車輛懸架系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制算法

吳皓，劉淼

（201620 上海市 上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院）

0 引言

懸架是車架（或承載式車身）與車橋（或車輪）之間的一切傳力連接裝置的總稱[1]，它的功用是把路面作用于車輪上的垂直反力（支撐力）、縱向反力（驅(qū)動力和制動力）和側(cè)向反力以及這些反力所造成的力矩傳遞到車架（或承載式車身）上，以保證汽車的正常行駛。隨著汽車行業(yè)的迅猛發(fā)展，懸架的結(jié)構(gòu)形式也越來越豐富多樣，但總的來說懸架系統(tǒng)都是由彈性元件、減震器、導(dǎo)向機(jī)構(gòu)三大部分組成。王瑞[2]以車身加速度、懸架動撓度以及輪胎動載荷為車輛系統(tǒng)的評價指標(biāo)，利用三維建模軟件建立了懸架系統(tǒng)機(jī)械模型，結(jié)合仿真軟件對其進(jìn)行了仿真實驗與分析；朱華[3]通過動力學(xué)模型研究半主動控制對車輛性能的改善；CROLLA和ABDEL-HADY[4]建立了懸架系統(tǒng)模型，將汽車的前輪數(shù)據(jù)作為反饋信號，研究不同車速下汽車前后輪的時滯性問題，實驗證明半主動懸架的性能相比被動懸架性能更好。針對汽車懸架使用最優(yōu)控制時評價指標(biāo)難以客觀選擇加權(quán)系數(shù)的問題，武柏安[5]等提出了一種基于遺傳算法的半主動懸架最優(yōu)控制方法，結(jié)果顯示，遺傳算法確實能提高汽車的平順性；KARNOOP 為汽車主動懸架的研發(fā)提供了一種有效的控制方法即架空方法，是在車輛的簧載質(zhì)量上增加一個與絕對速度成正比的力而展開的研究方法；也有研究人員利用線性懸架模型在算點周圍進(jìn)行線性化，控制算法如LQG 和強(qiáng)度控制法從線性模型推導(dǎo)出來[6]。

由于汽車懸架固有的非線性特征，上述方法并不能很好地發(fā)揮半主動懸架的性能，為了改善汽車懸架系統(tǒng)的性能，科研人員嘗試應(yīng)用智能控制技術(shù)如模糊邏輯控制、神經(jīng)網(wǎng)絡(luò)控制及神經(jīng)模糊控制技術(shù)等[7-8]。本文提出一種神經(jīng)模糊適應(yīng)性控制算法，并運(yùn)用控制器控制懸架的振動，從而提高車輛的乘坐舒適性。

1 神經(jīng)模糊適應(yīng)性控制算法

神經(jīng)模糊控制系統(tǒng)由再生神經(jīng)網(wǎng)絡(luò)與神經(jīng)模糊網(wǎng)絡(luò)組成，其具體如圖1 所示。

圖1 神經(jīng)模糊控制系統(tǒng)結(jié)構(gòu)圖Fig.1 Neuro-fuzzy control system structure diagram

在網(wǎng)絡(luò)中，

yd（t）——期望輸出；

y（t）——系統(tǒng)的實際輸出；

x1（t）——實際輸出與預(yù)期輸出間的誤差；

x2（t）——實際輸出與預(yù)期輸出間的誤差率。

神經(jīng)模糊網(wǎng)絡(luò)為適應(yīng)性控制區(qū)，它在使用過程中具有學(xué)習(xí)與控制的能力，而再生神經(jīng)網(wǎng)絡(luò)的功能是確定車輛懸架模型的參數(shù)，所以在系統(tǒng)中只要給定x1（t）、x2（t）的數(shù)值，神經(jīng)模糊控制器（如圖2所示）就會按照一定的運(yùn)行規(guī)則產(chǎn)生信號u（t）。例如，若x1（t）視為Xi，x2（t）視為Yi，那么u（t）即為Zi，其中的Xi、Yi、Zi均為模糊子集，L1、L2、L3為神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的系數(shù)，語句變量全集各自定義為

圖2 神經(jīng)模糊控制器示意圖Fig.2 Schematic diagram of neuro-fuzzy controller

神經(jīng)模糊控制器由4 個部分構(gòu)成，其第1 層與第2 層類似于模糊語句的if 部分，第3 層是界面，最后一層是語句的then 部分，集合分別分為7 個子集，模糊集合按照一定的規(guī)則組成，在本文的研究中定義為如式（4）的函數(shù)。神經(jīng)網(wǎng)絡(luò)控制器的算法是基于梯度向下并通過誤差信號傳遞的，利用誤差傳回算法能夠有效地將成本函數(shù)降低到最小值，從而實現(xiàn)接觸重量的改善。

2 再生神經(jīng)網(wǎng)絡(luò)懸架模型算法

再生神經(jīng)網(wǎng)絡(luò)處于隱藏層，它實際上是一個3層神經(jīng)網(wǎng)絡(luò)（含有局域反饋環(huán)），它會通過學(xué)習(xí)周圍的環(huán)境，同時調(diào)整施加在自身身上的重量來改善自身的性能，其結(jié)構(gòu)圖如圖3 所示。

圖3 神經(jīng)網(wǎng)絡(luò)模型圖Fig.3 Neural network model diagram

圖3 中：I1(t)、I2(t)——輸入信號；（t）——隱藏層的神經(jīng)元輸出；Sj(t)——隱藏層內(nèi)神經(jīng)元發(fā)生反應(yīng)的的中輸出。所以有式（5）—式（7），而隱藏層內(nèi)神經(jīng)元的激活函數(shù)為S形曲線函數(shù)。

其中：wijI，wjo，wjD——再生神經(jīng)網(wǎng)絡(luò)的重量；Xj（t）——神經(jīng)元的輸出P、q——輸入神經(jīng)元數(shù)量及反饋神經(jīng)元數(shù)量

其目標(biāo)函數(shù)可以根據(jù)誤差信號函數(shù)定義為:

式中：e（t）——誤差信號；E（t）——瞬態(tài)值。

對重量調(diào)整是連續(xù)與逐步的，直至系統(tǒng)到達(dá)穩(wěn)定的狀態(tài)。

將E（t）對重量矢量w求導(dǎo)可得：

對式（1）—式（3）分別求偏導(dǎo)后進(jìn)行分析，得到再生公式：

計算出接觸調(diào)整后，接觸重量的校正值：

式中：η——斜率。

為求得斜率，需要對算法進(jìn)行收斂性分析。根據(jù)式（8）、式（9）調(diào)整重量矢量參數(shù)w，建立函數(shù)如下：

由函數(shù)可知，其變量為ΔV（t），對其多次迭代后被確定下來。

根據(jù)它們的誤差信號，e（t）可表示為

而多次迭代后可知，ΔV（t）＜0，即再生訓(xùn)練算法是收斂的。

3 實驗結(jié)果與分析

為了證明本文提出的神經(jīng)控制算法的有效性，制作了一輛帶有磁流變液減振器的試驗用車輛懸架，懸架由一個微處理器、多個加速傳感器、多個減震器與一個12 V 的可控電流電源組成。將處理器分別裝在有簧支持的質(zhì)量體與無簧支持的質(zhì)量體上，在車輛行駛時通過傳感器接收來自懸架的振動信號，然后依據(jù)信號的振動與控制方案，車輛上的處理器通過控制磁流變減震器信號，控制懸架的阻尼。另外，通過控制阻尼道里的磁流變液的流動性，可以讓減震器中的線圈產(chǎn)生磁場，從而改變車輛懸架的壓縮性與阻尼器的阻尼力。

將載有基于神經(jīng)網(wǎng)絡(luò)控制的車輛主動懸架的車輛和安裝常規(guī)被動懸架系統(tǒng)的車輛分別以30，40，50 km/h 的速度行駛在相同的路面（D 級路面）上，進(jìn)行各種條件測試。表1 所列測試結(jié)果顯示，采用基于神經(jīng)網(wǎng)絡(luò)控制的車輛主動懸架的車輛比安裝常規(guī)被動懸架系統(tǒng)的車輛更能有效減輕振動能量的頻譜密度。

表1 微車懸架道路試驗結(jié)果（D 級路面）Tab.1 Road test results of micro-vehicle suspension(D-grade road surface)

圖4 是車輛上安裝基于神經(jīng)網(wǎng)絡(luò)控制的車輛主動懸架與安裝常規(guī)被動懸架系統(tǒng)的車輛的振動能量頻譜密度對比圖。

圖4 懸架的振動能量頻譜密度圖Fig.4 Spectral density diagram of vibration energy of suspension

從圖4 可見，利用本文提出的神經(jīng)網(wǎng)絡(luò)控制可以改善車輛的懸架性能，尤其是在諧振峰上表現(xiàn)良好。

如果應(yīng)用模糊控制理論改善減振器和懸架設(shè)計，具備神經(jīng)網(wǎng)絡(luò)控制的主動懸架系統(tǒng)將大大改善汽車駕乘人員的乘坐舒適性和駕駛員的操作穩(wěn)定性，有效減少汽車在行駛過程中產(chǎn)生的打滑現(xiàn)象。

4 結(jié)論

為了提高車輛懸架系統(tǒng)的性能，本文提出了一種算法，為了驗證該算法的有效性，制作了一輛帶減振器的試驗用車輛懸架，將載有基于神經(jīng)網(wǎng)絡(luò)控制的車輛主動懸架的車輛和安裝常規(guī)被動懸架系統(tǒng)的車輛以不同的速度行駛在相同的路面上進(jìn)行測試。實驗結(jié)果表明，安裝再生神經(jīng)網(wǎng)絡(luò)和運(yùn)用神經(jīng)模糊控制方法的車輛以不同速度行駛時，可以有效改善減震性能，從而大大提高駕乘人員的駕駛舒適性。此外本研究存在一定的局限性，本文使用的控制算法、結(jié)構(gòu)設(shè)計、仿真試驗等都局限于車輛懸架系統(tǒng)的特定參數(shù)，如果研究者在此基礎(chǔ)上繼續(xù)研究，并將這些數(shù)據(jù)合理改變運(yùn)用到其他車型的懸架系統(tǒng)中，且繼續(xù)進(jìn)行建模、仿真甚至實車實驗，本文提出的神經(jīng)網(wǎng)絡(luò)控制算法是否還能繼續(xù)提高駕乘人員的乘坐舒適性則有待論證。