CN103116273A - 工程运输车行驶综合性能控制系统及方法 - Google Patents

Abstract

本发明公开了一种工程运输车行驶综合性能控制系统及方法，包括PID控制模块、模糊控制模块、神经网络模块；模糊控制模块对PID控制模块的三个参数K_P、K_I、K_D进行调节，神经网络模块通过在线学习功能来调整模糊控制规则，PID控制模块对工程运输车辆行驶综合性能进行控制。结合各种控制技术的优点，把BP神经网络控制、模糊控制以及PID控制三种控制方法相结合，将该控制器应用于工程运输车辆座椅悬架系统，能明显提高工程运输车辆行驶综合性能。

Description

工程运输车行驶综合性能控制系统及方法

技术领域

本发明涉及一种工程运输车行驶综合性能控制技术，尤其涉及一种工程运输车行驶综合性能控制系统及方法。

背景技术

在绝大多数建筑工程机械化的施工过程中，工程机械是必不可少的装备，一些工程领域诸如公共建筑、市政道路、桥梁等都会应用到工程运输车辆。

恶劣的作业条件、复杂的地形以及毫无规律可言的作业阻力等，使得工程车辆在行驶或作业过程中必然会伴随着强烈的颠簸和冲击。作业过程中产生的振动直接影响着是否可以高效可靠地完成一定的作业任务，也直接影响着司机的疲劳状态、反应及协调能力，同时也关乎司机的身心健康。为了保证工程运输车辆完成作业任务，并且减少对司机的身心健康的损害，降低车辆的振动显得尤为重要。运输车辆的操纵安全性和乘坐舒适性关系到车辆行驶及作业的可靠性，关系到这一产品在新时期的竞争力。

现有技术中的工程运输车行驶综合性能控制方法主要有PID控制和模糊控制两种：

传统PID控制是基于被控对象的数学模型以及对控制系统要求的性能指标来设计控制器的，而且可以对控制规律加以数学描述；而模糊控制是根据专家经验和知识总结出的一些模糊控制规则，构成了描述非线性、复杂系统的模糊关系，是通过被控对象输出偏差和偏差的变化与模糊关系的推理来合成从而得到控制量的，然后对系统性能进行控制的一种智能控制方法。

上述两种控制方法均属于能用显式表达的控制方法，控制的效果也不尽满意。

发明内容

本发明的目的是提供一种控制效果好的工程运输车行驶综合性能控制系统及方法。

本发明的目的是通过以下技术方案实现的：

本发明的工程运输车行驶综合性能控制系统，包括PID控制模块、模糊控制模块、神经网络模块；

所述模糊控制模块通过以下模糊控制规则对PID控制模块的三个参数K_P、K_I、K_D进行调节：

$U=-[\∂E+(1-\∂)C],\∂\∈\left[\mathrm{0,1}\right]$

其中：

为模糊控制的修正因子，E是偏差的变化量经过模糊化的模糊量，C是偏差的变化率经过模糊化的模糊量，U代表K_P、K_I或K_D；

所述神经网络模块通过在线学习功能来调整所述模糊控制规则中的

值，得到满足条件的模糊控制规则；

所述PID控制模块对工程运输车辆行驶综合性能进行控制。

本发明的上述的工程运输车行驶综合性能控制系统实现BP神经网络模糊PID控制的方法，包括步骤：

第一步，选择合适的BP神经网络结构，也就是要确定神经网路的层数、各层的节点数；

第二步，需要选择合适的学习速率和惯性系数，然后再给出各层的加权系数初始值；

第三步，通过采样获得系统的输入量r(k)和输出量y(k)，然后计算出误差e(k)＝y(k)-r(k)；

第四步，调整模糊规则的修正因子

；

第五步，利用模糊控制在线调整PID控制器的三个参数；

第六步，根据PID模块中的控制算法得出u(k)，然后将其输入到被控对象即工程车辆座椅悬架系统；

第七步，根据神经网络模块中输出层和隐含层的修正加权系数的公式得出修正系数；

第八步，最后令k＝k+1返回到第三步进行循环计算。

由上述本发明提供的技术方案可以看出，本发明实施例提供的工程运输车行驶综合性能控制系统及方法，结合各种控制技术的优点，把BP神经网络控制、模糊控制以及PID控制三种控制方法相结合设计出的一种基于BP神经网络的自适应模糊PID控制器，将该控制器应用于工程运输车辆座椅悬架系统，提高工程运输车辆行驶综合性能。

附图说明

图1为本发明实施例提供的工程运输车行驶综合性能控制系统的结构示意图；

图2a1、图2a2分别为被动悬架中乘员垂直加速度随时间和频率变化的曲线图；

图2b1、图2b2分别为PID控制悬架中乘员垂直加速度随时间和频率变化的曲线图；

图2c1、图2c2分别为模糊PID控制悬架中乘员垂直加速度随时间和频率变化的曲线图；

图2d1、图2d2分别为本发明实施例中神经网络模糊PID控制悬架中乘员垂直加速度随时间和频率变化的曲线图；

图3a1、图3a2分别为被动悬架中车身俯仰角加速度随时间和频率变化的曲线图；

图3b1、图3b2分别为PID控制悬架中车身俯仰角加速度随时间和频率变化的曲线图；

图3c1、图3c2分别为模糊PID控制悬架中车身俯仰角加速度随时间和频率变化的曲线图；

图3d1、图3d2分别为本发明实施例中神经网络模糊PID控制悬架中车身俯仰角加速度随时间和频率变化的曲线图；

图4a1、图4a2分别为被动悬架中前悬架动挠度随时间和频率变化的曲线图；

图4b1、图4b2分别为PID控制悬架中前悬架动挠度随时间和频率变化的曲线图；

图4c1、图4c2分别为模糊PID控制悬架中前悬架动挠度随时间和频率变化的曲线图；

图4d1、图4d2分别为本发明实施例中神经网络模糊PID控制悬架中前悬架动挠度随时间和频率变化的曲线图；

图5a1、图5a2分别为被动悬架中后悬架动挠度随时间和频率变化的曲线图；

图5b1、图5b2分别为PID控制悬架中后悬架动挠度随时间和频率变化的曲线图；

图5c1、图5c2分别为模糊PID控制悬架中后悬架动挠度随时间和频率变化的曲线图；

图5d1、图5d2分别为本发明实施例中神经网络模糊PID控制悬架中后悬架动挠度随时间和频率变化的曲线图；

图6a1、图6a2分别为被动悬架中前悬架动载荷随时间和频率变化的曲线图；

图6b1、图6b2分别为PID控制悬架中前悬架动载荷随时间和频率变化的曲线图；

图6c1、图6c2分别为模糊PID控制悬架中乘员垂直加速度随时间和频率变化的曲线图；

图6d1、图6d2分别为本发明实施例中神经网络模糊PID控制悬架中前悬架动载荷随时间和频率变化的曲线图；

图7a1、图7a2分别为被动悬架中后悬架动载荷随时间和频率变化的曲线图；

图7b1、图7b2分别为PID控制悬架中后悬架动载荷随时间和频率变化的曲线图；

图7c1、图7c2分别为模糊PID控制悬架中后悬架动载荷随时间和频率变化的曲线图；

图7d1、图7d2分别为本发明实施例中神经网络模糊PID控制悬架中后悬架动载荷随时间和频率变化的曲线图。

具体实施方式

下面将对本发明实施例作进一步地详细描述。

本发明的工程运输车行驶综合性能控制系统，其较佳的具体实施方式是：

包括PID控制模块、模糊控制模块、神经网络模块；

所述模糊控制模块通过以下模糊控制规则对PID控制模块的三个参数K_P、K_I、K_D进行调节：

$U=-[\∂E+(1-\∂)C],\∂\∈\left[\mathrm{0,1}\right]$

其中：

为模糊控制的修正因子，E是偏差的变化量经过模糊化的模糊量，C是偏差的变化率经过模糊化的模糊量，U代表K_P、K_I或K_D；

所述神经网络模块通过在线学习功能来调整所述模糊控制规则中的

值，得到满足条件的模糊控制规则；

所述PID控制模块对工程运输车辆行驶综合性能进行控制。

本发明结合各种控制技术的优点，对于工程运输车辆悬架系统的振动控制这方面，提出一种新型的智能控制方法——基于BP神经网络的自适应模糊PID控制，它是把BP神经网络控制、模糊控制以及PID控制三种控制方法相结合设计出的一种基于BP神经网络的自适应模糊PID控制器，将该控制器应用于工程运输车辆座椅悬架系统，提高工程运输车辆行驶综合性能。

本发明中提到的神经网络不能用表达式很明显地表达出来，它的优点是能够很好的逼近非线性函数，这也正是它用于控制系统的原因所在。

具体实施例：

1.1神经网络模糊控制器的设计

本发明把BP神经网络、模糊控制、PID控制三者结合起来提出了一种新型的智能控制器——基于BP神经网络的模糊自适应PID控制器，应用到工程运输车辆悬架系统的振动控制中，以改善车辆的行驶综合性能。

1.1.1工程运输车辆行驶综合性能控制结构

工程运输车辆悬架的基于BP神经网络自适应模糊PID控制结构如图1所示。其中模糊逻辑和神经网络的相结合，即利用神经网络在线学习功能来调整模糊规则。

BP神经网络模糊自适应PID控制器中，神经网络模块的功能是在线学习用以调整模糊控制规则中的

值，得到满足条件的模糊控制规则，最终用来调节PID控制器的三个参数K_P、K_I、K_D，从而使工程运输车辆行驶综合性能达到更为理想的效果。在这个控制器中，模糊控制规则的调整尤为重要，很大地影响着控制的效果，控制规则的表达式如下：

$U=-[\∂E+(1-\∂)C],\∂\∈\left[\mathrm{0,1}\right]---\left(1\right)$

其中：

为模糊控制的修正因子，E是偏差的变化量经过模糊化的模糊量，而C是偏差的变化率经过模糊化的模糊量。改变的值也就是改变了偏差变化量和偏差的变化率前的权值。这样以来模糊控制变得很容易实现。

1.1.2神经网络模糊控制器的模块组成

（1）PID控制模块

本发明所提出的控制器中的PID控制采用的控制算法如下：

u(k)＝u(k-1)+K_P(e(k)-e(k-1))+K_Ie(k)+K_D(e(k)-2e(k-1)+e(k-2))  （2）

（2）模糊控制模块

本发明利用BP神经网络的在线学习功能，来改变模糊控制规则解析式中的修正因子以改变控制规则，本发明设计的控制器打破了模糊控制器控制规则不可变的常规做法，并且使模糊控制通俗易懂而且很容易实现。

（3）神经网络模块

针对工程车辆座椅悬架振动系统，本发明的神经网络模块采用的是三层BP神经网络，该神经网络输入层共有2个节点，即工程运输车辆悬架振动系统的乘员垂直加速度和该加速度变化率；隐含层有49个节点，代表49条模糊规则；而输出层有3个节点，即模糊控制规则中的修正因子和

BP神经网络输入层的输入为

$O_j^{\left(o\right)}=x\left(j\right),j=\mathrm{1,2,3}---\left(3\right)$

BP神经网络隐含层的输入及输出分别为：

${\mathrm{net}}_i^{\left(h\right)}=\underset{j=1}{\overset{2}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}^{\left(h\right)}{O}_j^{\left(i\right)}\left(k\right),i=\mathrm{1,2}---\left(4\right)$

$O_i^{\left(h\right)}=f\left({\mathrm{net}}_i^{\left(h\right)}\left(k\right)\right),i=\mathrm{1,2}---\left(5\right)$

其中，

为BP神经网络隐含层的加权系数

神经网络隐含层的神经元激发函数没有正负的要求，故可选取正负对称的Sigmoid函数。函数如下：

f(x)＝（e^x-e^-x）/（e^x+e^-x）    （6）

PID的可调参数非负，故BP神经网络输出层的神经元激发函数选取非负的Sigmoid函数，函数如下所示：

g(x)＝e^x/（e^x+e^-x）    （7）

神经网络输出层的输入和输出分别为：

${\mathrm{net}}_l^{\left(o\right)}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{li}}^{\left(o\right)}{O}_i^{\left(h\right)}\left(k\right),i=\mathrm{1,2}---\left(8\right)$

$O_l^{\left(o\right)}=g\left({\mathrm{net}}_l^{\left(o\right)}\left(k\right)\right),l=\mathrm{1,2,3}---\left(9\right)$

$O_1^{\left(o\right)}=K_P---\left(10\right)$

$O_2^{\left(o\right)}=K_I---\left(11\right)$

$O_3^{\left(o\right)}=K_D---\left(12\right)$

选取性能指标函数如下：

$E\left(k\right)=\frac{1}{2}{(r\left(k\right)-y\left(k\right))}^2---\left(13\right)$

按梯度下降法来修正BP神经网络，权系数的修正公式如下：

${\mathrm{\Δw}}_{\mathrm{li}}^{\left(o\right)}=-\mathrm{\η}*\∂E\left(k\right)/{\∂w}_{\mathrm{li}}^{\left(o\right)}+\mathrm{\α}*{\mathrm{\Δw}}_{\mathrm{li}}^{\left(o\right)}(k-1)---\left(14\right)$

其中，η——学习速率，α——惯性系数

$\frac{\∂E\left(k\right)}{{\∂w}_{\mathrm{li}}^{\left(o\right)}}=\frac{\∂E\left(k\right)}{\∂y\left(k\right)}*\frac{\∂y\left(k\right)}{\∂u\left(k\right)}*\frac{\∂u\left(k\right)}{{\∂O}_l^{\left(o\right)}\left(k\right)}*\frac{{\∂w}_{\mathrm{li}}^{\left(o\right)}\left(k\right)}{{\∂\mathrm{net}}_l^{\left(o\right)}\left(k\right)}*\frac{{\∂\mathrm{net}}_l^{\left(o\right)}\left(k\right)}{{\∂w}_{\mathrm{li}}^{\left(o\right)}\left(k\right)}---\left(15\right)$

$\frac{{\∂\mathrm{net}}_l^{\left(o\right)}\left(k\right)}{{\∂w}_{\mathrm{li}}^{\left(o\right)}\left(k\right)}=O_i^{\left(h\right)}\left(k\right)---\left(16\right)$

$\frac{\∂u\left(k\right)}{{\∂O}_l^{\left(o\right)}\left(k\right)}=e\left(k\right)-e(k-1)---\left(17\right)$

$\frac{\∂u\left(k\right)}{{\∂O}_2^{\left(o\right)}\left(k\right)}=e\left(k\right)---\left(18\right)$

$\frac{\∂u\left(k\right)}{{\∂O}_3^{\left(o\right)}\left(k\right)}=e\left(k\right)-2e(k-1)+e(k-2)---\left(19\right)$

BP神经网络输出层权函数的学习算法如下：

${\mathrm{\Δw}}_{\mathrm{li}}^{\left(o\right)}\left(k\right)=\mathrm{\α}*{\mathrm{\Δw}}_{\mathrm{li}}^{\left(o\right)}(k-1)+\mathrm{\η}*{\mathrm{\δ}}_l^{\left(o\right)}{O}_i^{\left(h\right)}\left(k\right)---\left(20\right)$

${\mathrm{\δ}}_l^{\left(o\right)}=e\left(k\right)\mathrm{sgn}\left(\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\right)\frac{\∂u\left(k\right)}{{\∂O}_l^{\left(o\right)}\left(k\right)}{g}^{\′}\left({\mathrm{net}}_l^{\left(o\right)}\left(k\right)\right)---\left(21\right)$

BP神经网络隐含层权函数学习算法如下：

${\mathrm{\Δw}}_{\mathrm{ij}}^{\left(h\right)}\left(k\right)=\mathrm{\α}*{\mathrm{\Δw}}_{\mathrm{ij}}^{\left(h\right)}(k-1)+\mathrm{\η}*{\mathrm{\δ}}_l^{\left(h\right)}{O}_j^{\left(i\right)}\left(k\right)---\left(22\right)$

${\mathrm{\δ}}_l^{\left(h\right)}=f^{\′}\left({\mathrm{net}}_l^{\left(h\right)}\left(k\right)\right)\underset{l=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\δ}}_l^{\left(o\right)}{w}_{\mathrm{li}}^{\left(o\right)}\left(k\right)---\left(23\right)$

其中，g‘(x)＝g(x)(1-g(x)),f'(x)＝(1-f²(x))/2

1.2神经网络模糊控制算法

在此介绍本发明所提出的BP神经网络模糊PID控制算法的步骤。

第一步，选择合适的BP神经网络结构，也就是要确定神经网路的层数、各层的节点数；

第二步，需要选择合适的学习速率和惯性系数，然后再给出各层的加权系数初始值；

第三步，通过采样获得系统的输入量r(k)和输出量y(k)，然后计算出误差e(k)＝y(k)-r(k)；

第四步，调整模糊规则的修正因子

第五步，利用模糊控制在线调整PID控制器的三个参数；

第六步，根据PID模块中的控制算法得出u(k)，然后将其输入到被控对象即工程车辆座椅悬架系统；

第七步，根据神经网络模块中输出层和隐含层的修正加权系数的公式得出修正系数；

第八步，最后令k＝k+1返回到第三步进行循环计算。

神经网络自适应模糊PID控制器由神经网络、模糊和PID三种控制方式有机结合起来的一种控制器。其中，神经网络具有并行分布式处理、非线性处理及自学习功能等特点。模糊控制的特点是易于被操作人员接受、便于用计算机软件实现及鲁棒性和适应性好，而且模糊控制器的设计不依赖于被控对象的精确数学模型。模糊控制学习功能差，神经网络推理功能差，把两者结合起来可以起到互补的作用，保证推理和学习功能的实现。利用网络快速学习能力调整系统模糊推理过程，从而实现PID控制器参数的在线调整。这种控制器综合了模糊逻辑、神经网络与PID调节的各自优点，既具有模糊控制简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时还具备PID控制的广泛适应性。

2工程运输车辆行驶综合性能控制与分析

路面激励选取比较典型的正弦信号，其表达式:f(t)=0.01*sin(2*pi*w*t)，仿真时间为5s。

2.1车辆乘坐舒适性分析

车辆的乘坐舒适性凭借乘坐人员的感受作出直观评价，而乘员垂直加速度和车身的俯仰角加速度是影响车辆乘坐舒适性的两个重要指标。

2.1.1乘员垂直加速度

由图2可知，与被动悬架系统相比，时域范围内，PID控制系统乘员垂直加速度的最大值虽然没什么变化，但其平均值很明显有了降低；模糊PID控制和神经网络模糊PID控制系统的最大值和其平均值都减小了很多。在频域范围内，被动控制、PID控制、模糊PID控制以及神经网络模糊PID控制系统乘员垂直加速度PSD的最大值分别为127(m/s²)²/Hz、80(m/s²)²/Hz、36(m/s²)²/Hz、6.9(m/s²)²/Hz，相比被动悬架系统，PID控制、模糊PID控制系统分别下降了37%、71.6%、95%。

2.1.2车身俯仰角加速度

由图3可以得出，与被动悬架系统相比，PID控制、模糊PID控制以及神经网络模糊PID控制系统车身俯仰角加速度的最大值和平均值都有一定程度的降低。在频域范围内，被动悬架系统、PID控制系统、模糊PID控制系统以及神经网络模糊PID控制系统的车身俯仰角加速度PSD最大值分别约为125（rad/s²）²/Hz、68（rad/s²）²/Hz、32（rad/s²）²/Hz、4.6（rad/s²）²/Hz。相比被动悬架，PID控制系统下降了45.6%；模糊PID控制系统下降了74.4%；而神经网络模糊PID控制系统下降了96.3%。

2.2车辆驾驶稳定性分析

车辆的驾驶稳定性与悬架动挠度有很大关系，动挠度的减小有利于提高车辆的驾驶稳定性。

2.2.1前悬架动挠度

从图4中可知，时域内，与被动悬架相比，PID控制、模糊PID控制、神经网络模糊PID控制系统前悬架动挠度的最大值和其平均值都有一定程度的降低。频域内，被动悬架、PID控制、模糊PID控制以及神经网络模糊PID控制系统的前悬架动挠度PSD的最大值分别约为0.0124m²/Hz、0.007m²/Hz、0.006m²/Hz、0.00038m²/Hz。相比被动悬架，PID控制系统下降了43.5%；模糊PID控制系统下降了51.6%；而神经网络模糊PID控制系统下降了96.9%。

2.2.2后悬架动挠度

从图5可以得出，时域内，与被动悬架相比，PID控制的后悬架动挠度最大值没有明显减小，但其平均值得到了降低；模糊PID控制和神经网络模糊PID控制系统的最大值和平均值都有了更大程度的降低。在频域内，被动悬架、PID控制、模糊PID控制以及神经网络模糊PID控制系统的后悬架动挠度PSD的最大值分别约为0.038m、0.031m、0.017m、0.0016m。相比被动悬架，PID控制系统下降了18.4%；模糊PID控制系统下降了55.3%；而神经网络模糊PID控制系统下降了95.8%。

2.3车辆行车安全性分析

悬架动载荷是反映车辆的行车安全性的一个重要的指标，悬架动载荷的减小有利于提高车辆的行车安全性。

2.3.1前悬架动载荷

由图6可知，时域内，与被动悬架相比，PID控制系统前悬架动载荷的最大值稍微有些增加，但其平均值却得到了降低；模糊PID控制和神经网络模糊PID控制系统的最大值和平均值都有了降低。频域内，被动悬架、PID控制、模糊PID控制以及神经网络模糊PID控制系统前悬架动载荷PSD的最大值分别约为8×10⁶N²/Hz、9.4×10⁶N²/Hz、4×10⁶N²/Hz、5.2×10⁵N²/Hz。与被动悬架相比，PID控制、模糊PID控制、以及神经网络模糊PID控制系统分别下降了-17.5%、50%、93.5%。

3.3.2后悬架动载荷

图7表明，时域内，与被动悬架相比，PID控制5s内的后悬架动载荷最大值没有明显变化，但其平均值却得到了降低；模糊PID控制和神经网络模糊PID控制系统的最大值和平均值都降低了很多。频域内，被动悬架、PID控制、模糊PID控制以及神经网络模糊PID控制系统的前悬架动载荷PSD的最大值分别约为14×10⁶N²/Hz、12.3×10⁶N²/Hz、6.7×10⁶N²/Hz、1.03×10⁶N²/Hz。相比被动悬架，PID控制系统下降了12.1%；模糊PID控制系统下降了52.1%；而神经网络模糊PID控制系统下降了92.6%。

3.结论

本发明主要是以工程运输车行驶综合性能为研究对象，提出一种神经网络PID控制方法，对工程运输车辆行驶综合性能进行了仿真与控制效果的对比。对于工程运输车行驶综合性能，采用神经网络模糊PID控制方法，可以保证工程运输车辆行驶综合性能有更好的控制效果。

（1）本发明针对车辆座椅悬架系统这种时变的、非线性复杂系统，将神经网络、模糊PID控制控制方法有机结合，提出了一种新的控制技术——基于BP神经网络自适应模糊PID控制，并将其应用到工程车辆悬架系统中。

（2）本发明采用正弦激励信号，分别对工程运输车行驶综合性能进行PID控制、模糊PID控制和神经网络模糊PID控制，获得乘员垂直加速度、车身俯仰角加速度、前悬架动载荷、后悬架动载荷、前悬架动挠度以及后悬架动挠度等各性能指标。

（3）对被动控制、PID控制、模糊PID控制、BP神经网络自适应模糊PID控制结果进行比较，得出神经网络模糊PID控制对于工程运输车行驶综合性能的提高是可行的，并具有较好的控制效果，它可以更有效地降低乘员垂直加速度的幅值，使振动减缓，并且可以很好使整车的振动控制在可以允许的范围内。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种工程运输车行驶综合性能控制系统，其特征在于，包括PID控制模块、模糊控制模块、神经网络模块； 

所述模糊控制模块通过以下模糊控制规则对PID控制模块的三个参数K_P、K_I、K_D进行调节： 

其中：

为模糊控制的修正因子，E是偏差的变化量经过模糊化的模糊量，C是偏差的变化率经过模糊化的模糊量，U代表K_P、K_I或K_D； 

所述神经网络模块通过在线学习功能来调整所述模糊控制规则中的

值，得到满足条件的模糊控制规则； 

所述PID控制模块对工程运输车辆行驶综合性能进行控制。 

2.根据权利要求1所述的工程运输车行驶综合性能控制系统，其特征在于，所述PID控制采用的控制算法如下： 

u(k)＝u(k-1)+K_P(e(k)-e(k-1))+K_Ie(k)+K_D(e(k)-2e(k-1)+e(k-2)) 。

3.根据权利要求2所述的工程运输车行驶综合性能控制系统，其特征在于，所述神经网络模块采用输入层、隐含层、输出层三层BP神经网络； 

所述输入层共有2个节点，即工程运输车辆悬架振动系统的乘员垂直加速度和该加速度变化率； 

所述隐含层有49个节点，代表49条模糊控制规则； 

所述输出层有3个节点，即模糊控制规则中K_P、K_I、K_D的修正因子

和

所述输入层的输入为： 

所述隐含层的输入及输出分别为： 

其中，

为BP神经网络隐含层的加权系数； 

所述隐含层的神经元激发函数选取正负对称的Sigmoid函数，函数如下： 

f(x)＝（e^x-e^-x）/（e^x+e^-x） 

所述输出层的神经元激发函数选取非负的Sigmoid函数，函数如下所示： 

g(x)＝e^x/（e^x+e^-x） 

所述输出层的输入和输出分别为： 

。

4.根据权利要求3所述的工程运输车行驶综合性能控制系统，其特征在于，所述BP神经网络的性能指标函数如下： 

按梯度下降法来修正BP神经网络，权系数的修正公式如下： 

其中，η——学习速率，α——惯性系数； 

BP神经网络输出层权函数的学习算法如下： 

BP神经网络隐含层权函数学习算法如下： 

其中，g‘(x)＝g(x)(1-g(x)),f'(x)＝(1-f²(x))/2 。

5.一种权利要求1至4任一项所述的工程运输车行驶综合性能控制系统实现BP神经网络模糊PID控制的方法，其特征在于，包括步骤： 

第一步，选择合适的BP神经网络结构，也就是要确定神经网路的层数、各层的节点数； 

第二步，需要选择合适的学习速率和惯性系数，然后再给出各层的加权系数初始值； 

第三步，通过采样获得系统的输入量r(k)和输出量y(k)，然后计算出误差e(k)＝y(k)-r(k)； 

第四步，调整模糊规则的修正因子

第五步，利用模糊控制在线调整PID控制器的三个参数； 

第六步，根据PID模块中的控制算法得出u(k)，然后将其输入到被控对象即工程车辆座椅悬架系统； 

第七步，根据神经网络模块中输出层和隐含层的修正加权系数的公式得出修正系数； 

第八步，最后令k＝k+1返回到第三步进行循环计算。 

Images