CN113110053B - 一种对非线性主动悬挂系统实现有限时间控制的方法 - Google Patents

一种对非线性主动悬挂系统实现有限时间控制的方法 Download PDF

Info

Publication number
CN113110053B
CN113110053B CN202110405497.5A CN202110405497A CN113110053B CN 113110053 B CN113110053 B CN 113110053B CN 202110405497 A CN202110405497 A CN 202110405497A CN 113110053 B CN113110053 B CN 113110053B
Authority
CN
China
Prior art keywords
active suspension
suspension system
error
control law
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110405497.5A
Other languages
English (en)
Other versions
CN113110053A (zh
Inventor
黄运保
梁桂铭
林志跃
詹宏远
周健松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110405497.5A priority Critical patent/CN113110053B/zh
Publication of CN113110053A publication Critical patent/CN113110053A/zh
Application granted granted Critical
Publication of CN113110053B publication Critical patent/CN113110053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明公开了一种对非线性主动悬挂系统实现有限时间控制的方法，首先建立主动悬挂系统模型方程，分析主动悬挂系统的空间状态及需要改进的性能指标；接着建立具有时滞补偿的误差系统，通过辅助系统补偿主动悬挂系统时滞的影响；其次通过误差系统建立李雅普诺夫函数关系，利用反演技术得出虚拟控制律a1，控制律u，改善相应的性能指标；再次通过灰色神经网络训练得出补偿后误差系统的近似非线性函数；最后通过控制律u修正后，产生新的更小的主动悬挂系统时滞影响，在有限时间内重复不断循环本发明方法，从而实现对主动悬挂系统的有限时间进行稳定控制。

Description

一种对非线性主动悬挂系统实现有限时间控制的方法
技术领域
本发明涉及一种控制方法，具体为一种对非线性主动悬挂系统实现有限时间控制的方法。
背景技术
对于主动悬挂系统的控制，现有的控制大部分是基于渐进稳定性。渐进稳定性的缺点是不能确定系统到达稳定状态的时间，而到达稳定状态的时间与系统快速性有关，所以基于渐进稳定的控制很难实现系统的快速性。而基于有限时间稳定的控制可以使系统在规定的时间内到达稳定状态，所以更有可能实现系统的快速性。
在现有的研究系统有限时间稳定和主动悬挂系统的非线性的文献中，多数采用为神经网络或自适应神经网络对系统的非线性函数进行拟合，但由于神经网络需要大量的数据支持且计算量大，从而严重影响了神经网络的实际应用。
因此，为了改进现有技术的不足，本发明设计了一种拟合精度高且计算量少的拟合方法。
发明内容
本发明在于克服现有技术的不足，提供一种对非线性主动悬挂系统实现有限时间控制的方法，所述方法可以实现主动悬挂系统的有限时间稳定控制。
本发明解决上述技术问题的技术方案是：
一种对非线性主动悬挂系统实现有限时间控制的方法，包括以下步骤：
(1)、建立主动悬挂系统模型方程，分析主动悬挂系统的空间状态及需要改进的性能指标，其中，所述的性能指标包括簧载质量加速度
Figure GDA0003656567750000011
悬架挠度zs-zu、轮胎挠度zu-zr；
(2)、建立具有时滞补偿的误差系统，通过辅助系统补偿主动悬挂系统时滞的影响；
(3)、通过误差系统建立李雅普诺夫函数关系，利用反演技术得出虚拟控制律a1，控制律u，改善相应的性能指标；
(4)、通过灰色神经网络训练得出补偿后误差系统的近似非线性函数；
(5)、通过控制律u修正后，会产生新的更小的主动悬挂系统时滞影响，在有限时间内重复步骤(1)开始循环。
优选的，在步骤(1)中，主动悬挂系统模型方程为：
Figure GDA0003656567750000012
其中，zs，zu分别为簧载质量和非簧载质量的垂直位移，zr为道路的输入，ms，mu分别为簧载质量和非簧载质量，u为具有恒定时滞τ的主动控制力发生器，fs，fd为存在非线性因素的悬架部件的弹簧力和阻尼力函数，fus，fud为轮胎受力等效替换的弹簧力与阻尼力；
令
Figure GDA0003656567750000021
则主动悬挂系统的空间状态为：
Figure GDA0003656567750000022
其中，f(x，t)为：
Figure GDA0003656567750000023
优选的，在步骤(2)中，所述辅助系统的方程为：
Figure GDA0003656567750000024
与主动悬挂系统的误差系统为：
Figure GDA0003656567750000025
结合①和②，误差系统为：
Figure GDA0003656567750000026
其中，p1＞1/2，p2＞1且为已知参数，λ1，λ2为变量且满足初值条件
Figure GDA0003656567750000027
z1为簧载质量位移误差，z2为簧载质量速度误差，x1＝zs，
Figure GDA0003656567750000028
xd为理想的轨迹，α1为虚拟控制律。
优选的，在步骤(3)中，虚拟控制律α1：
Figure GDA0003656567750000029
控制律u：
Figure GDA0003656567750000031
其中，
Figure GDA0003656567750000032
通过α1，u实现有限时间稳定控制。
优选的，在步骤(4)中，通过灰色神经网络训练得出补偿后误差系统的近似非线性函数的步骤为：
(4-1)、对灰色神经网络进行训练，其中，训练的输入与输出定义如下：
Figure GDA0003656567750000033
其中，x1，x2分别表示簧载质量位移、簧载质量速度；x3，x4分别表示非簧载质量位移、簧载质量速度；x5是虚拟控制律α1的导数；x6是变量λ2；x7是代表
Figure GDA0003656567750000034
的输出；
对灰色神经网络进行训练的步骤为：
(4-11)、对数据进行规范化：
Figure GDA0003656567750000035
其中，xi(k)为xi的第k个数据；i，j＝1，2，…，n；n代表数据的数量；
(4-12)、对训练数据进行累加生成工作，形成一个新的数据序列yi，其中，
Figure GDA0003656567750000036
(4-13)、建立包含系数bi的灰色神经网络：
Figure GDA0003656567750000037
其中，yi(k)表示yi的第k个数据；
(4-14)、为了加快训练速度和初始权重，参数bi由最小二乘法计算：
ν＝(BTB)-1BTY；
其中，
Figure GDA0003656567750000038
Y＝[x7(2)，x7(3)，…，x7(n)]T并且B满足下列矩阵：
Figure GDA0003656567750000041
设置初始权重如下：
Figure GDA0003656567750000042
(4-15)、计算每一层的输出：
Figure GDA0003656567750000043
其中，W2＝[w21，w22，…，w26]，X＝[y1，y2，…，y6]T，X∈R6×n；
Figure GDA0003656567750000044
表示第j层的第i个神经的输出；w32为假设权重且
Figure GDA0003656567750000045
(4-16)、计算每个输出的误差和权重：
Figure GDA0003656567750000046
(4-17)、更新权重后，流程返回步骤(4-15).若迭代与设置的迭代相关，则保存权重；
(4-2)、利用节省后的权重进行预测，根据步骤(4-15)，对测试数据计算其每一层的输出，而后进行逆累积和逆移轴操作。在满足要求时，预测
Figure GDA0003656567750000047
可被改写为：
Figure GDA0003656567750000051
其中，
Figure GDA0003656567750000052
为第k，k-1组测试数据的最后一层输出。
本发明与现有技术相比具有以下的有益效果：
(1)、本发明的对非线性主动悬挂系统实现有限时间控制的方法通过提出的有限时间定理，实现主动悬挂系统的有限时间稳定控制，且同时通过灰色神经网络，实现高效拟合主动悬挂有限时间稳定系统的非线性函数，即在有限计算时间内提供高拟合精度且计算量少的拟合曲线。
(2)、本发明的对非线性主动悬挂系统实现有限时间控制的方法通过引进一个辅佐系统，在主动悬挂系统有限时间稳定下，实现补偿主动悬挂系统执行器的时滞。
附图说明
图1为本发明的对非线性主动悬挂系统实现有限时间控制的方法的流程框图。
图2为两自由度的四分之一汽车主动悬挂系统模型的结构图。
图3为灰色神经网络(GNN)的结构图。
图4为正弦道路簧载质量加速度(τ＝30ms)的波形图。
图5为正弦道路轮胎挠度(τ＝30ms)的波形图。
图6为正弦道路执行器压力(τ＝30ms)的波形图。
图7为主动悬挂系统在正弦道路相对于PSS性能改善百分比(τ＝30ms)的柱形图。
图8为主动悬挂系统在颠簸道路下时滞为τ＝0ms、10ms、30ms响应的示意图(包括簧载质量加速度、悬挂扰度、轮胎扰度、执行度压力)。
图9为主动悬挂系统在颠簸道路相对于PSS的性能改进百分比的柱形图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
参见图1-图3，本发明的对非线性主动悬挂系统实现有限时间控制的方法，包括以下步骤：
(1)、建立主动悬挂系统模型方程，分析主动悬挂系统的空间状态及需要改进的性能指标，其中，
所要改进的性能指标包括簧载质量加速度
Figure GDA0003656567750000053
悬架挠度zs-zu、轮胎挠度zu-zr；
所述的主动悬挂系统模型方程为：
Figure GDA0003656567750000061
其中，zs，zu分别为簧载质量和非簧载质量的垂直位移，zr为道路的输入，ms，mu分别为簧载质量和非簧载质量，u为具有恒定时滞τ的主动控制力发生器，fs，fd为存在非线性因素的悬架部件的弹簧力和阻尼力函数，fus，fud为轮胎受力等效替换的弹簧力与阻尼力；
令
Figure GDA0003656567750000062
则主动悬挂系统的空间状态为：
Figure GDA0003656567750000063
其中，f(x，t)为：
Figure GDA0003656567750000064
(2)、建立具有时滞补偿的误差系统，通过辅助系统补偿主动悬挂系统时滞的影响，其中，
所述的辅助系统的方程为：
Figure GDA0003656567750000065
与主动悬挂系统的误差系统为：
Figure GDA0003656567750000066
结合上述两式，则误差系统可写为：
Figure GDA0003656567750000067
其中，p1＞1/2，p2＞1且为已知参数，λ1，λ2为变量且满足初值条件
Figure GDA0003656567750000071
z1为簧载质量位移误差，z2为簧载质量速度误差，x1＝zs，
Figure GDA0003656567750000072
xd为理想的轨迹，α1为虚拟控制律；
(3)、通过误差系统建立李雅普诺夫函数关系，利用反演技术得出虚拟控制律α1，控制律u，改善相应的性能指标(即簧载质量加速度
Figure GDA0003656567750000073
悬架挠度zs-zu、轮胎挠度zu-zr)，其中，
虚拟控制律α1：
Figure GDA0003656567750000074
控制律u：
Figure GDA0003656567750000075
其中，
Figure GDA0003656567750000076
通过α1，u实现有限时间稳定控制；
(4)、通过灰色神经网络训练得出补偿后误差系统的近似非线性函数，具体步骤为：
(4-1)、对灰色神经网络进行训练，其中，训练的输入与输出定义如下：
Figure GDA0003656567750000077
其中，x1，x2分别表示簧载质量位移、簧载质量速度；x3，x4分别表示非簧载质量位移、非簧载质量速度；x5是虚拟控制律α1的导数；x6是变量λ2；x7是代表
Figure GDA0003656567750000078
的输出；
对灰色神经网络进行训练的步骤为：
(4-11)、数据规范化：
Figure GDA0003656567750000079
其中，xi(k)为xi的第k个数据；i，j＝1，2，…，n；n代表数据的数量；
(4-12)、对训练数据进行累加生成工作，形成一个新的数据序列yi。
Figure GDA00036565677500000710
(4-13)、建立包含系数bi的灰色神经网络：
Figure GDA0003656567750000081
其中，yi(k)表示yi的第k个数据；
(4-14)、为了加快训练速度和初始权重，参数bi由最小二乘法计算：
ν＝(BTB)-1BTY；
其中，
Figure GDA0003656567750000082
Y＝[x7(2)，x7(3)，…，x7(n)]T，并且B满足下列矩阵：
Figure GDA0003656567750000083
设置初始权重如下：
Figure GDA0003656567750000084
(4-15)、计算每一层的输出：
Figure GDA0003656567750000085
其中，W2＝[w21，w22，…，w26]，X＝[y1，y2，…，y6]T，X∈R6×n；
Figure GDA0003656567750000086
表示第j层的第i个神经的输出；w32为假设权重且
Figure GDA0003656567750000087
(4-16)、计算每个输出的误差和权重：
Figure GDA0003656567750000091
(4-17)、更新权重后，流程返回步骤(4-15).若迭代与设置的迭代相关，则保存权重；
(4-2)、预测，对节省下的权重进行预测，根据步骤(4-15)，对测试数据计算其每一层的输出，而后进行逆累积和逆移轴操作。在满足要求时，预测
Figure GDA0003656567750000092
可被改写为：
Figure GDA0003656567750000093
其中，
Figure GDA0003656567750000094
为第k，k-1组测试数据的最后一层输出；
(5)、通过控制律u修正后，会产生新的更小的主动悬挂系统时滞影响，在有限时间内重复步骤(1)-步骤(5)开始循环。
实施例2
以下对无控制器的被动悬挂系统(PSS)、具有控制律的有限时间控制器(FT)、具有控制器律的目标控制器(GNNFT)进行比较；
(1)、正弦道路试验
主动悬架模型的参数设置可参见下表(表1)；
Figure GDA0003656567750000095
设置β＝19/20，k1＝1，p1＝60/4，k2＝100，p2＝6，并且假定执行器具有恒定执行器延迟；
道路干扰为：
zr＝0.002sin(6πt)；
FT控制律为：
u＝ms(un+uc)；
其中，uc为外部干扰补偿器，un是名义上的控制器，满足：
Figure GDA0003656567750000101
其中，
Figure GDA0003656567750000102
GNNFT控制律u为：
Figure GDA0003656567750000103
当τ＝30ms时，可以明显看出，GNNFT的加速度谱(参见图4)在共振频率附近有一个峰值且为最大值，而FT在其他频率中具有另一个高峰，可以看出FT无法保持比GNNFT更好的表现。GNNFT的簧上质量加速度比FT低，并且仍然可以确保轮胎挠度(参见图5)低于PSS，而FT的性能比PSS差，并且FT的力非常大(参见图6)。从系统状态的均方根值(参见表2) 和主动悬挂系统在正弦道路相对于PSS的性能改善百分比(参见图7)可以看出，FT不能直观地保持良好的性能，而GNNFT可以。
表2.系统状态的均方根(×104)(τ＝30ms)
Figure GDA0003656567750000104
(2)、颠簸道路试验
其中，颠簸道路试验的主动悬架模型的参数设置与正弦道路试验中的主动悬架模型的参数设置一致，即可参见表1；
设置β＝19/20，k1＝1，p1＝60/4，k2＝100，p2＝6，对颠簸路面公式描述如下：
Figure GDA0003656567750000111
其中，A，l分别是颠簸道路的高度和长度，设A＝0.05m，l＝5m，车速v＝10m/s；FT控制律与 GNNFT控制律同正弦道路试验中的相同。
从主动悬挂系统的颠簸路面响应(不同执行器时滞)(参见图8)中可以看出，GNNFT控制器能够以不同的时间延迟寻址执行器。GNNFT可以保持比FT和PSS更好的性能，并且GNNFT 控制器的输入仍然是平滑的。但是，在一段时间内，地面操纵系统在簧上质量加速度上有高频振荡。从系统状态的均方根值(参见表3)和主动悬挂系统在颠簸道路相对于PSS的性能改进百分比(参见图9)，可以直观地看到GNNFT具有更好的性能。
表3.系统状态的均方根(×104)(不同的执行器时滞)
Figure GDA0003656567750000112
最后可以得到的结论是：GNNFT能够在有限时间内稳定控制具有执行器时滞的非线性主动悬挂系统且GNNFT比FT具有更良好的减震性能。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、块合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种对非线性主动悬挂系统实现有限时间控制的方法，其特征在于，包括以下步骤：
(1)、建立主动悬挂系统模型方程，分析主动悬挂系统的空间状态及需要改进的性能指标，其中，所述的性能指标包括簧载质量加速度
Figure FDA0003711923320000011
悬架挠度zs-zu、轮胎挠度zu-zr，其中，zs,zu分别为簧载质量和非簧载质量的垂直位移，zr为道路的输入；
(2)、建立具有时滞补偿的误差系统，通过辅助系统补偿主动悬挂系统时滞的影响；其中，
所述的辅助系统的方程为：
Figure FDA0003711923320000012
与主动悬挂系统的误差系统为：
Figure FDA0003711923320000013
结合①和②，误差系统为：
Figure FDA0003711923320000014
其中，p1＞1/2,p2＞1且为已知参数，λ1,λ2为变量且满足初值条件
Figure FDA0003711923320000015
z1为簧载质量位移误差，z2为簧载质量速度误差，x1＝zs,
Figure FDA0003711923320000016
xd为理想的轨迹，α1为虚拟控制律；ms,为簧载质量；u(t-τ)为具有恒定时滞τ的主动控制律发生器；u(t)指未加时滞的主动控制发生器；
(3)、通过误差系统建立李雅普诺夫函数关系，利用反演技术得出虚拟控制律α1，控制律u，改善相应的性能指标；
(4)、通过灰色神经网络训练得出补偿后的误差系统的近似非线性函数；
(5)、通过控制律u修正后，产生新的更小的主动悬挂系统时滞影响，在有限时间内重复步骤(1)开始循环。
2.根据权利要求1所述的对非线性主动悬挂系统实现有限时间控制的方法，其特征在于，在步骤(1)中，主动悬挂系统模型方程为：
Figure FDA0003711923320000021
其中，zs,zu分别为簧载质量和非簧载质量的垂直位移，zr为道路的输入，ms,mu分别为簧载质量和非簧载质量，u(t-τ)为具有恒定时滞τ的主动控制律发生器，fs,fd为存在非线性因素的悬架部件的弹簧力和阻尼力函数，fus,fud为轮胎受力等效替换的弹簧力与阻尼力；
令
Figure FDA0003711923320000022
则主动悬挂系统的空间状态为：
Figure FDA0003711923320000023
其中，f(x,t)为：
Figure FDA0003711923320000024
3.根据权利要求2所述的对非线性主动悬挂系统实现有限时间控制的方法，其特征在于，在步骤(3)中，虚拟控制律α1：
Figure FDA0003711923320000025
控制律u：
Figure FDA0003711923320000026
其中，
Figure FDA0003711923320000031
通过α1，u实现有限时间稳定控制；β,k1,k2,p1,p2为标量，取值范围p1＞1/2,p2＞1。
4.根据权利要求3所述的对非线性主动悬挂系统实现有限时间控制的方法，其特征在于，在步骤(4)中，通过灰色神经网络训练得出补偿后误差系统的近似非线性函数的步骤为：
(4-1)、对灰色神经网络进行训练，其中，训练的输入与输出定义如下：
Figure FDA0003711923320000032
其中，x1,x2分别表示簧载质量位移、簧载质量速度；x3,x4分别表示非簧载质量位移、非载质量速度；x5是虚拟控制律α1的导数；x6是变量λ2；x7是代表
Figure FDA0003711923320000033
的输出；
对灰色神经网络进行训练的步骤为：
(4-11)、对数据进行规范化：
Figure FDA0003711923320000034
其中，xi(k)为xi的第k个数据；i,j＝1,2,…,n；n代表数据的数量；xj(l)为xj的第l个数据；
(4-12)、对训练数据进行累加生成工作，形成新的数据序列yi，其中，
Figure FDA0003711923320000035
(4-13)、建立包含系数bi的灰色神经网络：
Figure FDA0003711923320000036
其中，yi(k)表示yi的第k个数据；
(4-14)、为了加快训练速度和初始权重，参数bi由最小二乘法计算：
ν＝(BTB)-1BTY；
其中，
Figure FDA0003711923320000041
Y＝[x7(2),x7(3),…,x7(n)]T并且B满足下列矩阵：
Figure FDA0003711923320000042
设置初始权重如下：
Figure FDA0003711923320000043
其中，x7_1表示x7的第一个元素；
(4-15)、计算每一层的输出：
Figure FDA0003711923320000044
其中，W2＝[w21,w22,…,w26],X＝[y1,y2,…,y6]T,X∈R6×n；
Figure FDA0003711923320000045
表示第j层的第i个神经的输出，Z[j]表示第j层所有神经的输出；w32为假设权重且
Figure FDA0003711923320000046
Z[3](s)，
Figure FDA0003711923320000047
w32(s)，
Figure FDA0003711923320000048
t(s)中的s表示矩阵Z[3]，
Figure FDA0003711923320000049
w32，
Figure FDA00037119233200000410
t的第s列数据；
(4-16)、计算每个输出的误差和权重：
Figure FDA0003711923320000051
(4-17)、更新权重后，流程返回步骤(4-15)；若迭代与设置的迭代相关，则保存权重；
(4-18)、利用更新后的权重进行预测，根据步骤(4-15)，对测试数据计算其每一层的输出，而后进行逆累积和逆移轴操作；预测
Figure FDA0003711923320000052
被改写为：
Figure FDA0003711923320000053
其中，
Figure FDA0003711923320000054
为第k,k-1组测试数据的最后一层输出。
CN202110405497.5A 2021-04-15 2021-04-15 一种对非线性主动悬挂系统实现有限时间控制的方法 Active CN113110053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110405497.5A CN113110053B (zh) 2021-04-15 2021-04-15 一种对非线性主动悬挂系统实现有限时间控制的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110405497.5A CN113110053B (zh) 2021-04-15 2021-04-15 一种对非线性主动悬挂系统实现有限时间控制的方法

Publications (2)

Publication Number Publication Date
CN113110053A CN113110053A (zh) 2021-07-13
CN113110053B true CN113110053B (zh) 2022-08-09

Family

ID=76717416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110405497.5A Active CN113110053B (zh) 2021-04-15 2021-04-15 一种对非线性主动悬挂系统实现有限时间控制的方法

Country Status (1)

Country Link
CN (1) CN113110053B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114660936B (zh) * 2022-03-28 2024-05-07 扬州东升汽车零部件股份有限公司 一种基于rbf神经网络的主动悬架系统智能控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITTO20040173A1 (it) * 2004-03-16 2004-06-16 Mario Milanese Procedimento e sistema per il controllo di sospensioni semi-attive, ad esempio per veicoli, relativa struttura e prodotto informatico
CN103434359B (zh) * 2013-09-09 2015-06-24 哈尔滨工业大学 一种汽车主动悬架系统的多目标控制方法
CN106956559B (zh) * 2017-03-07 2019-10-01 江苏大学 一种汽车主动悬架的有限时间混合控制方法
CN111553021B (zh) * 2020-04-26 2022-09-16 贵州理工学院 一种基于级联干扰观测器的主动悬架系统的设计方法

Also Published As

Publication number Publication date
CN113110053A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
Liu et al. The damped dynamic vibration absorbers: revisited and new result
CN113110053B (zh) 一种对非线性主动悬挂系统实现有限时间控制的方法
CN111487870B (zh) 一种柔性主动悬架系统中自适应反演控制器的设计方法
Das et al. Adaptive predator–prey optimization for tuning of infinite horizon LQR applied to vehicle suspension system
CN107976904B (zh) 磁流变半主动悬架泰勒级数-二重h2时滞补偿控制方法
Bretl Optimization of engine mounting systems to minimize vehicle vibration
CN105469142A (zh) 一种基于样本增量驱动的神经网络增量型前馈算法
Alexandru et al. The virtual prototype of a mechatronic suspension system with active force control
CN112904718A (zh) 一种基于Hammerstein模型的磁流变阻尼器控制系统及方法
Zhang et al. Collaborative optimization design framework for hierarchical filter barrier control suspension system with projection adaptive tracking hydraulic actuator
CN109062040A (zh) 基于系统嵌套优化的预测pid方法
CN102393645A (zh) 一种高速电液比例调速系统的控制方法
Gao et al. Design of compensatory backstepping controller for nonlinear magnetorheological dampers
CN111795791A (zh) 一种变步长液压振动台自适应幅相控制方法
Xu et al. Semi-active control of a new quasi-zero stiffness air suspension for commercial vehicles based on event-triggered H∞ dynamic output feedback
CN113467233B (zh) 一种基于模糊模型的时滞有限频域输出反馈控制方法
CN111452579B (zh) 基于悬架不变点理论的车辆半主动自适应控制系统及方法
CN111439087B (zh) 一种基于模型参考自适应控制的车辆isd悬架主动控制方法
Fu et al. Adaptive optimal control of unknown nonlinear systems with different time scales
Kaleemullah et al. Comparative analysis of LQR and robust controller for active suspension
Félix-Herrán et al. Control of a semi-active suspension with a magnetorheological damper modeled via Takagi-Sugeno
Gordon et al. Stochastic optimal control of active vehicle suspensions using learning automata
CN113791539A (zh) 一种基于非线性主动悬架的自适应神经网络控制方法
Theunissen et al. Explicit model predictive control of an active suspension system
Qamar et al. Adaptive B-spline based neuro-fuzzy control for full car active suspension system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant