CN104076687B - 一种主动悬架和电动助力转向集成系统的解耦控制方法 - Google Patents

Abstract

本发明公开了一种主动悬架和电动助力转向集成系统的解耦控制方法，将主动悬架系统与电动助力转向系统作为一个整体组成基于垂向和横向运动的整车非线性系统，运用最小二乘支持向量机逆控制器的改进解耦控制方法，通过汽车垂直加速度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之间的解耦，对基于垂向和横向运动的整车非线性系统进行高性能控制。该方法可以实现汽车垂向、横向的集成运动控制，进一步提高了汽车的操作稳定性和行驶平顺性。

Description

一种主动悬架和电动助力转向集成系统的解耦控制方法

技术领域

本发明涉及车辆工程设备的技术领域，特指一种基于最小二乘支持向量机逆的主动悬架和电动助力转向集成系统的解耦控制方法，适用于基于垂向和横向运动的汽车整车非线性系统的输入输出解耦控制。

背景技术

目前，全球各大汽车公司、高校及研究机构对汽车各个电控子系统的控制研究已日趋成熟，诸如电动助力转向控制、安全防抱死制动装置、主动悬架控制、车内环境控制以及自动变速器控制等。通过研究可以看出，不同子系统控制技术的运用明显改善了汽车某方面的性能指标，大大改善了人与汽车系统之间的关系。

电动助力转向系统一般利用无刷直流电机对转向进行助力，从而提高了车辆的转向轻便性以及操纵稳定性。主动悬架系统根据外界环境的变化情况，自适应地不断调整悬架刚度与阻尼系数，从而有效改善了车辆的操纵稳定性和行驶平顺性。对于同时安装主动悬架系统和电动助力转向系统这两大系统的车辆而言，其整车动力学特性得到了较大的提升，然而两者又不仅仅是简单的叠加。对汽车这一整体而言，主动悬架系统和电动助力转向系统之间必然会相互干扰、相互影响，因此，十分有必要对主动悬架和电动助力转向集成系统进行解耦控制，使两者之间互不影响，以达到综合性能最优的控制目的。

发明内容

本发明的目的在于提供一种有效改善了车辆的操纵稳定性和行驶平顺性的基于最小二乘支持向量机逆控制器的汽车主动悬架和电动助力转向集成系统的解耦控制方法，实现汽车质心偏置角、垂直加速度、侧倾角、悬架动扰度与横摆角速度之间的解耦控制。

本发明采用的技术方案是：

一种主动悬架和电动助力转向集成系统的解耦控制方法，包括如下步骤：

1)将主动悬架系统与电动助力转向系统作为一个整体组成基于垂向和横向运动的整车非线性系统；

2)确定基于垂向和横向运动的整车非线性系统的逆系统的输入变量和输出变量；

3)采用优化后的最小二乘支持向量机加5个积分器构成最小二乘支持向量机逆；

4)将最小二乘支持向量机逆置于基于垂向和横向运动的整车非线性系统之前，最小二乘支持向量机逆与基于垂向和横向运动的整车非线性系统串联复合成伪线性系统；

5)对得到的5个所述一阶伪线性子系统设计5个模糊自适应控制器，将最小二乘支持向量机逆与模糊自适应闭环控制器共同组成最小二乘支持向量机逆控制器。

最后，采用TESIS(ve DYNA)试验平台实现来控制基于垂向和横向运动的整车非线性系统。

本发明的有益效果是：

1、由于对汽车垂直加速度a_z、侧倾角φ、悬架动扰度f_d、整车横摆角速度γ和质心偏置角β同时进行控制，基于最小二乘支持向量机逆控制器的改进解耦控制方法可以实现汽车垂向、横向的集成运动控制，进一步提高了汽车的操作稳定性和行驶平顺性。

2、本发明通过采用自适应遗传算法优化最小二乘支持向量机的正则化参数δ和核宽度σ，使得所建立的基于垂向和横向运动的汽车整车非线性系统的逆模型具有较高的精确度，有利于提高解耦控制的动静态特性。

3、对解耦后的5个一阶伪线性子系统分别设计5个模糊自适应控制器，来消除最小二乘支持向量机逼近系统逆模型时可能导致的系统稳态误差，从而提高整车非线性系统对负载扰动、参数突变以及网络延时等的鲁棒性。

附图说明

图1是整车非线性系统的示意图及其等效图；

图2是最小二乘支持向量机逆系统示意图；

图3是基于垂向和横向运动的整车非线性系统的逆模型参数优化流程图；

图4是最小二乘支持向量机逆与基于垂向和横向运动的整车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5是由模糊自适应闭环控制器与伪线性系统组成的闭环控制系统结构图；图6单个

模糊自适应控制器的原理框图；

图7是采用最小二乘支持向量机逆控制器对基于垂向和横向运动的整车非线性系统进行解耦控制的完整原理框图；

图8是本发明TESIS(ve DYNA)试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8步：

1、如图1所示，构成基于垂向和横向运动的整车非线性系统3。将主动悬架系统1与电动助力转向系统2作为一个整体组成基于垂向和横向运动的整车非线性系统3，其5个输入信号分别为主动悬架力F₁、F₂、F₃、F₄和电动助力转矩T_m，5个输出信号分别为垂直加速度a_z、侧倾角φ、悬架动扰度f_d、整车横摆角速度γ和质心偏置角β。

2、对基于垂向和横向运动的整车非线性系统3的运动方程进行分析可知，其数学模型为5阶微分方程。经推导可以证明该5阶微分方程可逆，即5逆系统存在，并可确定基于垂向和横向运动的整车非线性系统3的逆系统的输入变量为垂直加速度a_z的一阶导数侧倾角φ的一阶导数悬架动扰度f_d的一阶导数横摆角速度γ的一阶导数和质心偏置角β的一阶导数输出变量为基于垂向和横向运动的整车非线性系统3的输入F₁、F₂、F₃、F₄和T_m；垂直加速度a_z的一阶导数侧倾角φ的一阶导数悬架动扰度f_d的一阶导数整车横摆角速度γ的一阶导数和质心偏置角β的一阶导数为最小二乘支持向量机4的5个输入变量，如图2所示。

3、将主动悬架力F₁、F₂、F₃、F₄和电动助力转矩T_m的阶跃激励信号{F₁，F₂，F₃，F₄，T_m}加到基于垂向和横向运动的整车非线性系统3的输入端，以10ms的采样时间采集输出信号：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，并保存，对保存的数据分别求其一阶导数，并对信号做规范化处理，组成最小二乘支持向量机的训练样本集核函数选取径向基函数：

$K(x_i,x)=\exp \left(\frac{-{|x_i-x|}^2}{2{\mathrm{\σ}}^2}\right)---\left(1\right)$

式中，σ为核宽度，反映边界封闭包含的半径。核宽度σ的影响可从径向基神经网络导出，当σ过小时易产生过拟合，此时模型过于复杂，泛化能力差；若σ太大，支持向量间影响较强，易造成欠拟合。

然后依据图3所示的基于垂向和横向运动的整车非线性系统3的逆模型参数优化流程图，在训练最小二乘支持向量机的过程中，采用自适应遗传算法优化最小二乘支持向量机的正则化参数δ和核宽度σ，其具体过程为：

a)首先，根据系统的实际情况，首先选取参数取值的最大范围，即，参数的寻优范围初步给定为0＜δ＜2000，0.01＜σ＜20，种群大小给定为20，遗传代数给定为150；

b)采用实说编码方式，利用赌轮选择算法，均匀交叉，多点变异，终止条件设置为0.005；自适应遗传算法的适应度函数选择为：

$f(\mathrm{\δ},\mathrm{\σ})=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\hat{y}}_i-y_i)+\mathrm{\ϵ}},i=\mathrm{1,2},...,N---\left(2\right)$

式中，和y_i分别为辨识值和实际值，ε大小取为10^-4，以防止分母出现零的情况；

c)遗传算法的交叉概率与变异概率分别表示为：

$P_c=\left\{\begin{array}{c}{P}_{c1}-\frac{(P_{c1}-P_{c2})(P_c-P_{\mathrm{avg}})}{P_{\max }-P_{\mathrm{avg}}},P_c\&GreaterEqual;P_{\mathrm{avg}}\\ P_{c1},P_c<P_{\mathrm{avg}}\end{array}\right.---\left(3\right)$

$P_m=\left\{\begin{array}{c}{P}_{m1}-\frac{(P_{m1}-P_{c2})(P_m-P_{\mathrm{avg}})}{P_{\max }-P_{\mathrm{avg}}},P_m\&GreaterEqual;P_{\mathrm{avg}}\\ P_{m1},P_m<P_{\mathrm{avg}}\end{array}\right.---\left(4\right)$

式中，P_c1＝0.95，P_c2＝0.55，P_m1＝0.15，P_m2＝0.005，P_c和P_m分别为交叉个体适应度较大值和变异个体的适应度值，P_avg和P_max分别为群体平均适应度和最大适应度；

d)经过计算，最终确定正则化参数δ和核宽度σ分别为δ＝1100，σ＝0.52，从而确定最小二乘支持向量机4的向量系数与偏置值。

4、如图2所示，采用优化后的最小二乘支持向量机4加5个积分器构成最小二乘支持向量机逆5，最小二乘支持向量机逆5的第一个输入作为最小二乘支持向量机4的第一个输入，最小二乘支持向量机逆5的第一个输入经过第一个积分器的输出和最小二乘支持向量机4的第二个输入相连接；最小二乘支持向量机逆5的第二个输入作为最小二乘支持向量机4的第三个输入，最小二乘支持向量机逆5的第二个输入经过第二个积分器的输出和最小二乘支持向量机4的第四个输入相连接；最小二乘支持向量机逆5的第三个输入作为最小二乘支持向量机4的第五个输入，最小二乘支持向量机逆5的第三个输入经过第三个积分器的输出和最小二乘支持向量机4的第六个输入相连接；最小二乘支持向量机逆5的第四个输入作为最小二乘支持向量机4的第七个输入，最小二乘支持向量机逆5的第四个输入经过第四个积分器的输出和最小二乘支持向量机4的第八个输入相连接；最小二乘支持向量机逆5的第五个输入作为最小二乘支持向量机4的第九个输入，最小二乘支持向量机逆5的第五个输入经过第五个积分器的输出作为最小二乘支持向量机4的第十个输入；最小二乘支持向量机4的输出就是最小二乘支持向量机逆5的输出。

5、如4所示，将最小二乘支持向量机逆5置于基于垂向和横向运动的整车非线性系统3之前，最小二乘支持向量机逆5与基于垂向和横向运动的整车非线性系统3串联复合成伪线性系统6，形成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；从而达到对汽车主动悬架和电动助力转向集成系统的垂直加速度、侧倾角、悬架动扰度、横摆角速度和质心偏置角之间的解耦控制。

6、如图5所示，根据模糊控制理论对得到的5个一阶伪线性子系统分别设计5个模糊自适应控制器，分别为：垂直加速度模糊自适应控制器71、侧倾角模糊自适应控制器72、悬架动扰度模糊自适应控制器73、横摆角速度模糊自适应控制器74和质心偏置角模糊自适应控制器75，并由所述的5个模糊自适应控制器构成模糊自适应闭环控制器7。如图6所示，每个模糊自适应控制器均由PID控制器和模糊推理系统组成，模糊自适应控制器的输入为系统误差e和误差e的变化率ec，输出为PID控制器三个系数K_p、K_i、K_d的变化量ΔK_p、ΔK_i、ΔK_d。输入与输出的模糊子集为{NB，NM，NS，ZO，PS，PM，PB}，其中元素NB和元素PB的隶属度函数分别选用“zmf”和“smf”，剩余其它元素的隶属度函数则选取“trimf”。根据参数K_p、K_i、K_d对被控系统输出特性的实际影响情况，制定K_p、K_i、K_d的调整规则如下：当系统误差e较大时，为了提高系统的响应速度，并且防止较大超调，应该选取较大的K_p，较小的K_d，以及适中的K_i；当误差e值居中时，为了减少超调量，应该选取较小的K_p、K_i，并保持K_d的大小应适中，以保持系统具有较快的响应速度；当误差e较小时，为了保证系统具有良好的稳定性，应增大K_p、K_i，同时为了避免系统出现振荡，增强系统的抗干扰性，应适当选取较大的K_d，对系统进行模糊推理和解模糊时利用Min-Max方法。

7、如图7所示，将最小二乘支持向量机逆5与模糊自适应闭环控制器7相串联，共同组成最小二乘支持向量机逆控制器8。

8、整个基于最小二乘支持向量机逆控制器8的整车非线性系统3在TESIS(ve DYNA)试验平台上进行实施，具体如图8所示。图8中有工控机、TESIS(ve DYNA)试验平台，工控机上安装有Matlab平台，Matlab平台安装有Simulink仿真软件，编译之后生成的程序与TESIS(ve DYNA)相连，经过MIL模型在环验证、SIL软件在环验证、以及HIL硬件在环验证阶段之后，TESIS(ve DYNA)生成的可执行代码通过硬件接口电路发出执行信号，对基于垂向和横向运动的底盘非线性系统3进行控制。车载信号传感器对基于垂向和横向运动的底盘非线性系统3进行数据采集，获得相应的控制信号，送入信号实时监测模块，最后与TESIS(ve DYNA)试验平台相连，实现数据传输。

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 (4)

1.一种主动悬架和电动助力转向集成系统的解耦控制方法，其特征在于：包括如下步骤：

1)将主动悬架系统(1)与电动助力转向系统(2)作为一个整体组成基于垂向和横向运动的整车非线性系统(3)，其5个输入信号分别为主动悬架力F₁、F₂、F₃、F₄和电动助力转矩T_m，5个输出信号分别为垂直加速度a_z、侧倾角φ 、悬架动扰度f_d、整车横摆角速度γ和质心偏置角β；

2)确定基于垂向和横向运动的整车非线性系统(3)的逆系统的输入变量为垂直加速度a_z的一阶导数侧倾角φ的一阶导数悬架动扰度f_d的一阶导数整车横摆角速度γ的一阶导数和质心偏置角β的一阶导数输出变量为基于垂向和横向运动的整车非线性系统(3)的输入F₁、F₂、F₃、F₄和T_m；垂直加速度a_z的一阶导数侧倾角φ的一阶导数悬架动扰度f_d的一阶导数横摆角速度γ的一阶导数和质心偏置角β的一阶导数为最小二乘支持向量机(4)的5个输入变量；

3)采用优化后的最小二乘支持向量机(4)加5个积分器构成最小二乘支持向量机逆(5)，最小二乘支持向量机逆(5)的第一个输入作为最小二乘支持向量机(4)的第一个输入，最小二乘支持向量机逆(5)的第一个输入经过第一个积分器的输出作为最小二乘支持向量机(4)的第二个输入；最小二乘支持向量机逆(5)的第二个输入作为最小二乘支持向量机(4)的第三个输入，最小二乘支持向量机逆(5)的第二个输入经过第二个积分器的输出作为最小二乘支持向量机(4)的第四个输入；最小二乘支持向量机逆(5)的第三个输入作为最小二乘支持向量机(4)的第五个输入，最小二乘支持向量机逆(5)的第三个输入经过第三个积分器的输出作为最小二乘支持向量机(4)的第六个输入；最小二乘支持向量机逆(5)的第四个输入作为最小二乘支持向量机(4)的第七个输入，最小二乘支持向量机逆(5)的第四个输入经过第四个积分器的输出作为最小二乘支持向量机(4)的第八个输入；最小二乘支持向量机逆(5)的第五个输入作为最小二乘支持向量机(4)的第九个输入，最小二乘支持向量机逆(5)的第五个输入经过第五个积分器的输出作为最小二乘支持向量机(4)的第十个输入；最小二乘支持向量机(4)的输出就是最小二乘支持向量机逆(5)的输出；

4)将最小二乘支持向量机逆(5)置于基于垂向和横向运动的整车非线性系统(3)之前，最小二乘支持向量机逆(5)与基于垂向和横向运动的整车非线性系统(3)串联复合成伪线性系统(6)，形成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)；

5)对得到的5个所述一阶伪线性子系统设计5个模糊自适应控制器，分别为：垂直加速度模糊自适应控制器(71)、侧倾角模糊自适应控制器(72)、悬架动扰度模糊自适应控制器(73)、横摆角速度模糊自适应控制器(74)和质心偏置角模糊自适应控制器(75)，并由所述的5个模糊自适应控制器构成模糊自适应闭环控制器(7)，将最小二乘支持向量机逆(5)与模糊自适应闭环控制器(7)共同组成最小二乘支持向量机逆控制器(8)；

所述步骤3)中的最小二乘支持向量机(4)在训练时是采用自适应遗传算法优化最小二乘支持向量机的正则化参数δ和核宽度σ，从而调整最小二乘支持向量机(4)的向量系数与偏置值；

所述采用自适应遗传算法优化最小二乘支持向量机的正则化参数δ和核宽度σ的具体过程为：

a)首先，参数的寻优范围给定为0＜δ＜2000，0.01＜σ＜20，种群大小给定为20，遗传代数给定为150；

b)采用实数编码方式，利用赌轮选择算法，均匀交叉，多点变异，终止条件设置为0.005；自适应遗传算法的适应度函数选择为：

$f(\mathrm{\&delta;},\mathrm{\&sigma;})=\frac{1}{\underset{i=1}{\overset{N}{\&Sigma;}}({\hat{y}}_i-y_i)+\mathrm{\&epsiv;}},i=1,2,...,N$

式中，和y_i分别为辨识值和实际值，ε大小取为10^-4，以防止分母出现零的情况；

c)遗传算法的交叉概率与变异概率分别表示为：

$P_c=\left\{\begin{array}{c}{P}_{c1}-\frac{(P_{c1}-P_{c2})(P_c-P_{avg})}{P_{\max }-P_{avg}},P_c\&GreaterEqual;P_{avg}\\ P_{c1},P_c<P_{avg}\end{array}\right.$

$P_m=\left\{\begin{array}{c}{P}_{m1}-\frac{(P_{m1}-P_{m2})(P_m-P_{avg})}{P_{max}-P_{avg}},P_m\&GreaterEqual;P_{avg}\\ P_{m1},P_m<P_{avg}\end{array}\right.$

式中，P_c1＝0.95，P_c2＝0.55，P_m1＝0.15，P_m2＝0.005，P_c和P_m分别为交叉个体适应度较大值和变异个体的适应度值，P_avg和P_max分别为群体平均适应度和最大适应度；

d)经过计算，最终确定正则化参数δ和核宽度σ分别为δ＝1100，σ＝0.52，从而确定最小二乘支持向量机(4)的向量系数与偏置值。

2.根据权利要求1所述的主动悬架和电动助力转向集成系统的解耦控制方法，其特征在于：所述步骤3)中最小二乘支持向量机(4)选择径向基核函数进行训练。

3.根据权利要求1所述的主动悬架和电动助力转向集成系统的解耦控制方法，其特征在于：所述步骤5)中每个模糊自适应控制器均由PID控制器和模糊推理系统组成；模糊自适应控制器的输入为系统误差e和误差e的变化率ec，输出为PID控制器三个系数K_p、K_i、K_d的变化量ΔK_p、ΔK_i、ΔK_d；输入与输出的模糊子集为{NB，NM，NS，ZO，PS，PM，PB}，其中元素NB和元素PB的隶属度函数分别选用“zmf”和“smf”，剩余其它元素的隶属度函数则选取“trimf”。

4.根据权利要求1所述的主动悬架和电动助力转向集成系统的解耦控制方法，其特征在于：所述步骤5)中的最小二乘支持向量机逆控制器(8)采用TESIS试验平台实现来控制基于垂向和横向运动的整车非线性系统(3)。