主动悬架主要协调车辆的垂向、俯仰和侧倾等三个方向的振动,所以本实施例公开的多重深度神经模糊网络控制方法主要包括三个深度神经模糊网络控制模块,分别为垂向深度神经模糊网络控制模块,俯仰深度神经模糊控制模块和侧倾深度神经模糊网络控制模块;三个深度神经模糊控制模块中的主控制器主要负责车辆垂向、俯仰和侧倾方向的控制,三个深度神经模糊网络控制模块将输出的控制力和控制力矩送入到车辆的力控制器中实现四个不同方向CDC减振器的力分配;且深度神经模糊控制模块中均设置变论域模块,用于根据该方向的速度差值和差值变化率,模糊推理确定输入变量伸缩因子和输出变量伸缩因子,通过输入变量伸缩因子和输出变量伸缩因子对主控制器模块的输入、输出进行调整,实现了根据速度对输入变量伸缩因子和输出变量伸缩因子的实时调整,有效解决传统变论域模糊控制器存在的过度依赖专家经验、难以获得完善地模糊控制规则、***控制精度低等问题。
减振器模块主要包括基于试验数据的CDC减振器逆模型模块和CDC减振器两部分。根据不同测试频率和电流下台架试验所获得的CDC减振器外特性试验数据,采用ANFIS训练得到CDC减振器逆模型,通过CDC减振器逆模型将理想控制力转化为CDC减振器的实际控制电流,将实际控制电流大小送给CDC减振器从而得到CDC减振器的实际输出力,并将其送入整车半主动悬架***中实现车辆的振动控制,进一步保证了车辆控制的减振效果。
本实施例公开方法能够实现整车半主动悬架***的协调控制,采用自上而下、自左向右、分层分块的多重***设计,降低了方法的运算量与复杂度,提高了整车半主动悬架***的自适应能力和控制精度。
本实施例公开方法为整车半主动悬架***的协调控制提供了一种新思路,有利于整车半主动悬架***控制器的开发与工程实际应用,能够有效提高整车半主动悬架***的行驶平顺性和操纵稳定性。
实施例2
在该实施例中,公开了整车半主动悬架多重深度神经模糊网络控制***,包括:
速度获取模块,用于获取车身垂向速度、俯仰角速度和侧倾角速度;
输入模块,用于计算获取的每个方向速度与相应方向参考速度之间的差值及其差值变化率;
神经模糊网络控制模块,用于通过每个方向的变论域模块对每个方向的速度差值及其差值变化率进行模糊推理,确定每个方向的输入变量伸缩因子和输出变量伸缩因子;通过每个方向的输入变量伸缩因子对每个方向的速度差值及其差值变化率进行调整,获得每个方向调整后速度差值及其差值变化率;通过每个方向的主控制器模块对每个方向调整后速度差值及其差值变化率进行模糊推理,确定每个方向的理论控制力或理论控制力矩;通过每个方向的输出变量伸缩因子对每个方向的理论控制力或理论控制力矩进行调整,确定每个方向的控制力或控制力矩;
整车控制模块,用于根据垂向控制力、俯仰控制力矩和侧倾控制力矩,对整车进行控制。
其中,速度获取模块包括获取各速度的传感器。
神经模糊网络控制模块包括垂向神经模糊网络控制模块、俯仰神经模糊网络控制模块和侧倾神经模糊网络控制模块。
垂向神经模糊网络控制模块,用于通过垂向变论域模块对垂向速度差值及其差值变化率进行模糊推理,确定垂向输入变量伸缩因子和垂向输出变量伸缩因子;通过垂向输入变量伸缩因子对垂向速度差值及其差值变化率进行调整,获得垂向调整后速度差值及其差值变化率;通过垂向主控制器模块对垂向调整后速度差值及其差值变化率进行模糊推理,确定垂向的理论控制力;通过垂向输出变量伸缩因子对垂向的理论控制力进行调整,确定垂向控制力;
俯仰神经模糊网络控制模块,用于通过俯仰变论域模块对俯仰角速度差值及其差值变化率进行模糊推理,确定俯仰输入变量伸缩因子和俯仰输出变量伸缩因子;通过俯仰输入变量伸缩因子对俯仰角速度差值及其差值变化率进行调整,获得俯仰调整后角速度差值及其差值变化率;通过俯仰主控制器模块对俯仰调整后角速度差值及其差值变化率进行模糊推理,确定俯仰的理论控制力矩;通过俯仰输出变量伸缩因子对俯仰的理论控制力矩进行调整,确定俯仰控制力矩;
侧倾神经模糊网络控制模块,用于通过侧倾变论域模块对侧倾角速度差值及其差值变化率进行模糊推理,确定侧倾输入变量伸缩因子和侧倾输出变量伸缩因子;通过侧倾输入变量伸缩因子对侧倾角速度差值及其差值变化率进行调整,获得侧倾调整后角速度差值及其差值变化率;通过侧倾主控制器模块对侧倾调整后角速度差值及其差值变化率进行模糊推理,确定侧倾的理论控制力矩;通过侧倾输出变量伸缩因子对侧倾的理论控制力矩进行调整,确定侧倾控制力矩。
实施例3
在该实施例中,公开了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1公开的整车半主动悬架多重深度神经模糊网络控制方法所述的步骤。
实施例4
在该实施例中,公开了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1公开的整车半主动悬架多重深度神经模糊网络控制方法所述的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.整车半主动悬架多重深度神经模糊网络控制方法,其特征在于,包括:
获取车身垂向速度、俯仰角速度和侧倾角速度;
计算获取的每个方向速度与相应方向参考速度之间的差值及其差值变化率;
通过每个方向的变论域模块对每个方向的速度差值及其差值变化率进行模糊推理,确定每个方向的输入变量伸缩因子和输出变量伸缩因子;
通过每个方向的输入变量伸缩因子对每个方向的速度差值及其差值变化率进行调整,获得每个方向调整后速度差值及其差值变化率;
通过每个方向的主控制器模块对每个方向调整后速度差值及其差值变化率进行模糊推理,确定每个方向的理论控制力或理论控制力矩;
通过每个方向的输出变量伸缩因子对每个方向的理论控制力或理论控制力矩进行调整,确定每个方向的控制力或控制力矩;
根据每个方向的控制力或控制力矩,对整车进行控制。
2.如权利要求1所述的整车半主动悬架多重深度神经模糊网络控制方法,其特征在于,每个方向的变论域模块以对应方向的速度差值及其差值变化率为输入,以两个输入变量伸缩因子和输出变量伸缩因子为输出,采用自适应神经模糊网络构建获得。
3.如权利要求1所述的整车半主动悬架多重深度神经模糊网络控制方法,其特征在于,每个方向的主控制器模块均以对应方向调整后速度差值及其差值变化率为输入,以对应方向的理论控制力或理论控制力矩为输出,采用自适应神经模糊网络构建获得。
4.如权利要求1所述的整车半主动悬架多重深度神经模糊网络控制方法,其特征在于,主控制器模块和变论域模块的隶属函数均采用高斯型隶属函数。
5.如权利要求1所述的整车半主动悬架多重深度神经模糊网络控制方法,其特征在于,用每个方向的速度差值及其差值变化率除以相应方向的输入变量伸缩因子,获得每个方向调整后速度差值及其差值变化率;
用每个方向的理论控制力或理论控制力矩乘以相应方向的输出变量伸缩因子,获得每个方向的控制力或控制力矩。
6.如权利要求1所述的整车半主动悬架多重深度神经模糊网络控制方法,其特征在于,还获取俯仰角和侧倾角;
根据俯仰角、侧倾角和所有方向的控制力或控制力矩,确定每个车辆减振器的理想控制力;
根据每个车辆减振器的理想控制力,确定每个减振器的实际控制电流;
将实际控制电流输入减振器中,获得实际控制力;
通过实际控制力对车辆进行控制。
7.如权利要求6所述的整车半主动悬架多重深度神经模糊网络控制方法,其特征在于,根据车辆的减振器逆模型确定减振器的实际控制电流;
其中,减振器逆模型以理想控制力和减振器活塞杆的相对速度为输入,以实际控制电流为输出,采用自适应神经模糊网络构建获得。
8.整车半主动悬架多重深度神经模糊网络控制***,其特征在于,包括:
速度获取模块,用于获取车身垂向速度、俯仰角速度和侧倾角速度;
输入模块,用于计算获取的每个方向速度与相应方向参考速度之间的差值及其差值变化率;
神经模糊网络控制模块,用于通过每个方向的变论域模块对每个方向的速度差值及其差值变化率进行模糊推理,确定每个方向的输入变量伸缩因子和输出变量伸缩因子;通过每个方向的输入变量伸缩因子对每个方向的速度差值及其差值变化率进行调整,获得每个方向调整后速度差值及其差值变化率;通过每个方向的主控制器模块对每个方向调整后速度差值及其差值变化率进行模糊推理,确定每个方向的理论控制力或理论控制力矩;通过每个方向的输出变量伸缩因子对每个方向的理论控制力或理论控制力矩进行调整,确定每个方向的控制力或控制力矩;
整车控制模块,用于根据垂向控制力、俯仰控制力矩和侧倾控制力矩,对整车进行控制。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的整车半主动悬架多重深度神经模糊网络控制方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的整车半主动悬架多重深度神经模糊网络控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243373.7A CN117331312A (zh) | 2023-09-22 | 2023-09-22 | 整车半主动悬架多重深度神经模糊网络控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243373.7A CN117331312A (zh) | 2023-09-22 | 2023-09-22 | 整车半主动悬架多重深度神经模糊网络控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117331312A true CN117331312A (zh) | 2024-01-02 |
Family
ID=89294478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311243373.7A Pending CN117331312A (zh) | 2023-09-22 | 2023-09-22 | 整车半主动悬架多重深度神经模糊网络控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117331312A (zh) |
-
2023
- 2023-09-22 CN CN202311243373.7A patent/CN117331312A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110712490A (zh) | 一种基于栈式自编码的主动悬架***及其工作方法 | |
Tianjun et al. | Model reference adaptive control of semi-active suspension model based on AdaBoost algorithm for rollover prediction | |
CN102975587B (zh) | 基于双可控阻尼器的车辆半主动悬架及其控制方法 | |
CN101916113A (zh) | 一种基于主动悬架评价指标的车身姿态解耦控制方法 | |
WO2023174327A1 (zh) | 一种协同控制模块、自适应巡航***及其控制方法、交通工具 | |
CN112906133A (zh) | 一种地棚控制动惯性悬架的垂向振动负效应抑制方法 | |
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 | |
CN117331312A (zh) | 整车半主动悬架多重深度神经模糊网络控制方法及*** | |
yin Tang et al. | Research on suspension system based on genetic algorithm and neural network control | |
jie Yue et al. | Research on vehicle suspension systems based on fuzzy logic control | |
Du et al. | Control Strategy for Semi-Active Suspension Based on Suspension Parameter Estimation | |
Zhang et al. | Sliding mode control of electrical active roll stabilizer using switched reluctance motor | |
CN111338208B (zh) | 一种车辆侧倾和平顺性协调控制方法 | |
CN110765554A (zh) | 一种基于ts模型的汽车半主动悬架***的智能控制方法 | |
Chen et al. | Study on control of an two hub-motor electric vehicle | |
Chen et al. | Vehicle chassis decoupling control based on neural network inverse method | |
Wu et al. | Pitch motion suppression of electric vehicle active suspensions based on multibody dynamics | |
Liu et al. | Multi-Objective Control of Dynamic Chassis Considering Road Roughness Class Recognition | |
WO2023108699A1 (zh) | 一种新型lqg控制方法 | |
Bagchi et al. | Designing and optimizing an active car suspension with genetic algorithm | |
Chen | Research on fuzzy control of the vehicle’s semi-active suspension | |
Li et al. | Game control of multi-agent damper system for laterally interconnected air suspension | |
Li et al. | A hierarchical controller for the vibration of an automotive suspension system via magnetorheological dampers |
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 |