基于模糊神經(jīng)PID控制的汽車主動懸架平順性分析與測試

田豐福， 楊金玉

(長春汽車工業(yè)高等?？茖W校， 第一汽車集團公司教育培訓中心, 長春 130013)

基于模糊神經(jīng)PID控制的汽車主動懸架平順性分析與測試

田豐福， 楊金玉

(長春汽車工業(yè)高等專科學校， 第一汽車集團公司教育培訓中心, 長春 130013)

路面的激勵作用會使車輛在行駛過程中產(chǎn)生顛簸和振動，嚴重影響汽車行駛平順性和乘坐舒適性。建立了1/4汽車主動懸架數(shù)學模型，提出一種基于模糊神經(jīng)網(wǎng)絡的控制策略。該方法利用了模糊控制魯棒性強和神經(jīng)網(wǎng)絡控制收斂速度快的特點，對系統(tǒng)參數(shù)進行實時在線調整；同時，以懸架動行程、車輪動載荷以及車身垂直加速度為衡量指標進行仿真分析和測試研究。結果表明，所提出的控制策略可以有效減小汽車在行駛中因路面激勵作用而產(chǎn)生的振動，大幅改善了車輛操縱穩(wěn)定性、汽車行駛平順性及乘坐舒適性，魯棒性強，有一定可借鑒意義。

主動懸架； 模糊神經(jīng)控制； PID控制； 測試

0 引 言

懸架不僅在車輪和車體之間傳遞力矩，還起著緩沖路面激勵的作用，其性能直接決定著車輛的行駛平順性和乘坐舒適性。由于被動懸架的彈簧剛度和阻尼系數(shù)是固定不變的，在汽車行駛過程中無法自動調節(jié)，只有在特定工況才能達到最優(yōu)的工作狀態(tài)，使汽車的動態(tài)性能受到影響。主動懸架采用力發(fā)生器取代被動懸架阻尼元件，可以根據(jù)路面的激勵作用對控制力進行調節(jié)，從而得到最優(yōu)的控制效果[1-2]。目前對主動懸架系統(tǒng)的研究，研究人員提出了各種不同的控制方法，如柴陵江等[3]建立7自由度主動懸架的動力學模型，設計出主動懸架LQG控制器，并采用層次分析法確定各評價指標的加權系數(shù)，降低了車身振動幅度，提高乘坐舒適性。趙強等[4]針對主動懸架模糊PID控制器參數(shù)的最優(yōu)選取問題，利用遺傳算法的全局優(yōu)化能力和并行能力對PID參數(shù)進行優(yōu)化。王振臣等[5]利用人工蜂群算法在線優(yōu)化PID參數(shù)增益，并與神經(jīng)網(wǎng)絡控制相結合，提高了主動懸架的減振效果，且有較強的魯棒性。

懸架是一個多變量、時變性的系統(tǒng)，用簡化的數(shù)學模型不能真實反映出實際控制情況。本研究嘗試將神經(jīng)網(wǎng)絡與模糊推理技術相結合應用于主動懸架系統(tǒng)控制，對PID控制器參數(shù)進行實時調整，實現(xiàn)懸架的最優(yōu)控制。同時，采用仿真分析和現(xiàn)場測試對輪胎動載荷、車身垂直加速度、懸架動行程3個控制指標進行性能評定，從而驗證不同路面激勵條件下，所提出控制策略的可靠性。

1 主動懸架動力學分析

主動懸架由作動器、阻尼和彈簧組成，能夠根據(jù)路面激勵自動調節(jié)懸架系統(tǒng)的參數(shù)，使系統(tǒng)始終在最優(yōu)的狀態(tài)下工作。其工作原理是將傳感器采集到的路面信息傳送給計算機，處理器根據(jù)輸入信息的變化對作動器發(fā)出相應的控制信號，后者產(chǎn)生用于抵消路面激勵的控制力，減小車身振動幅度，實現(xiàn)汽車平順性與舒適性的最佳組合，克服了被動懸架因參數(shù)固定不變而造成的舒適性差問題，主動懸架結構如圖1所示[6-7]。

圖1 主動懸架結構模型

目前汽車懸架系統(tǒng)的建模方式主要包括1/4車、1/2車以及整車3種[8-9]。1/4車模型多用于研究懸架系統(tǒng)控制策略問題；1/2車模型多用于研究不同懸架系統(tǒng)之間參數(shù)匹配問題；整車模型多用于研究車輛的整體運動姿態(tài)問題。以1/4車懸架作為研究對象，對其進行運動學分析。假設車體是剛性的，則懸架動力學微分方程組為[10]：

(1)

式中：m1，m2分別為車輪與車體的質量；k1，k2為輪胎與懸架的剛度；y1，y2為車輪和車體在垂直方向上的位移；s為路面激勵；u為作動器產(chǎn)生的控制力；c為減震器的阻尼系數(shù)。

將模型改寫成狀態(tài)空間形式，即：

(2)

式中：

2 基于模糊神經(jīng)網(wǎng)絡的主動懸架控制策略

主動懸架是一個非常復雜的系統(tǒng)，難以建立精確的數(shù)學模型。要想獲得最優(yōu)的控制效果，需要實時調整參數(shù)，以抵消干擾引起的控制偏差。為此，基于模糊神經(jīng)網(wǎng)絡設計了參數(shù)自學習PID控制器，如圖2所示[11-12]。通過模糊規(guī)則計算神經(jīng)網(wǎng)絡的權重系數(shù)，實現(xiàn)對傳統(tǒng)PID控制器參數(shù)的實時在線調整，從而滿足不同工況條件下的需要。

圖2 模糊神經(jīng)PID控制器結構

本文研究的模糊神經(jīng)網(wǎng)絡模型的拓撲結構包含五層，有2個輸入節(jié)點和3個輸出節(jié)點，如圖3所示[13-14]。輸入節(jié)點分別對應輸出變量的偏差e以及偏差變化率ec，處理后得到的參數(shù)通過輸出節(jié)點分別對應PID控制器的3個參數(shù)。

圖3 模糊神經(jīng)網(wǎng)絡的拓撲結構

AIS的信息是雙向的，一方面需要準確輸入自己的相關信息，他方可以通過AIS識別我方的信息。另一方面，我方可以通過AIS來識別他方的相關信息。

第1層為輸入層。2個節(jié)點分別對應輸入變量，與變換后的誤差及誤差變化率相連接，不作任何計算直接輸送給下一層。

第2層是語言變量層。每個節(jié)點對應一個語言變量值，功能是將輸入量轉換為模糊矢量，作為控制器的輸入，取隸屬度函數(shù)為：

(3)

第3層是模糊推理層。每個節(jié)點代表一條模糊規(guī)則，通過與模糊化層的連接來完成模糊規(guī)則的匹配，通過各相應的權重系數(shù)，計算每條規(guī)則的適用度αj。

第4層是歸一層，用來進行各條規(guī)則適用度的歸一化計算。

第5層是輸出層，將模糊化后的變量清晰化, 與PID控制器的3個參數(shù)相對應。

可見，所設計的模糊神經(jīng)網(wǎng)絡結構實質上是一種多層前饋網(wǎng)絡，可以用誤差反傳的方法來設計調整參數(shù)的學習算法，表達式為：

(4)

式中：ri為目標輸出；yi為實際輸出。

網(wǎng)絡連接權值的學習規(guī)則為：

ωij(k+1)=ωij(k)+η(ri+yi)+λ[ωij(k)-ωij(k-1)]

(5)

式中：η為學習速率；λ為平滑因子，且0<λ<1。

3 仿真分析

路面激勵是引起車輛顛簸振動的最主要因素，通常采用路面不平度來表示不同等級的路面，其表達式為[15]：

(6)

式中：f0為下截止頻率；G0為路面不平度系數(shù)；w(t)為高斯白噪聲；v為汽車時速。.

為模擬路面激勵，在Matlab仿真平臺中建立路面白噪聲模型，得到B級路面激勵曲線，如圖4所示。

為驗證模糊神經(jīng)PID控制策略的可靠性，基于Matlab/Sinmulink 平臺進行仿真分析，選取輪胎的剛度155 kN/m，懸架的剛度16 kN/m，車輪質量48 kg，車體質量320 kg，汽車行駛速度10 m/s，減震器的阻尼系數(shù)1.4 kN·s/m。分別對車身垂直加速度、懸架動行程以及輪胎動載荷3個性能指標進行分析，并與傳統(tǒng)PID控制進行比較，如圖5所示。

從仿真結果看，與傳統(tǒng)PID控制策略相比，模糊神經(jīng)PID控制可以大大提高主動懸架的動態(tài)特性，減小路面激勵對車輛的影響，縮小振動和顛簸的幅度，控制效果好，魯棒性強。

圖4 B級路面模擬曲線

(a) 車身垂直加速度

(b) 懸架動行程

(c) 輪胎動載荷

4 性能測試

為驗證控制策略的有效性，采用模糊神經(jīng)PID控制器對實車進行懸架性能測試。選取坡度<2%的水泥路面作為試驗場地，符合B級路面條件。測試工況1：汽車在所選路面以25 km/h的時速行駛。測試工況2：汽車以相同時速駛過10 cm高的凸塊。根據(jù)測試條件，取車身垂直加速度作為測試指標，結果如圖6所示。

(a) 工況1

(b) 工況2

測試結果表明，與傳統(tǒng)PID控制相比，采用模糊神經(jīng)PID控制的主動懸架在各測試工況下車身垂直加速度的幅值明顯減小，說明該控制方法可大幅提高主動懸架的動態(tài)性能，測試結果同時也驗證了仿真分析的正確性。

5 結 語

針對被動懸架存在的問題，為提高汽車行駛平順性、操縱穩(wěn)定性以及乘坐舒適性，對1/4車主動懸架的控制策略展開研究。首先建立了主動懸架動力學方程，找出影響汽車動態(tài)特性的因素。提出模糊神經(jīng)PID控制策略，實時在線整定主動懸架的參數(shù)，使系統(tǒng)始終保持在最優(yōu)的控制狀態(tài)，使之適應實際路面環(huán)境的不斷變化。最后，取輪胎動載荷、車身垂直加速度、懸架動行程作為評價指標進行仿真和測試。結果表明，應用模糊神經(jīng)PID控制策略的主動懸架能有效克服路面激勵，減小車體的振動幅度和速度，與傳統(tǒng)控制算法相比，該策略響應速度快，抗干擾能力強，大大提高和改善了車輛行駛穩(wěn)定性和乘坐舒適性。

[1] 周長城.汽車平順性與懸架系統(tǒng)設計[M]. 北京:機械工業(yè)出版社，2011.

[2] Eltantawie M A. Decentralized neuron-fuzzy control for half car with semi-active suspension system[J]. International Journal of Automotive Technology, 2012, 13(3): 423-431.

[3] 柴陵江，孫 濤，馮金芝，等. 基于層次分析法的主動懸架LQG控制器設計[J]. 汽車工程，2010，32(8)：712-718.

[4] 趙 強，何 法，王 鑫，等. 基于遺傳算法優(yōu)化的車輛主動懸架模糊PID控制[J]. 重慶理工大學學報(自然科學)，2016，30(2)：6-11.

[5] 王振臣，趙 莎，楊 康. 汽車主動懸架單神經(jīng)元PID控制器設計[J]. 機械設計與制造，2013(11)：29-32.

[6] Liu Xiao-bin, Liu Xiao-jin. Design and simulation of active suspension system based on the LQG controller [J]. Journal of Lanzhou University of Technology, 2014, 40(2):33-36.

[7] Yim S, Park Y, Yi K. Design of active suspension and electronic stability program for rollover prevention[J].International Journal of Automotive Technology, 2010, 11(2): 147-153.

[8] 邱 權, 鄭 玲.自傳感磁流變半主動懸架滑模觀測及控制[J]. 汽車工程學報,2013,5(9):345-353.

[9] Eltantawie M A. Decentralized neuro-fuzzy control for half car with semi-active suspension system[J].International Journal of Automotive Technology, 2012, 13(3): 423-431.

[10] Alyaqout S F, Papalambros P Y, Ulsoy A G. Combined design and robust control of a vehicle passive/active suspension[J]. International Journal of Vehicle Design, 2012, 59(4): 315-330.

[11] 樓少敏，付 振，許滄栗.整車半主動懸架滑?？刂破鞯脑O計與仿真[J].汽車工程， 2010,32(8):719-726.

[12] Demir O, Keskin I, Cetin S. Modeling and control of a nonlinear half-vehicle suspension system: a hybrid fuzzy logic approach [J]. Nonlinear Dynamics, 2012, 67(3): 2139-2151.

[13] 王 東.優(yōu)化PID與神經(jīng) PID 控制主動懸架的性能對比研究[J]. 機械設計與制造, 2011(10):96-98.

[14] 陳 龍，黃 晨.基于懸架效用函數(shù)的車身姿態(tài)控制[J].農(nóng)業(yè)機械學報，2011,42(8):15-25.

[15] 樓少敏，付 振，許滄栗.基于滑模理論的主動懸架控制[J].汽車工程，2010,32(5):434-438.

Analysis and Test of Ride Comfort of Vehicle Active Suspension Based on Fuzzy Neural PID Control

TIANFengfu，YANGJinyu

(Changchun Automobile Industry Institute, China First Automobile Group Corporation, Changchun 130013, China)

The excitation of road surface causes the vehicle to produce bump and vibration in the traveling process, affects the automobile ride comfort. This study established a 1/4 car active suspension model, proposed a control strategy based on fuzzy neural network. The design made full use of strong robustness of fuzzy control and fast convergence of neural network, could real-time adjust system parameters. Tests and simulation analyses of suspension dynamic travel, wheel dynamic changes in load, and the vertical acceleration of the body research were carried out. The results show that the proposed control strategy can effectively reduce the vibration caused by road excitation and produce, improve vehicle handling stability, ride comfort, strong robust, has certain reference significance.

active suspension; fuzzy neural control; PID control; tests

2016-09-19

吉林省科技發(fā)展計劃項目 (201303040NY)

田豐福(1983-)，男，內蒙古興安盟人，講師，現(xiàn)主要從事汽車維修與電子技術研究。

Tel.:13644304021； E-mail:yangjinyu-yjy@163.com

U 461.4

A

1006-7167(2017)05-0044-04