CN117962538A - 预瞄式半主动悬架的控制方法、装置、设备及存储介质 - Google Patents
预瞄式半主动悬架的控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117962538A CN117962538A CN202311810629.8A CN202311810629A CN117962538A CN 117962538 A CN117962538 A CN 117962538A CN 202311810629 A CN202311810629 A CN 202311810629A CN 117962538 A CN117962538 A CN 117962538A
- Authority
- CN
- China
- Prior art keywords
- model
- control
- semi
- active suspension
- prediction
- 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
- 239000000725 suspension Substances 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013016 damping Methods 0.000 description 36
- 230000001133 acceleration Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000006073 displacement reaction Methods 0.000 description 17
- 230000005284 excitation Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 10
- 230000003068 static effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000006096 absorbing agent Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
Landscapes
- Vehicle Body Suspensions (AREA)
Abstract
本申请涉及车辆技术领域，特别涉及一种预瞄式半主动悬架的控制方法、装置、设备及存储介质，其中，方法包括：采集当前时刻的状态信息；基于预先建立的模型预测控制器，根据状态信息预测半主动悬架控制***在预测时域的状态输出向量，并根据状态输出向量得到目标优化函数；根据预设的参考输入向量，计算出满足目标优化函数和预设约束条件的控制序列，并基于控制序列得到目标控制量，以基于目标控制量控制半主动悬架控制***。由此，解决了相关技术未考虑前方路面信息，无法保证车辆的平顺性和舒适性的问题，本申请融入路面信息，实现基于道路预瞄的预测控制，可以提高乘坐舒适性以及行驶的平顺性。
Description
技术领域
本申请涉及车辆技术领域，特别涉及一种预瞄式半主动悬架的控制方法、装置、设备及存储介质。
背景技术
随着汽车行业的迅速发展，车辆的智能化程度越来越高，为保障无人驾驶汽车的安全性及可靠性，相关技术的开发大多数集中于对环境感知、路径规划以及决策控制的研究，磁流变阻尼器作为悬架的执行器具有可控性好、能耗低、阻尼力连续可调、响应迅速等优点，但是磁流变阻尼器具有较强的滞环特性，其建模与控制器设计难度较大。
相关技术的控制算法大多基于当前车辆状态计算控制输入，并未考虑车辆前方路面信息，且对于半主动悬架控制的评价指标相对单一，无法有效保证车辆在行驶时的平顺性和舒适性，亟待解决。
发明内容
本申请提供一种预瞄式半主动悬架的控制方法、装置、设备及存储介质，以解决相关技术未考虑前方路面信息，无法保证车辆的平顺性和舒适性的问题，本申请融入路面信息，实现基于道路预瞄的预测控制，可以提高乘坐舒适性以及行驶的平顺性。
本申请第一方面实施例提供一种预瞄式半主动悬架的控制方法，包括以下步骤：
采集当前时刻的状态信息；
基于预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在预测时域的状态输出向量，并根据所述状态输出向量得到目标优化函数；
根据预设的参考输入向量，计算出满足所述目标优化函数和预设约束条件的控制序列，并基于所述控制序列得到目标控制量，以基于所述目标控制量控制所述半主动悬架控制***。
可选地，在一些实施例中，在基于所述预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在所述预测时域的状态输出向量之前，包括：
建立半主动悬架的状态空间模型；
对磁流变阻尼器进行外特性测试得到辨识数据，基于所述辨识数据训练得到所述磁流变阻尼器的正向模型和逆向模型，并建立随机路面模型和凸包路面模型；
基于所述半主动悬架的状态空间模型、所述随机路面模型、所述凸包路面模型、所述正向模型和所述逆向模型得到所述预先建立的模型预测控制器。
可选地，在一些实施例中，所述基于预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在预测时域的状态输出向量，包括：
将所述半主动悬架的状态空间模型离散化得到目标状态空间方程；
获取当前状态量和当前时变扰动，并基于所述当前状态量和当前时变扰动，利用所述目标状态空间方程得到所述预测时域的状态输出向量。
可选地，在一些实施例中，所述根据所述状态输出向量得到目标优化函数，包括：
获取控制时域的输入向量；
基于所述状态输出向量、所述控制时域的输入向量和所述当前时变扰动得到所述目标优化函数。
可选地，在一些实施例中，其特征在于，所述预测输出向量为：
Yp,c(k+1|k)＝Sxx(k)+SuU(k)+SDD(k)；
其中，p为预测时域，Yp,c(k+1|k)为***的p步预测输出向量，x(k)为当前状态量，U(k)为控制输入向量，D(k)为当前时变扰动，Sx为预测时域内状态量的系数矩阵，Su为预测时域内控制输入向量的系数矩阵，SD为预测时域内路面高度变化率的系数矩阵。
可选地，在一些实施例中，所述目标优化函数为：
其中，J为所述目标优化函数，Γy为控制输出的加权权重系数矩阵，Γu为控制输入的加权权重系数矩阵，Ep(k+1)为预测时域的下一时刻状态量和路面高度变化量的约束向量。
本申请第二方面实施例提供一种预瞄式半主动悬架的控制装置，包括：
采集模块，用于采集当前时刻的状态信息；
预测模块，用于基于预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在预测时域的状态输出向量，并根据所述状态输出向量得到目标优化函数；
控制模块，用于根据预设的参考输入向量，计算出满足所述目标优化函数和预设约束条件的控制序列，并基于所述控制序列得到目标控制量，以基于所述目标控制量控制所述半主动悬架控制***。
可选地，在一些实施例中，在基于所述预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在所述预测时域的状态输出向量之前，所述预测模块，包括：
建立单元，用于建立半主动悬架的状态空间模型；
测试单元，用于对磁流变阻尼器进行外特性测试得到辨识数据，基于所述辨识数据训练得到所述磁流变阻尼器的正向模型和逆向模型，并建立随机路面模型和凸包路面模型；
第一生成单元，用于基于所述半主动悬架的状态空间模型、所述随机路面模型、所述凸包路面模型、所述正向模型和所述逆向模型得到所述预先建立的模型预测控制器。
可选地，在一些实施例中，所述预测模块，包括：
离散化单元，用于将所述半主动悬架的状态空间模型离散化得到目标状态空间方程；
第二生成单元，用于获取当前状态量和当前时变扰动，并基于所述当前状态量和当前时变扰动，利用所述目标状态空间方程得到所述预测时域的状态输出向量。
可选地，在一些实施例中，所述预测模块，包括：
获取单元，用于获取控制时域的输入向量；
优化单元，用于基于所述状态输出向量、所述控制时域的输入向量和所述当前时变扰动得到所述目标优化函数。
可选地，在一些实施例中，其特征在于，所述预测输出向量为：
Yp,c(k+1|k)＝Sxx(k)+SuU(k)+SDD(k)；
其中，p为预测时域，Yp,c(k+1|k)为***的p步预测输出向量，x(k)为当前状态量，U(k)为控制输入向量，D(k)为当前时变扰动，Sx为预测时域内状态量的系数矩阵，Su为预测时域内控制输入向量的系数矩阵，SD为预测时域内路面高度变化率的系数矩阵。
可选地，在一些实施例中，所述目标优化函数为：
其中，J为所述目标优化函数，Γy为控制输出的加权权重系数矩阵，Γu为控制输入的加权权重系数矩阵，Ep(k+1)为预测时域的下一时刻状态量和路面高度变化量的约束向量。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的预瞄式半主动悬架的控制方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的预瞄式半主动悬架的控制方法。
由此，通过建立整车半主动悬架的状态空间模型，取四分之一车半主动悬架的状态空间模型作为模型预测控制器设计的预测模型。其次，对磁流变阻尼器进行了外特性测试，获得的磁流变阻尼器的控制电流，活塞运动位移及速度，阻尼力的实验数据，作为神经网络模型辨识数据；并建立随机和凸包两种路面模型。再次，根据磁流变阻尼器的测功数据，采用神经网络辨识的方法分别得到了磁流变阻尼器的正向、逆向模型。最后，取车身垂直加速度为控制输出，取悬架动行程为约束输出，同时考虑磁流变阻尼器的输出上下限，融入路面信息，将路面信息作为可测时变干扰，设计基于道路预瞄的模型预测控制器，由此，本申请实施例可以在保证安全且满足阻尼力和动行程约束的条件下提高乘坐舒适性，能够进一步提升悬架性能。
本申请附加的方面和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，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的预瞄式半主动悬架的控制方法的流程图；
图2为根据本申请一个实施例提供的预设的模型预测控制器的构建原理示意图；
图3为根据本申请一个实施例提供的整车动力学模型的示意图；
图4为根据本申请一个实施例提供的活塞运动速度为0.052m/s的磁流变阻尼器的特性曲线示意图；
图5为根据本申请一个实施例提供的活塞运动速度为0.131m/s的磁流变阻尼器的特性曲线示意图；
图6为根据本申请一个实施例提供的活塞运动速度为0.262m/s的磁流变阻尼器的特性曲线示意图；
图7为根据本申请一个实施例提供的活塞运动速度为0.524m/s的磁流变阻尼器的特性曲线示意图；
图8为根据本申请一个实施例提供的凸包路面高度变化曲线以及随机路面高度变化曲线示意图；
图9为根据本申请一个实施例提供的正向模型的结构示意图；
图10为根据本申请一个实施例提供的逆模型控制器的结构示意图；
图11为根据本申请一个实施例提供的整车控制原理示意图；
图12为根据本申请一个实施例提供的C级随机路面下车辆以30km/h通过路面时车身垂直加速度的变化示意图；
图13为根据本申请一个实施例提供的C级随机路面下车辆以30km/h通过路面时悬架动行程的变化示意图；
图14为根据本申请一个实施例提供的C级随机路面下车辆以30km/h通过路面时轮胎动静载荷比的示意图；
图15为根据本申请一个实施例提供的C级随机路面下车辆以30km/h通过路面时输出阻尼力示意图；
图16为根据本申请一个实施例提供的C级随机路面下车辆以60km/h通过路面时车身垂直加速度的变化示意图；
图17为根据本申请一个实施例提供的C级随机路面下车辆以60km/h通过路面时悬架动行程的变化示意图；
图18为根据本申请一个实施例提供的C级随机路面下车辆以60km/h通过路面时轮胎动静载荷比的示意图；
图19为根据本申请一个实施例提供的C级随机路面下车辆以60km/h通过路面时输出阻尼力的示意图；
图20为根据本申请一个实施例提供的车辆以30km/h速度通过凸包时车身加速度的变化示意图；
图21为根据本申请一个实施例提供的车辆以30km/h速度通过凸包时悬架动行程的变化示意图；
图22为根据本申请一个实施例提供的车辆以30km/h速度通过凸包时动静载荷比的变化示意图；
图23为根据本申请一个实施例提供的车辆以30km/h速度通过凸包时输出阻尼力的变化示意图；
图24为根据本申请实施例提供的预瞄式半主动悬架的控制装置的方框示意图；
图25为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的预瞄式半主动悬架的控制方法、装置、电子设备及存储介质。针对上述背景技术中提到的相关技术未考虑前方路面信息，无法保证车辆的平顺性和舒适性的问题，本申请提供了一种预瞄式半主动悬架的控制方法，在该方法中，通过建立整车半主动悬架的状态空间模型，取四分之一车半主动悬架的状态空间模型作为模型预测控制器设计的预测模型。其次，对磁流变阻尼器进行了外特性测试，获得的磁流变阻尼器的控制电流，活塞运动位移及速度，阻尼力的实验数据，作为神经网络模型辨识数据；并建立随机和凸包两种路面模型。再次，根据磁流变阻尼器的测功数据，采用神经网络辨识的方法分别得到了磁流变阻尼器的正向、逆向模型。最后，取车身垂直加速度为控制输出，取悬架动行程为约束输出，同时考虑磁流变阻尼器的输出上下限，融入路面信息，将路面信息作为可测时变干扰，设计基于道路预瞄的模型预测控制器，由此，本申请实施例可以在保证安全且满足阻尼力和动行程约束的条件下提高乘坐舒适性，能够进一步提升悬架性能。
具体而言，图1为本申请实施例所提供的一种预瞄式半主动悬架的控制方法的流程示意图。
如图1所示，该预瞄式半主动悬架的控制方法包括以下步骤：
在步骤S101中，采集当前时刻的状态信息。
具体地，基于预先建立的模型预测控制器，在当前t时刻采集状态信息x(t)，预测***在未来[t,t+Np]时刻的状态输出
在步骤S102中，基于预先建立的模型预测控制器，根据状态信息预测半主动悬架控制***在预测时域的状态输出向量，并根据状态输出向量得到目标优化函数。
可选地，在一些实施例中，基于预先建立的模型预测控制器，根据状态信息预测半主动悬架控制***在预测时域的状态输出向量，包括：将半主动悬架的状态空间模型离散化得到目标状态空间方程；获取当前状态量和当前时变扰动，并基于当前状态量和当前时变扰动，利用目标状态空间方程得到预测时域的状态输出向量。
具体地，本申请实施例可以取采样时间为0.01s，将半主动悬架建模建立连续状态空间方程离散化得到：
x(k+1)＝Ax(k)+Buu(k)+Bdd(k)
yc(k)＝Ccx(k)+Dcu(k)；
其中：
x(k)为当前状态量，/>u(k)为k时刻的悬架动挠度，/>d(k)为k时刻轮胎的变形量/>控制输出yc为簧载质量加速度：/>
定义预测时域为p，控制时域为m，在预测时域内，根据当前状态量x(k)和时变扰动(路面高度变化率)d(k+i)，i＝0,1…p-1，预测得到的未来p步的状态为：
x(k+1)＝Ax(k)+Buu(k)+Bdd(k)
x(k+2)＝A2x(k)+ABuu(k)+Buu(k+1)+ABdd(k)+Bdd(k+1)
……
x(k+p)＝Apx(k)+Ap-1Buu(k)+Ap-2Buu(k+1)+…+Ap-mBuu(k+m+1)
+Ap-1Bdd(k)+Ap-2Bdd(k+1)+…+Bdd(k+p-1)
根据状态预测过程可以推导出未来p步的被控输出为：
yc(k+1)＝CcAx(k)+CcBuu(k)+CcBdd(k)+Dcu(k+1)
yc(k+2)＝CcA2x(k)+CcABuu(k)+CcBuΔu(k+1)+Dcu(k+2)+CccABdd(k)
+CcBdd(k+1)
……
yc(k+p)＝CcApx(k)+CcAp-1Buu(k)+CcAp-2Buu(k+1)+…+Dcu(k+p)
+CcAp-1Bdd(k)+CcAp-2Bdd(k+1)+…+CcBdd(k+p-1)
将输出预测写成矩阵形式，首先定义***的p步预测输出向量Yp,c(k+1|k)，m步控制输入向量U(k)，p步可测时变扰动D(k)如下：
那么***的预测输出可写为：
Yp,c(k+1|k)＝Sxx(k)+SuU(k)+SDD(k)；
其中：
本申请实施例的预瞄体现在预测***状态和输出时，扰动D(k)是已知的，在滚动优化当中考虑了时变扰动。
可选地，在一些实施例中，根据状态输出向量得到目标优化函数，包括：获取控制时域的输入向量；基于状态输出向量、控制时域的输入向量和当前时变扰动得到目标优化函数。
具体地，为了更大程度的提高舒适性，以车身加速度为优化指标，以悬架动行程和轮胎动变形为约束条件，同时考虑控制输入，建立以预测输出变量和控制输入为优化目标的目标函数为：
J＝||Γy(Yp,c(k+1|k))||2+‖ΓuU(k)‖2；
其中，Γy＝diag(Γy1,Γy2,…,Γyp)，Γu＝diag(Γu1,Γu2,…,Γum)分别为控制输出和控制输入的加权权重系数矩阵。
将预测输出带入目标函数得：
其中，Ep(k+1)＝-Sxx(k)-SDd(k)。
忽略与控制输出u无关的量得到最终的目标函数为：
可选地，在一些实施例中，在基于预先建立的模型预测控制器，根据状态信息预测半主动悬架控制***在预测时域的状态输出向量之前，包括：建立半主动悬架的状态空间模型；对磁流变阻尼器进行外特性测试得到辨识数据，基于辨识数据训练得到磁流变阻尼器的正向模型和逆向模型，并建立随机路面模型和凸包路面模型；基于半主动悬架的状态空间模型、随机路面模型、凸包路面模型、正向模型和逆向模型得到预先建立的模型预测控制器。
具体地，结合图2所示，本申请实施例针对磁流变半主动悬架的控制问题，融入路面信息，实现基于道路预瞄的预测控制。取代表乘坐舒适性的车身垂直加速度为控制输出，取表征安全的操纵稳定性的轮胎动载荷和表征机械限制的悬架动行程为约束输出，同时考虑执行器磁流变阻尼器的输出上下限，根据道路预瞄的思想将路面信即路面高度变化率作为可测时变干扰，设计了道路预瞄模型预测控制器。
为了实现上述发明目的，本申请实施例可以预先建立的模型预测控制器。
首先，建立整车半主动悬架的状态空间模型，取四分之一车半主动悬架的状态空间模型作为模型预测控制器设计的预测模型，其次，对磁流变阻尼器进行了外特性测试，获得的磁流变阻尼器的控制电流，活塞运动位移及速度，阻尼力的实验数据，作为神经网络模型辨识数据；并建立随机和凸包两种路面模型。再次，根据磁流变阻尼器的测功数据，采用神经网络辨识的方法分别得到了磁流变阻尼器的正向、逆向模型。最后，取车身垂直加速度为控制输出，取悬架动行程为约束输出，同时考虑磁流变阻尼器的输出上下限，融入路面信息，将路面信息作为可测时变干扰，设计道路预瞄模型预测控制器。通过仿真实验，对比被动悬架，道路预瞄模型预测控制器可以在保证安全且满足阻尼力和动行程约束的条件下提高乘坐舒适性，能够进一步提升悬架性能。
1.半主动悬架建模。
假设将车身视为集中参数的无阻尼刚性弹簧质量；车身以下、轮胎以上部件视为刚性非簧载质量；忽略轮胎阻尼，仅考虑其刚度作用。建立的整车半主动悬架模型见图3。以各变量的静平衡点为坐标原点，根据牛顿第二定律，得到车辆的动力学方程如下：
其中，ms为簧载质量，mu为非簧载质量，ks为悬架弹簧刚度，kt为轮胎刚度，xs和xu分别为簧载质量和非簧载质量的位移，xr为路面位移输入，c为磁流变阻尼器不可控阻尼，Fd为磁流变阻尼器产生的可控阻尼力。
选择状态x为其中，xs-xu为悬架动行程，/>为簧载质量速度，xu-xr为轮胎形变量，/>为非簧载质量速度，取控制输出yc为簧载质量加速度/>(也称为车身垂直加速度)，取约束输出yb为[xs-xu,xu-xr]T，扰动d为路面高度变化率/>在有预瞄的前提下，路面高度变化率实时可知。建立半主动悬架的状态空间方程如下：
其中：
其中，表1为选取的车辆模型参数。
表1
| 参数 | 簧载质量 | 非簧载质量 | 弹簧刚度 | 轮胎刚度 | 不可控阻尼 |
| 符号 | ms | mu | ks | kt | c |
| 数值 | 345kg | 45kg | 22000(N/m) | 200000(N/m) | 1000(N·s/m) |
2.磁流变减振器的阻尼特性。
磁流变减振器的阻尼特性受电流和活塞速度的影响，活塞运动速度与外部激励速度保持一致，因此活塞运动速度与外部激励速度为一个变量。需要在不同的电流和活塞速度下对减振器进行正弦测试。
(1)推荐的幅值：根据减振器的总行程确定测试幅值为±20mm；
(2)测试速度：四组激励速度(0.052m/s、0.131m/s、0.262m/s、0.524m/s)；
(3)试验方向：垂直方向(初始位置处于减振器中间位置)。
依次通入控制电流：0A、0.1A、…、0.9A、1.0A。获得磁流变阻尼器的特性曲线。其中，图4为活塞运动速度为0.052m/s的磁流变阻尼器的特性曲线，图5为活塞运动速度为0.131m/s的磁流变阻尼器的特性曲线，图6为活塞运动速度为0.262m/s的磁流变阻尼器的特性曲线，图7为活塞运动速度为0.524m/s的磁流变阻尼器的特性曲线。
从F-S曲线可以看出，无论是拉伸还是压缩行程，此磁流变减振器的示功曲线均非常饱满，表明该磁流变减振器具有良好的阻尼耗散特性。在各激励速度下，阻尼力均随线圈中电流值的增加而增加。由F-V曲线可以看出，磁流变减振器的阻尼力随速度变化表现出明显的滞回特性，且随着电流值的增加滞回圈变大，滞回现象更明显。在最低的速度下，正向运动时，阻尼力在[-100N，1200N]内变化，负向运动时，阻尼力在[-1500N，-300N]内变化。在最大速度0.524m/s情况下，正向运动时，阻尼力在[0N，2000N]内变化，负向运动时，阻尼力在[-2500N，0N]内变化。从F-S及F-V曲线可以看出，迟滞环左右、上下对称性较强，有一定的规律性。
因此，磁流变阻尼器的阻尼力主要受活塞运动速度和电流两个因素影响。活塞运动速度对阻尼特性的影响：减振器阻尼力随速度的增大而增大，增大趋势成饱和非线性，即当速度增大到一定程度时阻尼力进入饱和区。电流对阻尼特性的主要影响有：阻尼力随电流增大而增大，且增大趋势同样成饱和非线性。
3.路面输入建模。
在车辆垂向动力学研究中，合理的路面激励模型与车辆模型同样重要，常见的路面激励模型有随机路面激励模型和凸包路面激励模型；随机路面激励，时域内路面起伏情况是随机变化的，与真实路面不平度情况最接近；凸块激励用来模拟真实路面中的凸起，例如减速带、井盖、石块等。
(1)随机路面建模。
测得的路面不平度数据经数据处理后可得到不平度功率谱，路面功率谱密度可表达为：
当车辆以车速v在空间频率为n的路面上行驶时，将空间功率谱密度转换得到对应的时间功率谱：
1)积分白噪声。
路面不平度用一个线性***来描述，输入为随机白噪声，输出为路面不平度位移。随机滤波白噪声的路面功率谱密度为
q＝H(jω)ω；
其中，σ2为白噪声ω的方差，取值为1，q为路面不平度位移。
由此可得：
则可以得到路面不平度的微分时域表达为：
因此路面时域位移可通过对上述白噪声信号积分求解，因此称为白噪声积分法。
2)滤波白噪声。
滤波白噪声是在积分白噪声的基础上考虑了路面谱在低频范围内近似为水平的情况，在路面模型中加入了下截至频率f0，其功率谱密度表达为：
同样可以得到低通滤波传递函数为：
则其时域的位移表达为：
下截至频率f0的取值为0.01Hz附近，以保证上述求解得到的时域路面位移与实际路面谱尽量一致。
(2)凸包路面建模。
凸包路面激励是指由于路面凹凸起伏引起的短暂的高强度路面激励信号，也常被认为是一种短暂性的随机信号。凸起路面的冲击数学模型：
其中，A是凸块高度，v是车速，L是行驶路面上凸块的长度，t0是车辆进入凸块的时间。
(3)路面建模结果。
选用积分白噪声法建立随机路面波形，取车辆行驶速度为v＝30km/h，路面等级为C级，G0取128×10-6m3，选择凸包高度A＝10cm，凸块长度L＝5m，t0＝0.6s。得凸包高度变化曲线、路面高度变化曲线如图8所示。
4.磁流变阻尼器的动力学模型。
磁流变阻尼器的动力学模型可分为正向模型和逆向模型。正向模型用于根据输入电流和活塞相对运动状态预测输出阻尼力，其主要作用是揭示磁流变阻尼器的运行机理、在仿真中可代替真实的阻尼器，在实际控制中作为力传感器。逆向模型用于根据期望控制力和活塞运动状态预测需要的控制电流，在实际控制中起阻尼器控制器的作用。
(1)正向模型。
一个BP神经网络只有一个输入层和一个输出层，隐含层根据实际研究内容的需要可以为一层或多层。输入层节点数量是根据实际研究内容确定，磁流变阻尼器正向模型就是阻尼力模型，在不考虑温度的影响，阻尼力F主要由输入电流、活塞位移以及活塞速度决定，本申请实施例输入层节点数取3，分别为此时刻的电流I、活塞位移S、活塞速度V。需要说明的是，隐含层的层数和神经元数与需要解决的问题的复杂度、实验数据性质等有密切关系，隐含层的结构很大程度上决定着BP网络的训练速度、预测精度等。从理论上说隐含层个数越多精度应该越高，但实际研究表明隐含层神经元设置过多容易过度拟合，且会导致学习时间过长，泛化及适应能力差。本申请实施例选择双隐层神经网络，两个隐含层神经元个数均为12。正向模型结构图9所示。
(2)逆向模型。
磁流变阻尼器逆向模型输入层节点数取3，分别为此时刻的阻尼力F、活塞位移S、活塞速度V，输出层节点为1，为此时此刻的电流I，由于电流本身分布在0-1A，因此无需归一化，两个隐含层神经元个数均为12。具体的逆模型的控制结构如图10所示：
在步骤S103中，根据预设的参考输入向量，计算出满足目标优化函数和预设约束条件的控制序列，并基于控制序列得到目标控制量，以基于目标控制量控制半主动悬架控制***。
其中，半主动悬架需要满足的预设约束条件有：
(1)控制输入约束即可调阻尼力存在上下限：从磁流变阻尼器的特性曲线上可以看出输出的阻尼力分布在[-2500N，2500N]，因此阻尼力的约束可表示为|F|≤Fdmax，其中Fdmax＝2500N，因此控制输入的约束可表示为umin≤u(k+i)≤umax，i＝1,2…,m-1，其中umin＝-2500N，umax＝2500N。
(2)约束输出约束即悬架动行程和轮胎动载荷存在约束：1)悬架动行程约束要求壁面桩基限位块，表示为|xs-xu|≤Smax，其中，Smax为悬架动行程的上限；2)轮胎动载荷约束要求轮胎的动载荷kt(xu-xr)要小于轮胎静载荷fku＝(ms+mu)g，也可以表述为轮胎形变量的约束：因此约束输出满足：ymin≤yb(k+i)≤ymax，i＝1,2…,p，其中
用推导预测输出的方法预测约束输出得：
Yp,b(k+1|k)＝Sx,bx(k)+Su,bU(k)+SD,bD(k)；
将约束输出代入到约束方程整理成标准形式得：
在上述约束方程得目标函数得优化问题转化为典型得二次最优规划问题。在车辆状态可测和路面信息预瞄得条件下，模型预测控制器的求解步骤可以分为：
1.时刻t＝t0给定初始值u0。根据控制模型中的目标函数和约束条件计算k时刻的动力学响应并判断是否满足最优解，若不满足化为QP问题进一步优化求解，此时调用二次规划函数计算最优控制序列[u(k),u(k+1),…u(k+m)]T；
2.制序列的第一个元素u(k)作用于***，并计算下一步状态变量x(k+1)；
3.真时间t<tend时，更新k＝k+1，估计新的预瞄区间的初值u，并以上一步计算的x(k+1)作为当前状态，进入新的优化循环。
具体地，结合图11所示，本申请实施例依据参考输入向量R(k)＝[r(k+1)r(k+2)…r(k+p)]T计算出满足目标函数和约束条件的控制序列u(t+k)，选择控制序列的第一个元素u(y)作为被控***的控制量，作用于实际***。在下一时刻t+1按照同样的方法计算新的控制序列，并实施新的第一个元素u(t+1)。
本领域相关技术人员可以理解的是，MPC(Model-based Predictive Control，模型预测控制器)的基本思想是通过在线求解开环优化问题，获得闭环最优控制的可行解，本质上构成有三部分即预测模型、滚动优化和反馈矫正。
(1)预测模型：预测控制基于模型获得，却不依赖于模型的形式，只要所用模型能够预测***未来的状态即可。常用的模型预测包括卷积模型、状态空间模型、传递函数模型等，近年来有学者还提出神经网络预测模型，即无模型预测控制。
(2)滚动优化：预测控制以未来控制输入为优化目标。在t时刻基于模型预测未来np时刻的状态，根据目标函数和约束条件优化得到未来Nm时刻内的开环输入，并应用第一个控制变量。在t+1时刻预测域变为[t+1,t+Np+1]重复上述过程。
(3)反馈校正：在滚动优化过程中，控制输入是开环优化得到，未考虑闭环未知扰动，这会导致***最优控制的偏离。模型预测控制在每一步中优先检测被控对象的实际输出，并实时修正，提高***的抗干扰能力。
预测控制最显著的特点是显式处理约束，约束往往实际存在，若忽略约束会导致控制性能变差甚至出现***失稳，并开环优化问题考虑约束条件具有以下特点：
(1)显式的形式：约束以其原有的形式表述在开环优化问题中；
(2)在线求解，随时可以增加或者可减少约束；
(3)主动处理约束：预测未来是否有违反约束的情况发生而提前采取控制作用。
需要说明的是，为了在保证安全且满足阻尼力和动行程约束的条件下提高乘坐舒适性，可以设置悬架评价指标，通过控制参数的合理选取，使得车辆在满足动行程的范围内尽可能的提高舒适性。
其中，悬架评价指标可以从乘坐舒适性、悬架动行程和操纵稳定性三方面进行评价。
(1)乘坐舒适性。
汽车平顺性的评价方法分为主观评价和客观评价。主观评价由于个体差异可能导致评价的结果差异较大，评价结果难定。定义均方根植函数为：
其中，N表示待求时域内数据点的个数，为车身垂直加速度。
(2)悬架动行程。
悬架动行程描述了相对于静平衡位置的悬架位移变化程度，悬架动行程应该限制在允许的行程范围内，如果超过限制的上下行程会导致“击穿”现象，严重恶化舒适性。因此，要求将悬架动行程限制在一定位移范围内变化。
|xs-xu|≤Smax；
其中，Smax为悬架动行程的上限。
(3)操纵稳定性。
车辆的操纵稳定性是指轮胎与路面保持接触的能力，也即车轮滤掉来自路面干扰保持行驶稳定性的能力。因此操纵稳定性也叫轮胎接地性。在研究车辆的行驶动力学时，轮胎动变形或车轮动载荷常作为操纵稳定性的评价指标。只有轮胎的动载荷小于静载荷，接地性才能得以保证。
kt(xu-xr)≤fku；
其中，fku＝(ms+mu)g表示轮胎静载荷。
悬架***设计的目标是提高车辆的舒适性，并将悬架动行程和轮胎形变量保持在合理范围内。由于三者之间存在矛盾，不能同时达到最优，以车身加速度为优化目标，以悬架动行程和轮胎动变形为约束条件，通过控制参数的合理选取，使得车辆在满足动行程的范围内尽可能的提高舒适性。
为使本领域相关技术人员进一步了解本申请实施例的预瞄式半主动悬架的控制方法，下面结合具体实施例进行详细阐述。
根据路面输入建模所建立的随机路面和凸包路面来检测所设计的控制器效果，车辆参数选取表1，悬架动行程约束为0.08m。所有仿真实验的目标函数中控制输出和控制输入的权重分别取Γy＝diag(1,1,…,1)，Γu＝diag(0.008,0.008,…,0.008)，预测时域p＝60，控制时域m＝p＝60，所用步长为0.01s，仿真时间3s。
在C级随机路面下，设定车辆在较低的行驶速度30km/h，经过路面时保持车速不变。对比了被动悬架与道路预瞄模型预瞄控制器的控制效果。通过对比车辆车身垂直加速度，悬架动行程，轮胎动静载荷比在不同控制器的实验结果图，如图12、13、14和15所示。在道路预瞄模型预测控制器的作用下车身垂直加速度在一定程度上被降低，并且被动悬架和半主动悬架的悬架动行程均在约束范围内[-0.08m,0.08m]，轮胎动静载荷比均小于1，输出阻尼力也保持在[-2500N，2500N]之间，同样满足约束，因此，仅在底层为前馈求逆控制器下，道路预瞄模型预测控制器可以获得良好的性能输出，并且保证约束输出在范围内。
为进一步检验预测MPC的控制效果，将车速提升到60km/h，经过路面时保持车速不变，对比车身垂直加速度，悬架动行程，轮胎动静载荷比在不同控制器的实验效果图，如图16、17、18和19所示，可以看出，随着车速的提高，道路预瞄模型预测控制器仍然能够降低车身加速度，但是效果不如低速时明显，被动悬架和半主动悬架的悬架动行程，轮胎动静载荷比都有了一定程度的增加，但是都未超过约束范围内，输出阻尼力也在约束范围内，由此说明，在相对较高的车速下，道路预瞄模型预测控制器同样能改善性能输出(车身垂直加速度)，并且满足行驶安全性(轮胎动静载荷比)和机械机构安全性(悬架动行程)以及执行器(阻尼力的约束)。
接下来验证凸包路面下控制器的效果。所选凸包高度A＝10cm，长度L＝5m，汽车在t＝0.6s驶入凸包。行驶车速为30km/h，经过路面时保持车速不变，预测时域＝控制时域＝60，预瞄步长为60步即为0.6s。通过对比被动悬架和道路预瞄模型预测控制器的控制效果，如图20、21、22和23所示。就性能输出而言，半主动悬架在道路预瞄模型预测控制器的作用下可以明显降低车身加速度，相比于被动悬架可以获得更好的乘坐舒适性，针对悬架机械结构约束，被动悬架超出了悬架动行程范围，撞击限位块现象明显，违背了悬架动行程的约束，另外预瞄控制器还降低了轮胎动静载荷比，提高了行驶安全性。
根据本申请实施例提出的预瞄式半主动悬架的控制方法，通过建立整车半主动悬架的状态空间模型，取四分之一车半主动悬架的状态空间模型作为模型预测控制器设计的预测模型。其次，对磁流变阻尼器进行了外特性测试，获得的磁流变阻尼器的控制电流，活塞运动位移及速度，阻尼力的实验数据，作为神经网络模型辨识数据；并建立随机和凸包两种路面模型。再次，根据磁流变阻尼器的测功数据，采用神经网络辨识的方法分别得到了磁流变阻尼器的正向、逆向模型。最后，取车身垂直加速度为控制输出，取悬架动行程为约束输出，同时考虑磁流变阻尼器的输出上下限，融入路面信息，将路面信息作为可测时变干扰，设计基于道路预瞄的模型预测控制器，由此，本申请实施例可以在保证安全且满足阻尼力和动行程约束的条件下提高乘坐舒适性，能够进一步提升悬架性能。
其次参照附图描述根据本申请实施例提出的预瞄式半主动悬架的控制装置。
图24是本申请实施例的预瞄式半主动悬架的控制装置的方框示意图。
如图24所示，该预瞄式半主动悬架的控制装置10包括：采集模块100、预测模块200和控制模块300。
其中，采集模块100，用于采集当前时刻的状态信息。
预测模块200，用于基于预先建立的模型预测控制器，根据状态信息预测半主动悬架控制***在预测时域的状态输出向量，并根据状态输出向量得到目标优化函数。
控制模块300，用于根据预设的参考输入向量，计算出满足目标优化函数和预设约束条件的控制序列，并基于控制序列得到目标控制量，以基于目标控制量控制半主动悬架控制***。
可选地，在一些实施例中，在基于预先建立的模型预测控制器，根据状态信息预测半主动悬架控制***在预测时域的状态输出向量之前，预测模块200，包括：建立单元、测试单元和第一生成单元。
其中，建立单元，用于建立半主动悬架的状态空间模型。
测试单元，用于对磁流变阻尼器进行外特性测试得到辨识数据，基于辨识数据训练得到磁流变阻尼器的正向模型和逆向模型，并建立随机路面模型和凸包路面模型。
第一生成单元，用于基于半主动悬架的状态空间模型、随机路面模型、凸包路面模型、正向模型和逆向模型得到预先建立的模型预测控制器。
可选地，在一些实施例中，预测模块，包括：离散化单元和第二生成单元。
其中，离散化单元，用于将半主动悬架的状态空间模型离散化得到目标状态空间方程。
第二生成单元，用于获取当前状态量和当前时变扰动，并基于当前状态量和当前时变扰动，利用目标状态空间方程得到预测时域的状态输出向量。
可选地，在一些实施例中，预测模块，包括：获取单元和优化单元。
其中，获取单元，用于获取控制时域的输入向量。
优化单元，用于基于状态输出向量、控制时域的输入向量和当前时变扰动得到目标优化函数。
可选地，在一些实施例中，其特征在于，预测输出向量为：
Yp,c(k+1|k)＝Sxx(k)+SuU(k)+SDD(k)；
其中，p为预测时域，Yp,c(k+1|k)为***的p步预测输出向量，x(k)为当前状态量，U(k)为控制输入向量，D(k)为当前时变扰动，Sx为预测时域内状态量的系数矩阵，Su为预测时域内控制输入向量的系数矩阵，SD为预测时域内路面高度变化率的系数矩阵。
可选地，在一些实施例中，目标优化函数为：
其中，J为目标优化函数，Γy为控制输出的加权权重系数矩阵，Γu为控制输入的加权权重系数矩阵，Ep(k+1)为预测时域的下一时刻状态量和路面高度变化量的约束向量。
需要说明的是，前述对预瞄式半主动悬架的控制方法实施例的解释说明也适用于该实施例的预瞄式半主动悬架的控制装置，此处不再赘述。
根据本申请实施例提出的预瞄式半主动悬架的控制装置，通过建立整车半主动悬架的状态空间模型，取四分之一车半主动悬架的状态空间模型作为模型预测控制器设计的预测模型。其次，对磁流变阻尼器进行了外特性测试，获得的磁流变阻尼器的控制电流，活塞运动位移及速度，阻尼力的实验数据，作为神经网络模型辨识数据；并建立随机和凸包两种路面模型。再次，根据磁流变阻尼器的测功数据，采用神经网络辨识的方法分别得到了磁流变阻尼器的正向、逆向模型。最后，取车身垂直加速度为控制输出，取悬架动行程为约束输出，同时考虑磁流变阻尼器的输出上下限，融入路面信息，将路面信息作为可测时变干扰，设计基于道路预瞄的模型预测控制器，由此，本申请实施例可以在保证安全且满足阻尼力和动行程约束的条件下提高乘坐舒适性，能够进一步提升悬架性能。
图25为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器2501、处理器2502及存储在存储器2501上并可在处理器2502上运行的计算机程序。
处理器2502执行程序时实现上述实施例中提供的预瞄式半主动悬架的控制方法。
进一步地，电子设备还包括：
通信接口2503，用于存储器2501和处理器2502之间的通信。
存储器2501，用于存放可在处理器2502上运行的计算机程序。
存储器2501可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器2501、处理器2502和通信接口2503独立实现，则通信接口2503、存储器2501和处理器2502可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图25中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器2501、处理器2502及通信接口2503，集成在一块芯片上实现，则存储器2501、处理器2502及通信接口2503可以通过内部接口完成相互间的通信。
处理器2502可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的预瞄式半主动悬架的控制方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种预瞄式半主动悬架的控制方法，其特征在于，包括以下步骤：
采集当前时刻的状态信息；
基于预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在预测时域的状态输出向量，并根据所述状态输出向量得到目标优化函数；
根据预设的参考输入向量，计算出满足所述目标优化函数和预设约束条件的控制序列，并基于所述控制序列得到目标控制量，以基于所述目标控制量控制所述半主动悬架控制***。
2.根据权利要求1所述的方法，其特征在于，在基于所述预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在所述预测时域的状态输出向量之前，包括：
建立半主动悬架的状态空间模型；
对磁流变阻尼器进行外特性测试得到辨识数据，基于所述辨识数据训练得到所述磁流变阻尼器的正向模型和逆向模型，并建立随机路面模型和凸包路面模型；
基于所述半主动悬架的状态空间模型、所述随机路面模型、所述凸包路面模型、所述正向模型和所述逆向模型得到所述预先建立的模型预测控制器。
3.根据权利要求2所述的方法，其特征在于，所述基于预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在预测时域的状态输出向量，包括：
将所述半主动悬架的状态空间模型离散化得到目标状态空间方程；
获取当前状态量和当前时变扰动，并基于所述当前状态量和当前时变扰动，利用所述目标状态空间方程得到所述预测时域的状态输出向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述状态输出向量得到目标优化函数，包括：
获取控制时域的输入向量；
基于所述状态输出向量、所述控制时域的输入向量和所述当前时变扰动得到所述目标优化函数。
5.根据权利要求3所述的方法，其特征在于，所述预测输出向量为：
Yp,c(k+1|k)＝Sxx(k)+SuU(k)+SDD(k)；
其中，p为预测时域，Yp,c(k+1|k)为***的p步预测输出向量，x(k)为当前状态量，U(k)为控制输入向量，D(k)为当前时变扰动，Sx为预测时域内状态量的系数矩阵，Su为预测时域内控制输入向量的系数矩阵，SD为预测时域内路面高度变化率的系数矩阵。
6.根据权利要求5所述的方法，其特征在于，所述目标优化函数为：
其中，J为所述目标优化函数，Γy为控制输出的加权权重系数矩阵，Γu为控制输入的加权权重系数矩阵，Ep(k+1)为预测时域的下一时刻状态量和路面高度变化量的约束向量。
7.一种预瞄式半主动悬架的控制装置，其特征在于，包括：
采集模块，用于采集当前时刻的状态信息；
预测模块，用于基于预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在预测时域的状态输出向量，并根据所述状态输出向量得到目标优化函数；
控制模块，用于根据预设的参考输入向量，计算出满足所述目标优化函数和预设约束条件的控制序列，并基于所述控制序列得到目标控制量，以基于所述目标控制量控制所述半主动悬架控制***。
8.根据权利要求7所述的装置，其特征在于，在基于所述预先建立的模型预测控制器，根据所述状态信息预测半主动悬架控制***在所述预测时域的状态输出向量之前，所述预测模块，包括：
建立单元，用于建立半主动悬架的状态空间模型；
测试单元，用于对磁流变阻尼器进行外特性测试得到辨识数据，基于所述辨识数据训练得到所述磁流变阻尼器的正向模型和逆向模型，并建立随机路面模型和凸包路面模型；
第一生成单元，用于基于所述半主动悬架的状态空间模型、所述随机路面模型、所述凸包路面模型、所述正向模型和所述逆向模型得到所述预先建立的模型预测控制器。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6任一项所述的预瞄式半主动悬架的控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的预瞄式半主动悬架的控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311810629.8A CN117962538A (zh) | 2023-12-26 | 2023-12-26 | 预瞄式半主动悬架的控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311810629.8A CN117962538A (zh) | 2023-12-26 | 2023-12-26 | 预瞄式半主动悬架的控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117962538A true CN117962538A (zh) | 2024-05-03 |
Family
ID=90853858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311810629.8A Pending CN117962538A (zh) | 2023-12-26 | 2023-12-26 | 预瞄式半主动悬架的控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117962538A (zh) |
-
2023
- 2023-12-26 CN CN202311810629.8A patent/CN117962538A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Theunissen et al. | Preview-based techniques for vehicle suspension control: A state-of-the-art review | |
| Gandhi et al. | Performance analysis of half car suspension model with 4 DOF using PID, LQR, FUZZY and ANFIS controllers | |
| Ren et al. | State observer-based sliding mode control for semi-active hydro-pneumatic suspension | |
| CN100484788C (zh) | 汽车磁流变半主动悬架分姿态协调仿人智能控制方法 | |
| Caponetto et al. | A soft computing approach to fuzzy sky-hook control of semiactive suspension | |
| Soleymani et al. | Adaptive fuzzy controller for vehicle active suspension system based on traffic conditions | |
| Qin et al. | Adaptive nonlinear active suspension control based on a robust road classifier with a modified super-twisting algorithm | |
| 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 | |
| KR102654627B1 (ko) | 차량 제어 장치, 차량 제어 방법 및 차량 제어 시스템 | |
| CN112776551B (zh) | 一种基于运动图式的磁流变悬架半主动控制方法及*** | |
| JP4609767B2 (ja) | システムの最適制御方法 | |
| Zin et al. | An LPV/H~~ Active Suspension Control for Global Chassis Technology: Design and Performance Analysis | |
| Muhammed et al. | Linear-control vs. ADRC for automatic management of the handling-comfort contradiction of a quarter-car system | |
| 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 | |
| CN116080326B (zh) | 半主动悬架的控制方法及*** | |
| Al-Ghanim et al. | Modeling, simulation, and control of half car suspension system using Matlab/Simulink | |
| CN117962538A (zh) | 预瞄式半主动悬架的控制方法、装置、设备及存储介质 | |
| Van Tan | Two‐Layer Parallel Fuzzy Logic Controller Design for Semiactive Suspension System with a Full Car Model | |
| Aldair | Neurofuzzy controller based full vehicle nonlinear active suspension systems | |
| Gustafsson et al. | Neural network controller for semi-active suspension systems with road preview | |
| Wu et al. | Optimal fuzzy control design for half-car active suspension systems | |
| Khan et al. | Neuro-fuzzy wavelets based network for full car active suspension system | |
| IEE et al. | Adaptive speed control of an autonomous vehicle with a comfort objective | |
| Sathishkumar et al. | Reduction of axis acceleration of quarter car suspension using pneumatic actuator and active force control technique | |
| CN113525535B (zh) | 一种基于模糊控制的驾驶室半主动悬置控制方法及装置 |
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 |