汽车主动悬架的单神经元自适应控制

一、前言
　　汽车悬架系统对车辆行驶平顺性、乘坐舒适性和操纵稳定性有很大影响。传统的被动悬架只能被动地存储和吸收外界能量,不能主动适应车载质量、轮胎刚度等车辆参数和路面激励的变化,大大制约了车辆性能的提高。主动悬架克服了传统被动悬架的诸多局限,使悬架系统对不同运行工况具有最大程度的适应能力。
　　由于悬架系统的模型参数往往不确定,路面激励未知且可变,研究开发出各种自适应控制策略应用于主动悬架控制[1>,主要有模型参考自适应控制、自校正控制和神经网络自适应控制。文献[2>提出了以理想天棚阻尼控制为参考模型的自适应控制策略,但在设计中需要选择一个合适的Lyapunov函数,这要求有一定的理论知识和实践经验,否则不易获得较好的自适应规律。文献[3>、文献[4>的自校正控制需要首先在线估计模型参数或控制器参数,然后再综合控制律,是一种依赖于模型的解析设计方法,且比一般的常规控制器要复杂。文献[5>采用神经网络间接自适应控制,充分利用神经网络在非线性处理和自学习、自适应方面的优势,但基于多层结构的神经网络结构相对复杂,又因采用了S型作用函数而计算量较大,在线调节权重用时较长,不宜于实时在线控制。
　　文献[6>提出了一种基于单个自适应神经元的非模型直接控制方法。它的显著特点是无需进行系统建模,充分利用神经元的关联搜索和学习能力来实现控制目的。该控制器结构非常简单,运算量小,实时性好,控制品质优,对模型参数的变化和外界扰动具有较强的适应性和鲁棒性。自适应神经元控制已被成功应用于电力系统、汽车防抱制动系统、医疗药品注射系统等[7-9>。作者针对汽车主动悬架,设计一个自适应神经元控制器,研究系统在随机路面激励下的减振效果,同时考察控制器在变参数条件下的鲁棒性。
　　二、主动悬架系统的动力学模型
　　选取二自由度1/4主动悬架为研究对象,如图1所示。动力学方程为

　　式中ms为车身质量,mt为簧下质量,ks为悬架弹簧刚度,b为悬架阻尼系数,kt为轮胎刚度,u为悬架系统的主动控制力,q、xs、xt分别为路面垂向输入位移、车身位移和簧下质量位移。
　　选取系统状态变量X、输入变量U和输出变量Y分别为

　　三、自适应神经元控制器的设计
　　文献[6>提出了一种适于控制的自适应单神经元模型,它既可以利用神经网络的优点,又能适应于快速过程实时控制的要求。其相应的自适应神经元控制系统如图2所示。

　　四、仿真计算及分析
　　根据以上自适应神经元控制算法,利用Matlab615中的Simulink510工具箱,通过搭建系统模块来实现模拟仿真,所得自适应神经元控制器的Simulink仿真模型见图3。为证实其减振效果,还与被动悬架、传统的PID控制悬架进行了性能对比。
　　所用的悬架模型参数名义值[10>
　　ms=240kg,mt=36kg,ks=16kN/m,b=980N·s/m,kt=160kN/m。以C级路面的垂直速度为激励输入进行仿真。路面不平度系数Gq（n0）=256×10-6m2/m-1,车速v=20m/s,参考空间频率n0=0.1m-1,速度功率谱密度为一白噪声Gq·（f）=4π2Gq（n0）n20v。仿真中神经元控制器参数为:学习速率d1=30,d2=63.3,d3=15.9；比例系数k=148.7；采样周期为0.01s。

　　仿真时,先对模型参数取名义值进行验证；然后将悬架参数的车身质量增加20%,同时轮胎刚度下降20%,考察控制器在模型参数变化时的适应能力。以上两种情况着重考察车身加速度响应,见图4及图5；根据悬架系统时域输出仿真数据,计算车身加速度、悬架动挠度、车轮动位移的均方根值及综合性能指数J,如表1所示。

　　由图4和表1可知,在名义参数情况下,两种主动悬架都能有效地降低车身加速度,改善平顺性。尽管悬架动挠度有所增大,但车辆的综合性能仍得到了改进。而且,自适应神经元控制下的车轮动位移也有一定程度的改善,其综合减振效果要明显优于PID控制。由图5和表1可见,在悬架参数变化时,两种主动悬架仍然都能减少车身加速度,有效地改善平顺性。自适应神经元控制的减振效果仍然优于PID控制。由此表明:自适应神经元控制能有效地跟随模型参数的变化,将车身加速度控制在一个较好的范围内,降低了参数不确定性对车辆平顺性能的影响；虽然神经元控制的悬架动挠度、车轮动位移相对被动悬架有所增大,但相对PID控制仍有改善,尤其是其综合性能也得到了改进。
　　五、结论
　　（1）车辆主动悬架的自适应神经元控制器的仿真结果表明:该控制器能有效地改善车辆的综合性能,尤其是车辆运行的平顺性和舒适性,而且鲁棒性好,对模型参数的变化具有一定的适应性,便于实现和应用。
　　（2）需要进一步研究控制器对不同路面激励的适应性,以完善主动悬架的性能。
　　（3）应对控制过程的实用化作深一步的研究,比如考虑作动器的非线性、时滞等因素的影响。