CN104049536B - 底盘非线性系统模糊神经网络广义逆控制器的构造方法 - Google Patents

Abstract

本发明公开了一种底盘非线性系统模糊神经网络广义逆控制器的构造方法，将主动悬架系统与电动助力转向系统构成一个整体形成基于垂向和横向运动的底盘非线性系统；采用模糊神经网络加5个线性环节构造底盘非线性系统的模糊神经网络广义逆；将模糊神经网络广义逆置于底盘非线性系统之前，复合成广义伪线性系统；广义伪线性系统被解耦为5个线性一阶子系统，通过合理调整广义逆系统的参数，使5个线性一阶子系统的极点在复平面内合理配置，从而实现底盘非线性系统的开环解耦控制。此控制器可以单独作为开环控制器直接使用，不需要额外的闭环控制器，成本较低，易于实现。

Description

底盘非线性系统模糊神经网络广义逆控制器的构造方法

技术领域

本发明属于车辆工程设备的技术领域，是一种基于模糊神经网络广义逆的汽车底盘非线性系统控制器的构造方法，适用于汽车主动悬架和电动助力转向集成系统的高性能解耦控制。

背景技术

随着汽车电子控制技术的不断发展，对汽车底盘各个电控子系统的研究成为了当前车辆工程领域研究的重点内容之一，其中电动助力转向系统和主动悬架系统由于对改善汽车行驶安全性、乘坐舒适性、操纵性和平顺性具有重大的影响，更是受到了各国学者的广泛重视。电动助力转向系统和主动悬架系统作为汽车电控底盘集成系统的两个主要组成部分，采用独立控制时对整车某项或某几项控制性能在一定程度都能有所改善。然而由于电动助力转向系统和主动悬架系统两者之间存在着非线性运动耦合关系，两者控制效果彼此之间会互相干扰和影响。因此为了提高整车非线性系统的动力学性能、改善整车的综合运行性能，必须要消除或尽量减小电动助力转向系统和主动悬架系统两者之间的干扰和影响，对电动助力转向和主动悬架集成系统进行非线性解耦控制，实现基于横向和垂向底盘非线性系统的协调控制。

发明内容

本发明的目的是为了实现基于横向和垂向底盘非线性系统的输入输出解耦控制，提供一种改善汽车行驶安全性、乘坐舒适性、操纵性和平顺性的消除电动助力转向和主动悬架集成系统非线性运动耦合的模糊神经网络广义逆控制器的构造方法。

本发明底盘非线性系统模糊神经网络广义逆控制器的构造方法采用的技术方案是：依次包括以下步骤：

1)将主动悬架系统与电动助力转向系统构成一个整体形成底盘非线性系统；

2)确定底盘非线性系统的广义逆系统的输入输出变量；

3)将底盘非线性系统的输入信号F₁、F₂、F₃、F₄和T_m的阶跃激励信号加到其输入端，采集其信号a_z、φ、f_d、γ和β，并分别求出其一阶导数和进而求出 ${\stackrel{\‾}{v}}_1=a_{10}{a}_z+a_{11}{\stackrel{\·}{a}}_z,{\stackrel{\‾}{v}}_2=a_{20}\mathrm{\φ}+a_{21}\stackrel{\·}{\mathrm{\φ}},{\stackrel{\‾}{v}}_3=a_{30}{f}_d+a_{31}{\stackrel{\·}{f}}_d,{\stackrel{\‾}{v}}_4=a_{40}\mathrm{\γ}+a_{41}+\stackrel{\·}{\mathrm{\γ}}$ 和 ${\stackrel{\‾}{v}}_5=a_{50}\mathrm{\β}+a_{51}\stackrel{\·}{\mathrm{\β}};$

4)并上述所有信号进行规范化处理，组成模糊神经网络的训练样本集；采用遗传算法对模糊神经网络进行离线训练，离线初步确定模糊神经网络的各个权系数和参数；

5)采用离线训练好的模糊神经网络加5个线性一阶系统构成模糊神经网络广义逆；

6)将模糊神经网络广义逆置于底盘非线性系统之前，模糊神经网络广义逆与底盘非线性系统串联复合成广义伪线性系统；广义伪线性系统等效为5个一阶伪线性子系统；

7)根据底盘非线性系统的实际运行情况，采用带动量项和变学习率的误差反传最优梯度法进一步在线调整模糊神经网络的参数和各个权系数；将参数和权值在线调整的模糊神经网络广义逆5作为底盘非线性系统模糊神经网络广义逆控制器，对非线性系统进行非线性解耦控制；

最后模糊神经网络广义逆控制器采用dSPACE实现控制底盘非线性系统。

本发明的有益效果是：

1、本发明的模糊神经网络为三层网络结构，所使用的权值调整算法和输出算法以及所采用的改进遗传算法对模糊神经网络进行训练可以克服神经网络过学习、结构类型的选择过分依赖经验、以及存在局部极小点等缺陷，能够有效改善收敛精度并缩短神经网络的训练时间。

2、本发明通过构造模糊神经网络广义逆控制器，实现基于横向和垂向的底盘非线性系统的垂直加速度、侧倾角、悬架动扰度、底盘横摆角速度和质心偏置角之间解耦控制；此控制器可以单独作为开环控制器直接使用，不需要额外的闭环控制器，成本较低，易于实现。

3、本构造方法的控制器可以有效改善汽车行驶安全性、乘坐舒适性、操纵性和平顺性。

附图说明

图1是底盘非线性系统的等效示意图；

图2是底盘非线性系统的模糊神经网络广义逆系统；

图3是底盘非线性系统模糊神经网络广义逆控制器与底盘非线性系统复合构成的伪线性系统的示意图及其等效图；

图4是底盘非线性系统的模糊神经网络广义逆控制器构造的流程图；

图5是本发明dSPACE半实物实验平台进行控制系统实施的原理框图。

具体实施方式

下面结合附图对本发明的具体实施方式进一步说明。

本发明具体的实施分以下7步：

1、构成底盘非线性系统3。如图1所示，将主动悬架系统1与电动助力转向系统2构成一个整体形成底盘非线性系统3，以所述底盘非线性系统3作为复合被控对象，则底盘非线性系统3的输入信号为：主动悬架力F₁、F₂、F₃、F₄和电动助力转矩T_m，输出信号为：垂直加速度a_z、侧倾角φ、悬架动扰度f_d、横摆角速度γ和质心偏置角β。

2、如图2所示，通过分析、等效与推导，为模糊神经网络广义逆5的构造与学习训练提供方法上的根据。

首先建立基于横向和垂向运动的底盘非线性系统3的数学模型，即5阶微分方程，其向量相对阶为{1，1，1，1，1}。经推导可以证明该5阶微分方程可逆，即底盘非线性系统3的广义逆系统存在；然后，确定底盘非线性系统3的广义逆系统的5个输入变量分别为 ${\stackrel{\‾}{v}}_1=a_{10}{a}_z+a_{11}{\stackrel{\·}{a}}_z,{\stackrel{\‾}{v}}_2=a_{20}\mathrm{\φ}+a_{21}\stackrel{\·}{\mathrm{\φ}},{\stackrel{\‾}{v}}_3=a_{30}{f}_d+a_{31}{\stackrel{\·}{f}}_d,{\stackrel{\‾}{v}}_4=a_{40}\mathrm{\γ}+a_{41}+\stackrel{\·}{\mathrm{\γ}}$ 和 ${\stackrel{\‾}{v}}_5=a_{50}\mathrm{\β}+a_{51}\stackrel{\·}{\mathrm{\β}},$ 5个输出变量分别为底盘非线性系统3的输入F₁、F₂、F₃、F₄和T_m；其中为垂直加速度a_z的一阶导数，为侧倾角φ的一阶导数，为悬架动扰度f_d的一阶导数，为横摆角速度γ的一阶导数，为质心偏置角β的一阶导数；a₁₀、a₁₁、a₂₀、a₂₁、a₃₀、a₃₁、a₄₀、a₄₁、a₅₀和a₅₁分别为所示广义逆系统的参数；需要说明的是，该步骤仅仅为下述步骤模糊神经网络广义逆5的构造和学习提供方法的依据，在本发明的具体实施过程中，该步骤的分析、等效以及广义逆的证明均可跳过。

3、离线确定模糊神经网络4的参数和权系数。将底盘非线性系统3的5个输入信号F₁、F₂、F₃、F₄和T_m的阶跃激励信号{F₁，F₂，F₃，F₄，T_m}加到其输入端，以10ms的采样周期采集其5个输出信号a_z、φ、f_d、γ和β并保存数据，将保持的数据信号a_z、φ、f_d、γ和β分别求出其一阶导数和进而求出 ${\stackrel{\‾}{v}}_1=a_{10}{a}_z+a_{11}{\stackrel{\·}{a}}_z,{\stackrel{\‾}{v}}_2=a_{20}\mathrm{\φ}+a_{21}\stackrel{\·}{\mathrm{\φ}},$ ${\stackrel{\‾}{v}}_3=a_{30}{f}_d+a_{31}{\stackrel{\·}{f}}_d,{\stackrel{\‾}{v}}_4=a_{40}\mathrm{\γ}+a_{41}+\stackrel{\·}{\mathrm{\γ}}$ 和 ${\stackrel{\‾}{v}}_5=a_{50}\mathrm{\β}+a_{51}\stackrel{\·}{\mathrm{\β}},$ 并对所有信号进行规范化处理，组成模糊神经网络的训练样本集其中模糊神经网络4采用三层网络结构，第一层为输入层，输入节点数为10，第二层为隐含层，节点数为15，第三层为输出层，输出节点数为5。采用模糊优选模型函数作为激励函数，可以得到隐含层的权值调整公式为

w₁₂(n+1)＝w₁₂(n)+Δw₁₂(n+1)+αw₁₂(n) (1)

其中Δw₁₂(n)＝ηδ₂，η为学习效率，δ₂为隐含层的误差信号，n为迭代次数，取n＝50，α为动量系数，取为0.8；输出层的权值调整公式为

w₂₃(n+1)＝w₂₃(n)+Δw₂₃(n+1)+αw₂₃(n) (2)

其中Δw₂₃(n)＝ηδ₃，δ₃为输出层的误差信号；隐含层的输出公式为

$f_2=1/[1+{({\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{12}{x}_i\right)}^{-1}-1)}^2]---\left(3\right)$

其中x_i为输入样本，i＝1，2，...，m(m为样本个数)；输出层的输出公式为

$f_3=1/[1+{({\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{23}{x}_i\right)}^{-1}-1)}^2]---\left(4\right)$

采用改进遗传算法对模糊神经网络4进行离线训练，初步调整隶属函数的参数与初始权值，具体遗传算法如下公式

$P_c=\frac{1}{1+\exp (-h\frac{f_{\max }}{f_{\mathrm{avg}}})}---\left(5\right)$

$P_m=\frac{1}{1+\exp (-h\frac{f_{\mathrm{avg}}}{f_{\max }})}---\left(6\right)$

其中，P_c和P_m分别为交叉概率和变异概率，h为评价不确定系数，计算公式为：f_max、f_min和f_avg分别为群体中最大适应度、最小适应度和平均适应度。选择最大进化迭代次数为G＝500，通过迭代可以获得一个全局的近似解，从而离线初步确定模糊神经网络4的各个权系数和参数。

4、构造模糊神经网络广义逆5。采用离线训练好的模糊神经网络4加5个线性一阶系统构成模糊神经网络广义逆5。如图2所示，用具有10个输入节点、5个输出节点的模糊神经网络4加5个一阶系统构成具有5个输入、5个输出的模糊神经网络广义逆5，上述模糊神经网络4的输入为：a_z、φ、f_d、γ、β；上述模糊神经网络4的输出为：F₁、F₂、F₃、F₄和T_m；如图2虚线框内所示。其中，第一个一阶系统的输入与广义逆系统的第一个输入变量相连，其输出与模糊神经网络4的第二个输入相连；第二个一阶系统的输入与广义逆系统的第二个输入变量相连，其输出与模糊神经网络4的第四个输入相连；第三个一阶系统的输入与广义逆系统的第三个输入变量相连，其输出与模糊神经网络4的第六个输入相连；第四个一阶系统的输入与广义逆系统的第四个输入变量相连，其输出与模糊神经网络4的第八个输入相连；第五个一阶系统的输入与广义逆系统的第五个输入变量相连，其输出与模糊神经网络4的第十个输入相连；模糊神经网络4的输出就是模糊神经网络广义逆5的输出。

5、将模糊神经网络广义逆5置于底盘非线性系统3之前，模糊神经网络广义逆5与底盘非线性系统3串联复合成广义伪线性系统6；广义伪线性系统6等效为5个一阶伪线性子系统，分别为：垂直加速度的一阶伪线性子系统61、侧倾角的一阶伪线性子系统62、悬架动扰度的一阶伪线性子系统63、横摆角速度的一阶伪线性子系统64和质心偏置角的一阶伪线性子系统65；从而达到对正常非线性系统的垂直加速度、侧倾角、悬架动扰度、横摆角速度和质心偏置角之间非线性解耦控制；为了构建一个最简单的一阶系统，将所述广义逆系统参数的值均取为1，即：a₁₀＝1、a₁₁＝1、a₂₀＝1、a₂₁＝1、a₃₀＝1、a₃₁＝1、a₄₀＝1、a₄₁＝1、a₅₀＝1和a₅₁＝1，使解耦后的5个单输入单输出的一阶伪线性子系统的极点在复平面内合理配置，实现将积分型不稳定的子系统变为稳定的子系统，从而实现底盘非线性系统3的开环非线性解耦控制，如图3所示。

6、在控制器具体运行时，根据底盘非线性系统3的实际运行情况，采用带动量项和变学习率的误差反传最优梯度法进一步在线调整模糊神经网络4的各个权系数，公式如下：

$\mathrm{\Δw}(n+1)=\mathrm{\β}\frac{\∂E}{\∂w\left(n\right)}+{\mathrm{\α}}_1\mathrm{\Δw}\left(n\right)---\left(7\right)$

其中，Δw分别指式(1)的Δw₁₂和式(2)中Δw₂₃，E为误差函数，0＜β＜1为在线学习速率，0＜α₁＜1为动量因子，根据实际情况，两者分别取为β＝0.65，α₁＝0.4，使模糊神经网络4输出的均方根误差保持在0.01以内；最后将参数和权值在线调整的模糊神经网络广义逆5作为底盘非线性系统模糊神经网络广义逆控制器7，对非线性系统3进行高性能控制，具体的流程图如图4所示。

7、整个基于模糊神经网络广义逆控制器7的底盘非线性系统3在dSPACE实时半实物控制平台上进行实施，具体如图5所示。图5中有工控机、dSPACE DS1104控制板，底盘非线性系统3通过车载信号传感器来采集数据，获得相应的控制信号，并通过CAN总线与dSPACE进行通讯，完成数据传输。工控机里安装有Simulink仿真软件和测试环境软件ControlDesk。实验控制程序由工控机下载到dSPACE DS1104控制板，通过ControlDesk可视化控制界面发出实验启动信号，对底盘非线性系统3进行控制。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种底盘非线性系统模糊神经网络广义逆控制器的构造方法，其特征在于，包括步骤：

1)将主动悬架系统(1)与电动助力转向系统(2)构成一个整体形成底盘非线性系统(3)，以所述底盘非线性系统(3)作为复合被控对象，则底盘非线性系统(3)的输入信号为：主动悬架力F₁、F₂、F₃、F₄和电动助力转矩T_m，输出信号为：垂直加速度a_z、侧倾角φ、悬架动扰度f_d、横摆角速度γ和质心偏置角β；

2)确定所述底盘非线性系统(3)的广义逆系统的5个输入变量分别为 ${\stackrel{\‾}{v}}_2=a_{20}\mathrm{\φ}+a_{21}\stackrel{\·}{\mathrm{\φ}},{\stackrel{\‾}{v}}_3=a_{30}{f}_d+a_{31}{\stackrel{\·}{f}}_d,{\stackrel{\‾}{v}}_4=a_{40}\mathrm{\γ}+a_{41}\stackrel{\·}{\mathrm{\γ}}$ 和 ${\stackrel{\‾}{v}}_5=a_{50}\mathrm{\β}+a_{51}\stackrel{\·}{\mathrm{\β}},$ 5个输出变量分别为所述底盘非线性系统(3)的输入信号：F₁、F₂、F₃、F₄和T_m；其中为垂直加速度a_z的一阶导数，为侧倾角φ的一阶导数，为悬架动扰度f_d的一阶导数，为底盘横摆角速度γ的一阶导数，为质心偏置角β的一阶导数；a₁₀、a₁₁、a₂₀、a₂₁、a₃₀、a₃₁、a₄₀、a₄₁、a₅₀和a₅₁为所述广义逆系统的参数；

3)将所述底盘非线性系统(3)的5个输入信号F₁、F₂、F₃、F₄和T_m的阶跃激励信号加到其输入端，以10ms的采样周期采集其5个输出信号a_z、φ、f_d、γ和β并保存数据，将保存的数据信号a_z、φ、f_d、γ和β分别求出其一阶导数和进而求出 ${\stackrel{\‾}{v}}_1=a_{10}{a}_z+a_{11}{\stackrel{\·}{a}}_z,{\stackrel{\‾}{v}}_2=a_{20}\mathrm{\φ}+a_{21}\stackrel{\·}{\mathrm{\φ}},{\stackrel{\‾}{v}}_3=a_{30}{f}_d+a_{31}{\stackrel{\·}{f}}_d,{\stackrel{\‾}{v}}_4=a_{40}\mathrm{\γ}+a_{41}\stackrel{\·}{\mathrm{\γ}}$ 和 ${\stackrel{\‾}{v}}_5=a_{50}\mathrm{\β}+a_{51}\stackrel{\·}{\mathrm{\β}};$

4)对步骤3)采集到的信号 进行规范化处理，组成模糊神经网络的训练样本集；采用遗传算法对模糊神经网络(4)进行离线训练，初步调整隶属函数的参数以及初始权值获得一个全局的近似解，从而离线初步确定模糊神经网络(4)的各个权系数和参数；

5)采用离线训练好的模糊神经网络(4)加上5个线性一阶系统构成模糊神经网络广义逆(5)，所述模糊神经网络(4)的输入为：a_z、φ、f_d、γ、β；所述模糊神经网络(4)的输出为：F₁、F₂、F₃、F₄和T_m；所述模糊神经网络(4)输入端中，第一个一阶系统的输入与广义逆系统的第一个输入变量相连，第一个一阶系统的输出与模糊神经网络(4)的第二个输入相连；第二个一阶系统的输入与广义逆系统的第二个输入变量相连，第二个一阶系统的输出与模糊神经网络(4)的第四个输入相连；第三个一阶系统的输入与广义逆系统的第三个输入变量相连，第三个一阶系统的输出与模糊神经网络(4)的第六个输入相连；第四个一阶系统的输入与广义逆系统的第四个输入变量相连，第四个一阶系统的输出与模糊神经网络(4)的第八个输入相连；第五个一阶系统的输入与广义逆系统的第五个输入变量相连，第五个一阶系统的输出与模糊神经网络(4)的第十个输入相连；

6)将模糊神经网络广义逆(5)置于底盘非线性系统(3)之前，所述模糊神经网络广义逆(5)与所述底盘非线性系统(3)串联复合成广义逆伪线性系统(6)；广义逆伪线性系统(6)等效为5个一阶伪线性子系统，分别为：垂直加速度的一阶伪线性子系统(61)、侧倾角的一阶伪线性子系统(62)、悬架动扰度的一阶伪线性子系统(63)、底盘横摆角速度的一阶伪线性子系统(64)和质心偏置角的一阶伪线性子系统(65)；

7)根据底盘非线性系统(3)的实际运行情况，采用带动量项和变学习率的误差反传最优梯度法进一步在线调整模糊神经网络(4)的各个权系数，使模糊神经网络(4)输出的均方根误差保持在0.01以内；将参数和权值在线调整的模糊神经网络广义逆(5)作为底盘非线性系统模糊神经网络广义逆控制器(7)，对非线性系统(3)进行非线性解耦控制。

2.根据权利要求1所述的底盘非线性系统模糊神经网络广义逆控制器的构造方法，其特征在于：所述步骤4)中的模糊神经网络(4)采用三层网络结构，第一层为输入层，输入节点数为10，第二层为隐含层，节点数为15，第三层为输出层，输出节点数为5；采用模糊优选模型函数作为激励函数，可以得到隐含层的权值调整公式为：

w₁₂(n+1)＝w₁₂(n)+Δw₁₂(n+1)+αw₁₂(n)

其中Δw₁₂(n)＝ηδ₂，η为学习效率，δ₂为隐含层的误差信号，n为迭代次数，取n＝50，α为动量系数，取为0.8；输出层的权值调整公式为：

w₂₃(n+1)＝w₂₃(n)+Δw₂₃(n+1)+αw₂₃(n)

其中Δw₂₃(n)＝ηδ₃，δ₃为输出层的误差信号；隐含层的输出公式为：

$f_2=1/\[1+{\left({\left(\underset{i=1}{\overset{m}{\Σ}}{w}_{12}{x}_i\right)}^{-1}-1\right)}^2\]$

其中x_i为输入样本，i＝1，2，...，m(m为样本个数)；输出层的输出公式为：

$f_3=1/\[1+{\left({\left(\underset{i=1}{\overset{m}{\Σ}}{w}_{23}{x}_i\right)}^{-1}-1\right)}^2\].$

3.根据权利要求1所述的底盘非线性系统模糊神经网络广义逆控制器的构造方法，其特征在于：所述步骤4)采用改进遗传算法对模糊神经网络(4)进行离线训练，初步调整隶属函数的参数与初始权值，具体遗传算法如下公式：

$P_c=\frac{1}{1+\exp (-h\frac{f_{max}}{f_{avg}})}$

$P_m=\frac{1}{1+\exp (-h\frac{f_{avg}}{f_{\max }})}$

其中，P_c和P_m分别为交叉概率和变异概率，h为评价不确定系数，计算公式为：f_max、f_min和f_avg分别为群体中最大适应度、最小适应度和平均适应度。

4.根据权利要求1所述的底盘非线性系统模糊神经网络广义逆控制器的构造方法，其特征在于：所述步骤5)和步骤6)中，通过调节所述广义逆系统的参数a₁₀、a₁₁、a₂₀、a₂₁、a₃₀、a₃₁、a₄₀、a₄₁、a₅₀和a₅₁，使解耦后的5个单输入单输出的一阶伪线性子系统的极点在复平面内合理配置，以实现底盘非线性系统(3)的开环非线性解耦控制。

5.根据权利要求1所述的底盘非线性系统模糊神经网络广义逆控制器的构造方法，其特征在于：所述步骤6)中，采用所述模糊神经网络广义逆(5)来构成的底盘非线性系统(3)的控制器是一个开环控制器，即所述构成的模糊神经网络广义逆系统采用的是开环控制方法。

6.根据权利要求1所述的底盘非线性系统模糊神经网络广义逆控制器的构造方法，其特征在于：所述步骤7)中的模糊神经网络广义逆控制器(7)采用dSPACE实现控制底盘非线性系统(3)。