|
一、前言 汽車懸架系統對車輛行駛平順性、乘坐舒適性和操縱穩定性有很大影響。傳統的被動懸架只能被動地存儲和吸收外界能量,不能主動適應車載質量、輪胎剛度等車輛參數和路面激勵的變化,大大制約了車輛性能的提高。主動懸架克服了傳統被動懸架的諸多局限,使懸架系統對不同運行工況具有最大程度的適應能力。 由于懸架系統的模型參數往往不確定,路面激勵未知且可變,研究開發出各種自適應控制策略應用于主動懸架控制,主要有模型參考自適應控制、自校正控制和神經網絡自適應控制。文獻提出了以理想天棚阻尼控制為參考模型的自適應控制策略,但在設計中需要選擇一個合適的Lyapunov函數,這要求有一定的理論知識和實踐經驗,否則不易獲得較好的自適應規律。文獻的自校正控制需要首先在線估計模型參數或控制器參數,然后再綜合控制律,是一種依賴于模型的解析設計方法,且比一般的常規控制器要復雜。文獻采用神經網絡間接自適應控制,充分利用神經網絡在非線性處理和自學習、自適應方面的優勢,但基于多層結構的神經網絡結構相對復雜,又因采用了S型作用函數而計算量較大,在線調節權重用時較長,不宜于實時在線控制。 文獻提出了一種基于單個自適應神經元的非模型直接控制方法。它的顯著特點是無需進行系統建模,充分利用神經元的關聯搜索和學習能力來實現控制目的。該控制器結構非常簡單,運算量小,實時性好,控制品質優,對模型參數的變化和外界擾動具有較強的適應性和魯棒性。自適應神經元控制已被成功應用于電力系統、汽車防抱制動系統、醫療藥品注射系統等。作者針對汽車主動懸架,設計一個自適應神經元控制器,研究系統在隨機路面激勵下的減振效果,同時考察控制器在變參數條件下的魯棒性。 二、主動懸架系統的動力學模型 選取二自由度1/4主動懸架為研究對象,如圖1所示。動力學方程為 式中ms為車身質量,mt為簧下質量,ks為懸架彈簧剛度,b為懸架阻尼系數,kt為輪胎剛度,u為懸架系統的主動控制力,q、xs、xt分別為路面垂向輸入位移、車身位移和簧下質量位移。 選取系統狀態變量X、輸入變量U和輸出變量Y分別為 三、自適應神經元控制器的設計 文獻[6＞提出了一種適于控制的自適應單神經元模型,它既可以利用神經網絡的優點,又能適應于快速過程實時控制的要求。其相應的自適應神經元控制系統如圖2所示。 四、仿真計算及分析 根據以上自適應神經元控制算法,利用Matlab615中的Simulink510工具箱,通過搭建系統模塊來實現模擬仿真,所得自適應神經元控制器的Simulink仿真模型見圖3。為證實其減振效果,還與被動懸架、傳統的PID控制懸架進行了性能對比。 所用的懸架模型參數名義值[10＞ms=240kg,mt=36kg,ks=16kN/m,b=980N·s /m,kt=160kN/m。以C級路面的垂直速度為激勵輸入進行仿真。路面不平度系數Gq（n0）=256×10-6m2/m-1,車速v=20m /s,參考空間頻率n0=0.1m-1,速度功率譜密度為一白噪聲Gq·（f）=4π2Gq（n0）n20v。仿真中神經元控制器參數為:學習速率 d1=30,d2=63.3,d3=15.9；比例系數k=148.7；采樣周期為0.01s。 仿真時,先對模型參數取名義值進行驗證；然后將懸架參數的車身質量增加20%,同時輪胎剛度下降20%,考察控制器在模型參數變化時的適應能力。以上兩種情況著重考察車身加速度響應,見圖4及圖5；根據懸架系統時域輸出仿真數據,計算車身加速度、懸架動撓度、車輪動位移的均方根值及綜合性能指數J,如表 1所示。 由圖4和表1可知,在名義參數情況下,兩種主動懸架都能有效地降低車身加速度,改善平順性。盡管懸架動撓度有所增大,但車輛的綜合性能仍得到了改進。而且,自適應神經元控制下的車輪動位移也有一定程度的改善,其綜合減振效果要明顯優于PID控制。由圖5和表1可見,在懸架參數變化時,兩種主動懸架仍然都能減少車身加速度,有效地改善平順性。自適應神經元控制的減振效果仍然優于PID控制。由此表明:自適應神經元控制能有效地跟隨模型參數的變化,將車身加速度控制在一個較好的范圍內,降低了參數不確定性對車輛平順性能的影響；雖然神經元控制的懸架動撓度、車輪動位移相對被動懸架有所增大,但相對PID控制仍有改善,尤其是其綜合性能也得到了改進。 五、結論 （1）車輛主動懸架的自適應神經元控制器的仿真結果表明:該控制器能有效地改善車輛的綜合性能,尤其是車輛運行的平順性和舒適性,而且魯棒性好,對模型參數的變化具有一定的適應性,便于實現和應用。 （2）需要進一步研究控制器對不同路面激勵的適應性,以完善主動懸架的性能。 （3）應對控制過程的實用化作深一步的研究,比如考慮作動器的非線性、時滯等因素的影響。 |
