CN114545769A - 神经网络在控制系统中的应用 - Google Patents

神经网络在控制系统中的应用 Download PDF

Info

Publication number
CN114545769A
CN114545769A CN202111368519.1A CN202111368519A CN114545769A CN 114545769 A CN114545769 A CN 114545769A CN 202111368519 A CN202111368519 A CN 202111368519A CN 114545769 A CN114545769 A CN 114545769A
Authority
CN
China
Prior art keywords
output
neurons
vehicle
neural network
control
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.)
Pending
Application number
CN202111368519.1A
Other languages
English (en)
Inventor
S·辛格
I·F·G·曼苏尔
S·瓦尔桑
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.)
Dus Operation Co ltd
Original Assignee
Dus Operation Co ltd
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 Dus Operation Co ltd filed Critical Dus Operation Co ltd
Publication of CN114545769A publication Critical patent/CN114545769A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
    • B60G17/018—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/22—Conjoint control of vehicle sub-units of different type or different function including control of suspension systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/18—Automatic control means
    • B60G2600/187—Digital Controller Details and Signal Treatment
    • B60G2600/1878—Neural Networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Abstract

一种神经网络控制系统和方法，包括与运载工具中的神经网络控制器通信的运载工具传感器。神经网络(NN)以至少两种模式运行：训练模式和控制模式。NN由至少五个包含多个神经元的计算层组成。传感器数据由NN控制器接收，并通过各层进行处理，其中每个神经元对传感器数据应用权重。在训练模式中，连续地调节权重，直到达到已知参考信号与设备输出之间的阈值差。在控制模式中，NN控制器连续且递归地发送控制信号，命令设备响应于传感器数据调节致动器位置，直到基本上消除传感器数据中的扰动。

Description

神经网络在控制系统中的应用
技术领域
本公开涉及机动运载工具，更具体地说，涉及用于管理机动运载工具动力学的控制系统。
背景技术
机动运载工具中的典型控制系统利用经典的比例积分微分(proportionalintegral derivative，PID)和/或模型预测控制(model predictive control，MPC)方法来解决机动运载工具内的控制问题。经典的PID和MPC系统和方法需要精确的调谐、强处理能力和大量的处理时间。同样，当处理不同于预期值范围的输入信号时和/或当需要PID和/或MPC系统和方法处理来自多个输入/输出系统的数据时，经典的PID和/或MPC系统和方法会变得不准确。类似地，经典的PID和MPC系统和方法在用于解决无法用精确的数学模型准确表示的复杂非线性现实世界问题时，会产生不可预测的结果。
因此，尽管当前用于管理机动运载工具动力学的经典PID和MPC系统和方法实现了其预期目的，但是仍需要新的和改进的系统和方法，来提高机动运载工具控制系统计算的速度、便携性、处理能力和准确性，同时还增加这种控制系统适应变化的现实世界和模拟输入信号的能力，并且通过解决无法由精确数学模型表示的复杂非线性现实世界问题来提高控制系统输出的准确性。
发明内容
根据几个方面，一种用于运载工具的神经网络控制系统，包括设置在运载工具上的一个或多个传感器，该一个或多个传感器检测运载工具状态信息和扰动。控制系统还包括设置在运载工具内的控制器，该控制器具有处理器、存储器和一个或多个输入输出(I/O)端口。I/O端口从一个或多个传感器接收输入数据。处理器执行存储在存储器中的程序控制逻辑。编程逻辑在具有多个计算层的神经网络(neural network，NN)中运行。程序控制逻辑还包括第一控制逻辑，该第一控制逻辑用于接收参考信号，并且用于通过I/O端口从一个或多个传感器接收运载工具状态信息和扰动。第二控制逻辑利用运载工具状态信息和扰动作为神经网络(NN)的计算层中的多个神经元的输入。在第三控制逻辑中，多个计算层中的每一个计算层中的神经元中的每一个神经元将预定权重应用于运载工具状态信息和扰动。第四控制逻辑生成控制信号作为NN输出。第五控制逻辑在设置在运载工具上的设备内接收NN输出和扰动。第六控制逻辑基于控制信号和扰动生成设备输出。第七控制逻辑计算设备输出与参考信号之间的差值。第八控制逻辑生成第二控制信号作为NN输出。第二控制信号基于参考信号、运载工具状态信息、扰动以及设备输出与参考信号之间的差值。控制信号命令设置在机动运载工具上的一个或多个致动器改变位置。处理器连续且递归地执行第一控制逻辑、第二控制逻辑、第三控制逻辑、第四控制逻辑、第五控制逻辑、第六控制逻辑、第七控制逻辑和第八控制逻辑，以连续且主动地响应运载工具状态信息和扰动，并且基本上消除由一个或多个传感器检测到的任何扰动。
在本公开的另一方面，运载工具状态信息包括道路轮廓位移、道路轮廓速度、簧下质量位移、簧下质量速度、簧下质量加速度、簧上质量位移、簧上质量速度和簧上质量加速度。
在本公开的又一方面，多个计算层还包括具有第一数量的神经元并且生成第一输出的第一层，接收第一输出的第二层，第二层具有比第一数量的神经元少的第二数量的神经元并且生成第二输出。多个计算层还包括接收第二输出的第三层，第三层具有比第二数量的神经元少的第三数量的神经元并且生成第三输出，以及接收第三输出的第四层，第四层具有比第三数量的神经元少的第四数量的神经元并且生成第四输出。计算层的第五层接收第四输出。第五层具有比第四数量的神经元少的第五数量的神经元并且生成第五输出，其中第五输出是控制信号。
在本公开的又一方面，控制器以至少两种模式操作，包括训练模式和控制模式。在该训练模式中，NN的神经元的权重彼此不同，并且权重被连续且递归地调节，直到满足参考信号与设备输出之间的阈值差。在该控制模式中，设备输出导致一个或多个致动器改变位置。
在本公开的另一方面，在训练模式中，NN的神经元各自具有随机化的权重。向神经元中的每一个神经元馈送运载工具状态信息、扰动和参考信号。参考信号是一组已知值，NN输出是基于运载工具状态信息、扰动和参考信号的估计控制信号。
在本公开的又一方面，控制信号和估计控制信号被学习算法作为输入。学习算法基于控制信号和估计控制信号之间的差值递归地调节神经元的权重，直到参考信号与设备输出基本上相同。
在本公开的又一方面，在控制模式中，响应于运载工具状态信息和运载工具行驶的路面形状的扰动，控制信号连续且主动地命令主动悬架系统的一个或多个致动器改变位置。
在本公开的又一方面，主动悬架系统包括：簧上质量，通过至少一个弹簧和至少一个阻尼器可移动地联接到簧下质量；簧下质量，可移动地联接到至少一个车轮；车轮，配备有具有弹簧系数和阻尼比的轮胎。弹簧、阻尼器、簧下质量和车轮中的一个或多个包括能够响应于控制信号改变位置的致动器。
在本公开的又一方面，主动悬架致动器包括：具有可调阻尼比的主动阻尼器、具有可调扭矩或扭力的主动防侧倾杆、具有可调弹簧刚度的主动弹簧、主动液压悬架系统中的泵和阀以及主动气动悬架系统中的泵和阀。
在本公开的又一方面，一种用于运载工具控制系统的神经网络控制方法，包括利用设置在运载工具上的一个或多个传感器检测运载工具状态信息和扰动。该方法还包括通过设置在运载工具内的控制器的一个或多个输入/输出(I/O)端口接收参考信号、运载工具状态信息和扰动。控制器具有处理器、存储器和I/O端口；该处理器执行存储在存储器中的编程控制逻辑，该编程逻辑在具有多个计算层的神经网络(NN)中运行。该方法还包括利用运载工具状态信息和扰动作为NN中多个计算层中的多个神经元的输入，并且由多个计算层中的神经元中的每一个神经元将预定权重应用于运载工具状态信息和扰动。该方法还包括生成控制信号作为NN输出，并且在设置在运载工具上的设备内接收NN输出和扰动。该方法还包括基于控制信号和扰动生成设备输出，并且计算设备输出与参考信号之间的差值。该方法还包括生成第二控制信号作为NN输出，第二控制信号基于参考信号、运载工具状态信息、扰动以及设备输出与参考信号之间的差值。该方法还包括命令设置在运载工具上的一个或多个致动器改变位置，并且由处理器连续且递归地执行控制逻辑，以连续且主动地响应运载工具状态信息和扰动。该方法还包括基本上消除由一个或多个传感器检测到的任何扰动。
在本公开的又一方面，接收参考信号、运载工具状态信息和扰动还包括由一个或多个传感器确定道路轮廓位移、道路轮廓速度、簧下质量位移、簧下质量速度、簧下质量加速度、簧上质量位移、簧上质量速度和簧上质量加速度。
在本公开的又一方面，神经网络控制方法还包括接收运载工具状态信息和扰动作为多个计算层的第一层的输入，第一层具有第一数量的神经元，第一层生成第一输出。该方法还包括接收第一输出作为第二层的输入，第二层具有比第一数量的神经元少的第二数量的神经元，第二层生成第二输出，以及接收第二输出作为第三层的输入，第三层具有比第二数量的神经元少的第三数量的神经元，第三层生成第三输出。该方法还包括接收第三输出作为第四层的输入，第四层具有比第三数量的神经元少的第四数量的神经元，第四层生成第四输出。该方法还包括接收第四输出作为第五层的输入，第五层具有比第四数量的神经元少的第五数量的神经元，第五层生成第五输出。第五输出是控制信号。
在本公开的又一方面，神经网络控制方法还包括以至少两种模式操作神经网络，包括训练模式和控制模式。在该训练模式中，NN的神经元的权重彼此不同，并且权重被连续且递归地调节，直到满足参考信号与设备输出之间的阈值差。在该控制模式中，设备输出导致一个或多个致动器改变位置。
在本公开的又一方面，神经网络控制方法还包括向NN的神经元馈送运载工具状态信息、参考信号和扰动。在训练模式中，NN的神经元各自具有随机化的权重。参考信号是一组已知值，NN输出是基于运载工具状态信息、扰动和参考信号的估计控制信号。
在本公开的又一方面，神经网络控制方法还包括将控制信号和估计控制信号作为输入发送到学习算法。该方法还包括计算控制信号和估计控制信号之间的差值。该方法还包括通过学习算法基于控制信号与估计控制信号之间的差值递归地调节神经元的权重，直到参考信号与设备输出基本上相同。
在本公开的又一个方面，神经网络控制方法还包括：在控制模式中，响应于运载工具状态信息和运载工具行驶的路面形状的扰动，连续且主动地命令主动悬架系统的一个或多个致动器改变位置。
在本公开的又一方面，神经网络控制方法还包括利用主动悬架系统，该主动悬架系统具有：簧上质量，通过至少一个弹簧和至少一个阻尼器可移动地联接到簧下质量；簧下质量，可移动地联接到至少一个车轮。车轮配备有具有弹簧系数和阻尼比的轮胎。响应于控制信号，该方法主动改变主动悬架系统的一个或多个致动器的位置。一个或多个致动器包括：弹簧、阻尼器、簧下质量和车轮。
在本公开的又一方面，神经网络控制方法还包括调节一个或多个主动阻尼器的阻尼比，调节一个或多个主动防侧倾杆的扭矩或扭力，调节一个或多个主动弹簧的弹簧刚度，通过改变流经主动液压悬架系统的泵和阀的流体流量来调节主动液压悬架系统中的液压，以及通过改变流经主动气动悬架系统的泵和阀的气体流量来调节主动气动悬架系统中的气动压力。
在本公开的又一方面，一种用于运载工具控制系统的神经网络控制方法，包括使神经网络处于包括训练模式和控制模式的至少两种模式中的一种模式。该方法还包括用设置在运载工具上的一个或多个传感器检测运载工具状态信息和扰动，以及通过设置在运载工具内的控制器的一个或多个输入/输出(I/O)端口接收参考信号、运载工具状态信息和扰动。控制器具有处理器、存储器和I/O端口。处理器执行存储在存储器中的程序控制逻辑。编程逻辑在具有多个计算层的神经网络(NN)中运行。该方法还包括利用运载工具状态信息和扰动作为NN中的多个计算层中的多个神经元的输入。多个计算层中的每一个计算层中的神经元中的每一个神经元将预定权重应用于运载工具状态信息和扰动。生成控制信号作为NN输出。NN输出和扰动是在设置在运载工具上的设备中接收的。该方法还包括基于控制信号和扰动生成设备输出，并且计算设备输出与参考信号之间的差值。该方法还包括生成第二控制信号作为NN输出，第二控制信号基于参考信号、运载工具状态信息、扰动以及设备输出与参考信号之间的差值。该方法还包括由处理器连续且递归地执行控制逻辑，以连续且主动地响应运载工具状态信息和扰动。在NN的控制模式中，通过在控制模式中连续且主动地命令主动悬架系统的一个或多个致动器响应于运载工具状态信息和运载工具行驶的路面形状的扰动来改变位置，基本上消除了由一个或多个传感器检测到的任何扰动，一个或多个致动器包括：弹簧、阻尼器和簧下质量。在NN的训练模式中，连续且递归地调节NN中的神经元的权重，直到满足参考信号与设备输出之间的阈值差。NN的神经元的权重最初彼此不同。
在本公开的又一方面，神经网络控制方法还包括：在训练模式中，向NN的神经元馈送运载工具状态信息、参考信号和扰动。在该训练模式中，NN的神经元各自具有随机化的权重，并且参考信号是一组已知值，并且NN输出是基于运载工具状态信息、扰动和参考信号的估计控制信号。该方法还包括将控制信号和估计控制信号作为输入发送到学习算法，并且计算控制信号与估计控制信号之间的差值。该方法还包括通过学习算法基于控制信号与估计控制信号之间的差值递归地调节神经元的权重，直到参考信号与设备输出基本上相同。
根据本文提供的描述，进一步的应用领域将变得显而易见。应理解，该描述和具体示例仅仅是为了说明的目的，而非限制本公开的范围。
附图说明
本文描述的附图仅为了说明目的，而非以任何方式限制本公开的范围。
图1是根据示例性实施例的具有神经网络控制系统的运载工具的示意图；
图2A是根据示例性实施例的处于训练模式的图1的神经网络控制系统的示意图；
图2B是根据示例性实施例的处于控制模式的图1的神经网络控制系统的示意图；
图3是图1、图2A和图2B的根据示例性实施例的神经网络控制系统的一部分的示意图，描绘了多个计算层；
图4是根据示例性实施例的具有图1至图3的神经网络控制系统的运载工具的主动悬架系统的局部示意图；以及
图5是描绘根据示例性实施例的用于运载工具控制系统的神经网络控制方法的流程图。
具体实施方式
以下描述本质上仅仅是示例性的，并不旨在限制本公开、应用或使用。
在权利要求书和说明书中，术语“向前”、“后”、“内”、“向内”、“外”、“向外”、“上方”和“下方”是相对于运载工具10的方向使用的术语，如本申请的附图所示。因此，“向前”指朝向运载工具10前方的方向，“向后”指朝向运载工具10后方的方向，“内”和“向内”指朝向运载工具10内部的方向，“外”和“向外”指朝向运载工具10外部的方向，“下方”指朝向运载工具10底部的方向，“上方”指朝向机动运载工具顶部的方向。
在权利要求书和说明书中，某些元素被指定为“第一”、“第二”、“第三”、“第四”、“第五”、“第六”等。这些是任意的名称，旨在仅在其出现的部分(即说明书或权利要求书或发明内容)中保持一致，而在说明书、权利要求书和发明内容之间不一定一致。在这种意义上，其并不旨在以任何方式限制元件，并且在权利要求中如此标记的“第二”元与在说明书中如此标记的“第二”元素可以相同或不同。相反，这些元素可以通过其配置、描述、连接和功能来区分。
参考图1，示出了具有控制系统12的运载工具10。图1中显示的运载工具10是汽车，然而，应当理解，运载工具10可以是任何类型的运载工具，包括轿车、卡车、运动型多功能车(SUV)、公共汽车、货车、半挂车、拖拉机、拖车、全地形车(ATV)、火车、手推车、电车和其他这样的公路运载工具和越野运载工具，以及任何种类的飞机或船只，而不脱离本公开的范围或意图。控制系统12通常包括控制器18，控制器18是非通用的电子控制装置，具有预编程的数字计算机或处理器20、用于存储数据(例如控制逻辑、软件应用、指令、计算机代码、数据、查找表等)的非暂时性计算机可读介质或存储器22，以及一个或多个输入/输出端口24。计算机可读介质包括能够由计算机访问的任何类型的介质，例如只读存储器(ROM))、随机存取存储器(RAM)、硬盘驱动器、光盘(CD)、数字视频光盘(DVD)或任何其他类型的存储器。“非暂时性”计算机可读介质或存储器22不包括传输暂时性电信号或其他信号的有线、无线、光学或其他通信链路。非暂时性计算机可读介质或存储器22包括可以永久存储数据的介质和可以存储数据并稍后重写的介质，例如可重写光盘或可擦除存储装置。计算机代码包括任何类型的程序代码，包括源代码、目标代码和可执行代码。处理器20配置成执行代码或指令。在控制系统12是运载工具10的情况下，控制器18可以是专用无线控制器或发动机控制模块、变速器控制模块、车身控制模块、悬架控制模块、信息娱乐控制模块等。输入/输出端口24配置成通过有线或无线连接与运载工具10的一个或多个传感器28和一个或多个致动器30通信。在使用输入/输出端口24、控制器18、传感器28和致动器30之间的无线通信的示例中，使用IEEE 802.11x下的Wi-Fi协议来执行这样的通信。
控制系统12还包括一个或多个应用程序32。应用程序32是配置成执行特定功能或一组功能的软件程序。应用程序32可以包括一个或多个计算机程序、软件组件、指令集、过程、函数、对象、类、实例、相关数据或其适于在合适的计算机可读程序代码中实现的部分。应用程序32可以存储在存储器22中，或者存储在附加的或单独的存储器中。应用程序32的示例包括音频或视频流服务、游戏、浏览器、社交媒体等。
现在参考图2A和图2B，并继续参考图1，其中更详细地示出了控制系统12。具体而言，图2A和图2B的控制系统12是人工神经网络(artificial neural network，ANN)控制系统12’，其通过示例和先前经验进行学习，并为不同的控制任务提供精确的控制信号。图2A和图2B的人工神经网络控制系统12’是广义人工神经网络控制系统12’，包括控制器18、设备34和具有学习算法38的神经网络(NN)控制器36。在几个方面，学习算法38是存储在控制器18的存储器22中的应用程序32。设备34是系统(特别是要控制的运载工具10系统)的数学表示。在一些示例中，设备34是主动悬架系统40、转向系统42、巡航控制系统(未具体示出)、制动系统44、节气门系统46、变速器控制系统47等的数学表示。
人工神经网络控制系统12’以至少两种模式运行，包括如图2A所示的训练模式和如图2B所示的控制模式。神经网络控制器36包括数百万个具有随机权重(W)的神经元48。每个神经元48被馈送有运载工具状态信息50，包括运载工具速度、运载工具加速率或减速率、方向盘角度、节气门位置、制动位置、热信息等。神经网络控制器36还接收期望响应或参考信号52。参考信号52由实验确定，或基于已知的参考信息进行数学预测等。
人工神经网络控制系统12’的控制器18接收输入数据并产生控制信号54。控制信号54连同某些扰动56一起作为设备34的输入。扰动56可以是多种物理、电气、液压、气动或其他这种信息中的任何一种。例如，在利用主动悬架系统40中的人工神经网络控制系统12’的运载工具10中，当运载工具10在理想的完全笔直和光滑的路面上行驶时，由于路面的物理特性，悬架系统40中没有扰动56或摄动。然而，当示例中的运载工具10穿过坑洼时，主动悬架系统40以至少两种方式起作用：第一，主动悬架系统40对运载工具10的悬架系统中的扰动56做出反应，以保持道路保持特性和牵引力；第二，主动悬架系统40对扰动56做出反应，以主动抑制运载工具10的一个或多个车轮57的铰接中的摄动，从而保持运载工具10的乘坐者的乘坐质量和舒适性。换句话说，设备34接收控制信号54和扰动56，并产生设备输出58。主动悬架系统40中的设备输出58可以是减震装置60中的弹簧力的改变、阻尼装置62的阻尼特性的改变、某些悬架部件的物理长度的改变、上述的任意组合等。将设备输出58与控制信号54进行比较，并且期望响应或参考信号52和设备输出58之间的误差64被递归地输入回人工神经网络控制系统12’的控制器18。
为了提高人工神经网络控制系统12’的精度、精确度和响应性，还将控制信号54与神经网络控制器输出或神经网络输出66进行了比较。神经网络输出66是基于运载工具状态信息、扰动56和输入到神经网络控制器36的期望响应或参考信号52的控制信号54的估计。控制信号54和神经网络输出66之间的差值被输入到学习算法38中。学习算法38利用控制信号54和神经网络输出66之间的差值来调整神经网络控制器36中神经元48的权重W。在图2A的训练模式中，上述过程在人工神经网络控制系统12’中被执行数十万次，以细化人工神经网络控制系统12’的响应，直至期望响应或参考信号52基本上与设备输出58相同。
在一个示例中，训练模式运行以在四十一个历元(epoch)内训练神经网络。到训练模式结束时，在四十一个历元之后，期望响应或参考信号52和设备输出58之间的验证和测试误差分别减少到10-3和10-2。在验证和测试误差分别减少到10-3和10-2的点，可以认为期望响应或参考信号52和设备输出58是基本相同的。此外，一旦期望响应或参考信号52基本上与设备输出58相同，则认为人工神经网络控制系统12’经过充分训练并且可以以图2B的控制模式部署在运载工具10中。应当理解，不同数量的历元可以用于不同的应用程序，因此这种不同数量的历元在本公开的范围和意图内。
在图2B中，所示的人工神经网络控制系统12’处于已部署或控制模式，其中人工神经网络控制系统12’作为要控制的运载工具10系统的控制系统12运行。当处于控制模式时，使用在图2A所示的训练模式期间确定的神经元48权重W。神经网络控制器36接收期望响应或参考信号52、运载工具状态信息和扰动56，并产生控制信号54。神经网络控制器36将控制信号54传送给设备34。运载工具10的一个或多个传感器28和致动器30也向设备34报告实时扰动56’。实时扰动56’可以是多种不同类型的扰动56中的任何一种，这取决于被控制的特定运载工具10系统。例如，在主动悬架系统40中，传感器28和致动器30接收关于悬架部件位置和运动以及整个运载工具10的俯仰、侧倾、偏航、速度、速度、加速度等的信息。设备34将实时扰动56’和控制信号54组合以产生设备输出58。在主动悬架系统40的示例中，设备输出58被发送回致动器30，以对主动悬架系统40或(更普遍的)控制系统12进行实时调整。
设备输出58也被发送回神经网络控制器36，作为产生后续控制信号54的附加输入。也就是说，神经网络控制器36利用设备输出58、期望响应或参考信号52以及运载工具状态信息和扰动56作为输入，并基于此产生控制信号54。此外，神经网络控制器36基于针对图2A中的训练模式所描述的先前经验，以及新的数据点，不断地改进和更新控制信号54。也就是说，如果运载工具10遇到先前在训练模式中没有经历过的扰动56，则神经网络控制器36通过利用扰动56的最近已知近似值来适应新的扰动56，以产生控制信号54。然后，控制信号54被馈送到设备34，设备34基于控制信号54产生设备输出58，并且设备输出58信号被反馈到神经网络控制器36。然后将设备输出58与控制信号54以及运载工具状态信息和扰动56进行比较，并且开始上述计算的后续迭代。一旦神经网络控制器36完全解决了新的扰动56，并且已经基本上或完全从运载工具10中消除了扰动56，那么人工神经网络控制系统12’添加新的扰动56作为输入，人工神经网络控制系统12’对于该输入具有先前经验。
现在转到图3，并继续参考图1-2B，图3中示出了神经网络控制器36中的多个神经网络层的示意图。在用于主动悬架系统40的示例性神经网络控制器36中，神经网络控制器36在输入层101中接收来自主动悬架系统40的传感器28和致动器30的输入。用于控制本公开的示例性主动悬架系统40的人工神经网络控制系统36的输入层包括八个神经元48。每个输入层101神经元48用于单个输入。一些示例性输入包括：道路纵断面速度
Figure BDA0003361463310000081
道路纵断面位移Xr、簧下质量加速度
Figure BDA0003361463310000082
簧下质量速度
Figure BDA0003361463310000083
簧下质量位移Xu、簧上质量加速度
Figure BDA0003361463310000084
簧上质量速度
Figure BDA0003361463310000091
和簧上质量位移Xs。上面列出的八个输入
Figure BDA0003361463310000092
Xr、
Figure BDA0003361463310000093
Xu、
Figure BDA0003361463310000094
和Xs是由传感器28和致动器30收集的测量值。应当理解，一些主动悬架系统40可以具有更多或更少的传感器28和致动器30，而不脱离本公开的范围或意图。
神经网络控制器36包括多个层100，每一层100包括一个或多个神经元48。每一层100产生输出，该输出被发送到多个层100的后一层。当输出从每一层100发送到后一层100时，输出更接近于产生设备输出58所必需的控制信号54，该设备输出将减弱或基本消除由传感器28和/或致动器30检测到的任何摄动或扰动56。
在特定示例中，输入
Figure BDA0003361463310000095
Xr、
Figure BDA0003361463310000096
Xu、
Figure BDA0003361463310000097
和Xs和被发送到神经网络控制器36的第一层102。神经网络控制器36的第一层102包括两百个神经元48。对两百个神经元48中的每个神经元处的每个输入
Figure BDA0003361463310000098
Xr、
Figure BDA0003361463310000099
Xu、
Figure BDA00033614633100000910
和Xs应用权重W。神经元48还执行确定设备输出58和控制信号54的计算，以解决由传感器28和致动器30检测到的摄动或扰动56。
来自第一层102的输出被发送到第二层104。第二层104包含一百个神经元48。在第二层104中的一百个神经元48中的每一个处，对来自第一层102的每个输出
Figure BDA00033614633100000911
Xr、
Figure BDA00033614633100000912
Xu、
Figure BDA00033614633100000913
和Xs应用权重W。第二层104的神经元48执行计算，以确定实现设备输出58和解决由传感器28和致动器30检测到的摄动或扰动56所必需的设备输出58和控制信号54。
来自第二层104的输出被发送到第三层106。第三层106包含四十个神经元48。在第三层106中的四十个神经元48中的每一个处，对来自第二层104的每个输出
Figure BDA00033614633100000914
Xr、
Figure BDA00033614633100000915
Xu、
Figure BDA00033614633100000916
和Xs应用权重W。第三层106的神经元48执行计算，以确定实现设备输出58和解决由传感器28和致动器30检测到的扰动或扰动56所必需的设备输出58和控制信号54。
第三层106的输出被发送到第四层108。第四层108包含十个神经元48。在第四层108中的十个神经元48中的每一个处，对来自第三层106的每个输出
Figure BDA00033614633100000917
Xr、
Figure BDA00033614633100000918
Xu、
Figure BDA00033614633100000919
和Xs应用权重W。第四层108的神经元48执行计算，以确定实现设备输出58和解决由传感器28和致动器30检测到的扰动或扰动56所必需的设备输出58和控制信号54。
第四层108的输出被发送到第五层110。第五层110包含单个神经元48。在第五层110中的单个神经元48处，对来自第四层108的每个输出
Figure BDA00033614633100000920
Xr、
Figure BDA00033614633100000921
Xu、
Figure BDA00033614633100000922
和Xs应用权重W。第五层110的单个神经元48执行计算，以确定实现设备输出58和解决由传感器28和致动器30检测到的扰动或扰动56所必需的设备输出58和控制信号54。更具体地，第五层110的输出定义了控制系统12的控制信号54。
现在转到图4并继续参考图1-3，在图4中更详细地描述了使用中的神经网络控制器36。具体地，图4的示例是利用神经网络控制器36的主动悬架系统40。主动悬架系统40包括车轮57和阻尼器206，车轮57通过弹簧204连接到簧上质量202，弹簧204具有簧上质量弹簧常数ks，阻尼器206具有阻尼比bs。车轮57通过一个或多个控制臂(未具体示出)或运载工具10的主动悬架系统40的其他这种结构元件相对于簧上质量202铰接。因为主动悬架系统40的控制臂和其他这种结构元件不由弹簧204和阻尼器206承载，所以认为其具有簧下质量208。主动悬架系统40的车轮57可以具有轮胎(未具体示出)。车轮57、轮胎或其组合具有轮胎弹簧系数kt和轮胎阻尼比bt。当车轮57沿着路面210滚动时，路面纹理的变化(例如路面210的起伏)导致车轮57产生垂直位移(用xr表示)。车轮位移xr由于轮胎的运动或偏转而部分减小，但是至少一些这样的车轮位移xr通常被传递到控制臂和其他这样的结构元件。因此，簧下质量208也产生垂直位移(用xu表示)。簧下质量位移xu是不期望的，因为其会显著降低运载工具10的乘坐舒适性，以及降低运载工具10的稳定性并增加运载工具10的噪声、振动和不平顺性(NVH)特性。也就是说，簧下质量位移xu的很大一部分可以被转换成簧上质量202的位移(用xs表示)。
通过神经网络控制器36操作的主动悬架系统40通过簧上质量传感器28’和簧下质量传感器28”接收簧上质量202和簧下质量208的位移信息xs、xu，减少或基本消除簧下质量位移xu和簧上质量位移xs。每个簧上质量传感器28’和簧下质量传感器28”检测与每个簧上质量202和簧下质量208中相关的位置、速度和加速度数据(
Figure BDA0003361463310000101
Xr、
Figure BDA0003361463310000102
Xu、
Figure BDA0003361463310000103
和Xs)。来自簧上质量传感器28’和簧下质量传感器28”的位置、速度和加速度数据(
Figure BDA0003361463310000104
Xr、
Figure BDA0003361463310000105
Figure BDA0003361463310000106
Xu、
Figure BDA0003361463310000107
和Xs)作为扰动56信息被馈送到主动悬架系统40的神经网络控制器36中。基于神经网络控制器36的训练模式的结果，主动悬架系统40确定与来自簧上质量传感器28’和簧下质量传感器28”的位置、速度和加速度数据(
Figure BDA0003361463310000108
Xr、
Figure BDA0003361463310000109
Xu、
Figure BDA00033614633100001010
和Xs)相匹配的期望响应或参考信号52。这些数据然后通过神经网络控制器36的多个层100，神经网络控制器36的输出是控制系统12的控制信号54。
在主动悬架系统40的示例中，致动器30是主动阻尼器212、主动弹簧214等。致动器30连接在簧上质量202和簧下质量208之间。通过改变致动器30的位置，致动器30以施加到簧上质量202的力的形式产生设备输出58，并减小簧上质量位移Xs和簧下质量位移Xu之间的差值，同时允许道路纵断面位移Xr独立于簧上和簧下质量位移Xs、Xu而变化。因此，在一个实例中，车轮57跟随路面210并且通过路面纵断面位移Xr而产生位移，但是车轮57的这种位移有效地与簧上和簧下质量位移Xs、Xu分离。
虽然在前面的描述中，已经主要针对运载工具10的主动悬架系统40对控制系统12和人工神经网络控制系统12’进行了描述，但是应当理解，主动悬架系统40仅仅是一个非限制性的示例。事实上，本公开的控制系统12和人工神经网络控制系统12’可以用于多种应用，而不脱离本公开的范围或意图。在一些示例中，控制系统12和人工神经网络控制系统12’可用于解决主动悬架系统40、转向系统42、巡航控制系统(包括雷达引导的巡航控制系统(未具体示出))、制动系统44、节气门系统46、雷达引导的巡航控制系统、变速器控制系统47、运载工具10的各种自主或半自主驾驶系统等中的扰动。在一些示例中，控制系统12和人工神经网络控制系统12’可以用在飞机、船只等以及道路运载工具10中。
现在转到图5，并继续参考图1-4，其中以流程图的形式示出了使用本公开的人工神经网络控制系统12’的方法300。方法300开始于框302，其中人工神经网络控制系统12’参与训练模式或控制模式中的至少一种。在随后的框304-326处，方法300以训练模式进行，而在框304’-326’处，方法300以控制模式进行。在框304和304’处，方法300利用设置在运载工具10上的一个或多个传感器28检测运载工具状态信息和扰动56。在框306和306’处，控制器18或神经网络控制器36通过输入/输出端口24接收参考信号52以及运载工具状态信息和扰动56。
在框308和308’处，处理器20执行存储在存储器22中的程序控制逻辑，该编程控制逻辑在具有多个计算层100的神经网络中操作。在框310和310’处，运载工具状态信息和扰动56被用作神经网络中多个计算层100的每一个中的多个神经元的输入。在框312和312’处，每个神经元48将单独的预定权重W应用于运载工具状态信息和扰动56。每个神经元48用不同于其他神经元48的权重W初始化。
在框314和314’处，并且在通过神经网络的每个计算层100之后，处理器20产生控制信号54作为神经网络输出66。在框316和316’处，设备34接收神经网络输出66以及电流扰动56。在框318和318’处，设备34基于控制信号54和扰动56产生设备输出58。在框320和320’处，控制器18和/或神经网络控制器36计算设备输出58和参考信号52之间的差值。在框322和322’处，控制器18和/或神经网络控制器36产生第二控制信号54作为神经网络输出66。第二控制信号54基于参考信号52、运载工具状态信息、扰动56以及设备输出58和参考信号52之间的差值。在框324和324’处，处理器20执行控制逻辑，以连续和主动地响应运载工具状态信息和扰动56。
在框326处，在神经网络的训练模式中，控制器18和/或神经网络控制器36连续地和递归地调整神经网络的多个层100中的神经元48的权重W。在框328处，控制器18和/或神经网络控制器连续比较参考信号52和设备输出58，以确定是否已经达到参考信号52和设备输出58之间的阈值差。如果没有达到阈值差，方法300继续返回到框324，直至达到阈值差。
相比之下，当方法300在控制模式下操作时，在框326’处，处理器20执行控制逻辑，该控制逻辑操作神经网络以基本上消除由一个或多个传感器28检测到的任何扰动56。在框328’处，如果扰动56没有被基本消除或以其他方式降低到阈值以下，则方法300继续返回到框324’，直至达到扰动56的阈值。为了基本上消除扰动56，处理器20连续并主动地命令运载工具10的主动控制系统12(例如主动悬架系统40)的一个或多个致动器30响应于运载工具状态信息和运载工具10行驶的路面210形状的扰动56来改变位置。在一些示例中，一个或多个致动器30包括弹簧204、阻尼器206和簧下质量208。
在框330处，一旦在训练模式中达到参考信号52和设备输出58之间的阈值差，或者在控制模式中达到扰动56的阈值，方法300结束并返回到框302，在框302处，方法300连续且递归地运行以消除扰动56和扰动56对运载工具10的影响。
本公开的用于控制运载工具10控制系统12、12’的神经网络控制系统和方法具有若干优点，包括降低生产和编程的成本，提高适应先前遇到过的和全新的刺激(扰动56等)的能力，并提高控制系统12、12’的速度和精度，这些控制系统用于响应各种不能简单地用精确的数学模型表示的非线性现实世界问题。本公开的系统和方法300还具有可在完全基于模拟的布置中训练的优点。也就是说，模拟数据可以用于训练人工神经网络控制系统12’，而不需要现实世界的输入。当现实世界的数据尚不存在时，这尤其有用。因此，本公开的系统12、12’和方法300可以用于各种不同的控制任务。也就是说，尽管在上文中，大部分详细描述集中在主动悬架系统40的神经网络控制系统和方法300的使用上，但是这种讨论仅仅是说明性的示例。基本相同的系统和方法300可以用于运载工具10中的各种其他控制系统12，而不脱离本公开的范围或意图。
本公开的描述本质上仅仅是示例性的，并且不脱离本公开要点的变化均落入本公开的保护范围。这种变化不应被视为脱离本公开的精神和范围。

Claims (20)

1.一种用于运载工具的神经网络控制系统，所述神经网络控制系统包括：
一个或多个传感器，设置在所述运载工具上并检测运载工具状态信息和扰动；
控制器，设置在所述运载工具内并且具有处理器、存储器和一个或多个输入输出(I/O)端口，所述I/O端口从一个或多个所述传感器接收输入数据；所述处理器执行存储在所述存储器中的编程控制逻辑，所述编程逻辑在具有多个计算层的神经网络(NN)中运行，所述编程控制逻辑包括：
第一控制逻辑，用于接收参考信号，并且用于通过所述I/O端口从一个或多个所述传感器接收所述运载工具状态信息和所述扰动；
第二控制逻辑，利用所述运载工具状态信息和所述扰动作为所述神经网络(NN)的计算层中的多个神经元的输入；
第三控制逻辑，其中多个所述计算层中的每一个计算层中的神经元中的每一个神经元将预定权重应用于所述运载工具状态信息和所述扰动；
第四控制逻辑，用于生成控制信号作为NN输出；
第五控制逻辑，用于在设置在所述运载工具上的设备内，接收所述NN输出和所述扰动；
第六控制逻辑，用于基于所述控制信号和所述扰动，生成设备输出；
第七控制逻辑，用于计算所述设备输出与所述参考信号之间的差值；以及
第八控制逻辑，用于生成第二控制信号作为所述NN输出，所述第二控制信号基于所述参考信号、所述运载工具状态信息、所述扰动，以及所述设备输出与所述参考信号之间的差值；以及
其中所述控制信号命令设置在所述机动运载工具上的一个或多个致动器改变位置，并且其中所述处理器连续且递归地执行所述第一控制逻辑、所述第二控制逻辑、所述第三控制逻辑、所述第四控制逻辑、所述第五控制逻辑、所述第六控制逻辑、所述第七控制逻辑和所述第八控制逻辑，以连续且主动地响应所述运载工具状态信息和所述扰动，并且基本上消除由一个或多个所述传感器检测到的任何扰动。
2.根据权利要求1所述的用于运载工具的神经网络控制系统，其中所述运载工具状态信息包括：
道路轮廓位移、道路轮廓速度、簧下质量位移、簧下质量速度、簧下质量加速度、簧上质量位移、簧上质量速度和簧上质量加速度。
3.根据权利要求1所述的用于运载工具的神经网络控制系统，其中所述多个计算层还包括：
第一层，具有第一数量的神经元并且生成第一输出；
第二层，接收所述第一输出，所述第二层具有比所述第一数量的神经元少的第二数量的神经元并且生成第二输出；
第三层，接收所述第二输出，所述第三层具有比所述第二数量的神经元少的第三数量的神经元并且生成第三输出；
第四层，接收所述第三输出，所述第四层具有比所述第三数量的神经元少的第四数量的神经元并且生成第四输出；以及
第五层，接收所述第四输出，所述第五层具有比所述第四数量的神经元少的第五数量的神经元并且生成第五输出，其中所述第五输出是所述控制信号。
4.根据权利要求1所述的用于运载工具的神经网络控制系统，其中所述控制器以至少两种模式运行，所述至少两种模式包括：
训练模式；以及
控制模式，
其中在所述训练模式中，所述NN的神经元的权重彼此不同，并且所述权重被连续且递归地调节，直到满足所述参考信号与所述设备输出之间的阈值差；以及
其中在所述控制模式中，所述设备输出导致一个或多个所述致动器改变位置。
5.根据权利要求4所述的用于运载工具的神经网络控制系统，其中在所述训练模式中，所述NN的神经元中的每一个神经元具有随机化的权重，并且向所述神经元中的每一个神经元被馈送所述运载工具状态信息、所述扰动和所述参考信号，其中所述参考信号是一组已知值，并且所述NN输出是基于所述运载工具状态信息、所述扰动和所述参考信号的估计控制信号。
6.根据权利要求5所述的用于运载工具的神经网络控制系统，其中所述控制信号和所述估计控制信号作为学习算法的输入，并且所述学习算法基于所述控制信号与所述估计控制信号之间的差值，递归地调节所述神经元的权重，直到所述参考信号基本上与所述设备输出相同。
7.根据权利要求4所述的用于运载工具的神经网络控制系统，其中在所述控制模式中，响应于所述运载工具状态信息和所述运载工具所行驶的路面形状的扰动，所述控制信号连续且主动地命令主动悬架系统的一个或多个致动器改变位置。
8.根据权利要求7所述的用于运载工具的神经网络控制系统，其中所述主动悬架系统包括：
簧上质量，通过至少一个弹簧和至少一个阻尼器可移动地联接到簧下质量；所述簧下质量可移动地联接到至少一个车轮；所述车轮配备有具有弹簧系数和阻尼比的轮胎，以及
其中所述弹簧、所述阻尼器、所述簧下质量和所述车轮中的一个或多个包括能够响应于所述控制信号改变位置的致动器。
9.根据权利要求7所述的用于运载工具的神经网络控制系统，其中所述主动悬架系统包括：具有可调阻尼比的主动阻尼器、具有可调扭矩或扭力的主动防侧倾杆、具有可调弹簧刚度的主动弹簧、主动液压悬架系统中的泵和阀，以及主动气动悬架系统中的泵和阀。
10.一种用于运载工具控制系统的神经网络控制方法，包括：
通过设置在所述运载工具上的一个或多个传感器，检测运载工具状态信息和扰动；
通过设置在运载工具内的控制器的一个或多个输入/输出(I/O)端口接收参考信号、运载工具状态信息和扰动，其中所述控制器具有处理器、存储器和所述I/O端口；所述处理器执行存储在所述存储器中的编程控制逻辑，所述编程逻辑在具有多个计算层的神经网络(NN)中运行；
利用所述运载工具状态信息和所述扰动作为所述NN中的多个计算层中的多个神经元的输入；
由所述多个计算层中的每一个计算层中的神经元中的每一个神经元将预定权重应用于所述运载工具状态信息和所述扰动；
生成控制信号作为NN输出；
在设置在所述运载工具上的设备内接收所述NN输出和所述扰动；
基于所述控制信号和所述扰动生成设备输出；
计算所述设备输出与所述参考信号之间的差值；以及
生成第二控制信号作为所述NN输出，所述第二控制信号基于所述参考信号、所述运载工具状态信息、所述扰动，以及所述设备输出与所述参考信号之间的差值；以及
命令设置在所述运载工具上的一个或多个致动器改变位置；
由所述处理器连续且递归地执行控制逻辑，以连续且主动地响应所述运载工具状态信息和所述扰动；以及
基本上消除由一个或多个所述传感器检测到的任何扰动。
11.根据权利要求10所述的神经网络控制方法，其中接收参考信号、运载工具状态信息和扰动还包括：
由一个或多个所述传感器确定道路轮廓位移、道路轮廓速度、簧下质量位移、簧下质量速度、簧下质量加速度、簧上质量位移、簧上质量速度和簧上质量加速度。
12.根据权利要求10所述的神经网络控制方法，其中利用所述运载工具状态信息和所述扰动作为所述NN中的多个计算层中的多个神经元的输入还包括：
接收所述运载工具状态信息和所述扰动作为所述多个计算层的第一层的输入，所述第一层具有第一数量的神经元，所述第一层生成第一输出；
接收所述第一输出作为第二层的输入，所述第二层具有比所述第一数量的神经元少的第二数量的神经元，所述第二层生成第二输出；
接收所述第二输出作为第三层的输入，所述第三层具有比所述第二数量的神经元少的第三数量的神经元，所述第三层生成第三输出；
接收所述第三输出作为第四层的输入，所述第四层具有比所述第三数量的神经元少的第四数量的神经元，所述第四层生成第四输出；以及
接收所述第四输出作为第五层的输入，所述第五层具有比所述第四数量的神经元少的第五数量的神经元，所述第五层生成第五输出，其中所述第五输出是所述控制信号。
13.根据权利要求10所述的神经网络控制方法，还包括：
以包括训练模式和控制模式的至少两种模式操作所述神经网络；
其中在所述训练模式中，所述NN的神经元的权重彼此不同，并且所述权重被连续且递归地调节，直到满足所述参考信号与所述设备输出之间的阈值差；以及
其中在所述控制模式中，所述设备输出导致一个或多个所述致动器改变位置。
14.根据权利要求13所述的神经网络控制方法，还包括：
向所述NN的神经元馈送所述运载工具状态信息、所述参考信号和所述扰动，其中在所述训练模式中，所述NN的神经元各自具有随机化的权重，并且其中所述参考信号是一组已知值，并且所述NN输出是基于所述运载工具状态信息、所述扰动和所述参考信号的估计控制信号。
15.根据权利要求14所述的神经网络控制方法，还包括：
将所述控制信号和所述估计控制信号作为输入发送到学习算法；
计算所述控制信号与所述估计控制信号之间的差值；以及
通过所述学习算法，基于所述控制信号与所述估计控制信号之间的差值，递归地调节所述神经元的权重，直到所述参考信号与所述设备输出基本上相同。
16.根据权利要求13所述的神经网络控制方法，还包括：
在所述控制模式中，响应于运载工具状态信息和所述运载工具所行驶的路面形状的扰动，连续且主动地命令主动悬架系统的一个或多个致动器改变位置。
17.根据权利要求16所述的神经网络控制方法，其中连续且主动地命令主动悬架系统的一个或多个致动器还包括：
利用主动悬架系统，所述主动悬架系统具有簧上质量，所述簧上质量通过至少一个弹簧和至少一个阻尼器可移动地联接到簧下质量；所述簧下质量可移动地联接到至少一个车轮；所述车轮配备有具有弹簧系数和阻尼比的轮胎，以及
响应于所述控制信号，主动改变所述主动悬架系统的一个或多个致动器的位置，一个或多个所述致动器包括：所述弹簧、所述阻尼器、所述簧下质量和所述车轮。
18.根据权利要求17所述的神经网络控制方法，其中改变一个或多个所述致动器的位置还包括：
调节一个或多个主动阻尼器的阻尼比；
调节一个或多个主动防侧倾杆的扭矩或扭力；
调节一个或多个主动弹簧的弹簧刚度；
通过改变流经主动液压悬架系统的泵和阀的流体流量，调节所述主动液压悬架系统中的液压；以及
通过改变流经主动气动悬架系统的泵和阀的气体流量，调节所述主动气动悬架系统中的气动压力。
19.一种用于运载工具控制系统的神经网络控制方法，包括：
使所述神经网络处于包括训练模式和控制模式的至少两种模式中的一种模式；
通过设置在所述运载工具上的一个或多个传感器，检测运载工具状态信息和扰动；
通过设置在运载工具内的控制器的一个或多个输入/输出(I/O)端口接收参考信号、运载工具状态信息和扰动，其中所述控制器具有处理器、存储器和所述I/O端口；所述处理器执行存储在所述存储器中的编程控制逻辑，所述编程逻辑在具有多个计算层的神经网络(NN)中运行；
将所述运载工具状态信息和所述扰动作为所述NN中的多个计算层中的多个神经元的输入；
由多个所述计算层中的每一个计算层中的神经元中的每一个神经元将预定权重应用于所述运载工具状态信息和所述扰动；
生成控制信号作为NN输出；
在设置在所述运载工具上的设备内接收所述NN输出和所述扰动；
基于所述控制信号和所述扰动生成设备输出；
计算所述设备输出与所述参考信号之间的差值；以及
生成第二控制信号作为所述NN输出，所述第二控制信号基于所述参考信号、所述运载工具状态信息、所述扰动，以及所述设备输出与所述参考信号之间的差值；以及
由所述处理器连续且递归地执行控制逻辑，以连续且主动地响应所述运载工具状态信息和所述扰动；以及
在所述NN的控制模式中，通过连续且主动地命令主动悬架系统的一个或多个致动器响应于所述运载工具状态信息和所述运载工具行驶的路面形状的扰动来改变位置，基本上消除由一个或多个所述传感器检测到的任何扰动，一个或多个所述致动器包括：弹簧、阻尼器和簧下质量，以及
在所述NN的训练模式中，连续且递归地调节所述NN中神经元的权重，直到满足所述参考信号与所述设备输出之间的阈值差，其中所述NN的神经元的权重最初彼此不同。
20.根据权利要求19所述的神经网络控制方法，还包括：
在所述训练模式中，向所述NN的神经元馈送所述运载工具状态信息、所述参考信号和所述扰动，其中在所述训练模式中，所述NN的神经元各自具有随机化的权重，并且其中所述参考信号是一组已知值，并且所述NN输出是基于所述运载工具状态信息、所述扰动和所述参考信号的估计控制信号；
将所述控制信号和所述估计控制信号作为输入发送到学习算法；
计算所述控制信号与所述估计控制信号之间的差值；以及
通过所述学习算法，基于所述控制信号与所述估计控制信号之间的差值，递归地调节所述神经元的权重，直到所述参考信号与所述设备输出基本上相同。
CN202111368519.1A 2020-11-18 2021-11-18 神经网络在控制系统中的应用 Pending CN114545769A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/951,508 2020-11-18
US16/951,508 US20220155783A1 (en) 2020-11-18 2020-11-18 Use of neural networks in control systems

Publications (1)

Publication Number Publication Date
CN114545769A true CN114545769A (zh) 2022-05-27

Family

ID=78676519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111368519.1A Pending CN114545769A (zh) 2020-11-18 2021-11-18 神经网络在控制系统中的应用

Country Status (3)

Country Link
US (1) US20220155783A1 (zh)
EP (1) EP4000973A1 (zh)
CN (1) CN114545769A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115510593B (zh) * 2022-11-02 2023-06-30 中南大学 一种基于lstm的mr阻尼器逆向映射模型计算方法
CN117184382B (zh) * 2023-11-07 2024-01-19 成都诸元天成智能装备有限公司 用于潜航器实时姿态的稳定系统
CN117841591B (zh) * 2024-03-06 2024-05-07 江苏智能无人装备产业创新中心有限公司 基于改进模糊神经网络pid的isd悬架控制方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1993003443A1 (en) * 1991-08-05 1993-02-18 Kawasaki Steel Corporation Signal processor and learning method thereof
JP3357159B2 (ja) * 1993-08-10 2002-12-16 三菱自動車工業株式会社 車両運転操作状態の推定方法および車両運転特性制御方法
US6137886A (en) * 1994-07-18 2000-10-24 Cooper Tire & Rubber Company Active vibration control method and apparatus
US6212466B1 (en) * 2000-01-18 2001-04-03 Yamaha Hatsudoki Kabushiki Kaisha Optimization control method for shock absorber
US7080055B2 (en) * 2000-10-03 2006-07-18 Board Of Regents, The University Of Texas System Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks
US6493689B2 (en) * 2000-12-29 2002-12-10 General Dynamics Advanced Technology Systems, Inc. Neural net controller for noise and vibration reduction
AU2003278815A1 (en) * 2002-09-13 2004-04-30 Yamaha Motor Co., Ltd. Fuzzy controller with a reduced number of sensors
GB2423377B (en) * 2002-12-09 2007-04-18 Georgia Tech Res Inst Adaptive Output Feedback Apparatuses And Methods Capable Of Controlling A Non-Minimum Phase System
US20060293817A1 (en) * 2005-06-23 2006-12-28 Takahide Hagiwara Intelligent electronically-controlled suspension system based on soft computing optimizer
US20210182660A1 (en) * 2019-12-16 2021-06-17 Soundhound, Inc. Distributed training of neural network models
US11436491B2 (en) * 2020-03-13 2022-09-06 Microsoft Technology Licensing, Llc System and method for improving convolutional neural network-based machine learning models

Also Published As

Publication number Publication date
US20220155783A1 (en) 2022-05-19
EP4000973A1 (en) 2022-05-25

Similar Documents

Publication Publication Date Title
EP4000973A1 (en) The use of neural networks in control systems
US8718872B2 (en) Vehicle attitude controller
Mastinu et al. Integrated controls of lateral vehicle dynamics
US20100049394A1 (en) Influencing Device for Influencing an Active Chassis System of a Vehicle
Ahangarnejad et al. Integrated vehicle dynamics system through coordinating active aerodynamics control, active rear steering, torque vectoring and hydraulically interconnected suspension
Saikia et al. Vehicle stability enhancement using sliding mode based active front steering and direct yaw moment control
CN113320525A (zh) 在沿弯道行驶时控制具有可变刚度和转向式后轮的道路车辆的方法
CN116061934A (zh) 用于管理底盘和传动系致动器的架构和基于模型预测控制的方法
CN116198517A (zh) 用于e-awd和e-lsd的监督控制
JP7446434B2 (ja) サスペンション制御装置およびサスペンション装置の制御方法
Ahangarnejad et al. Active longitudinal load transfer control for improving vehicle's stability
KR102654627B1 (ko) 차량 제어 장치, 차량 제어 방법 및 차량 제어 시스템
US11772446B2 (en) System and method for controlling the stability of a vehicle provided with a semi-active suspension
HOSSEINIAN AHANGARNEJAD Integrated control of active vehicle chassis control systems
CN115963836A (zh) 一种路径跟踪与车身姿态协同控制方法
Zulkarnain et al. Controller design for an active anti-roll bar system
US20220055435A1 (en) Compensation of the Thermal Effect in a Vehicle Suspension System
Fallah et al. A novel robust optimal active control of vehicle suspension systems
EP4084979A1 (en) Proactive control of vehicle systems
KR20220034194A (ko) 차량 운동 제어 장치
Siampis Optimal torque vectoring control strategies for stabilisation of electric vehicles at the limits of handling
Manning et al. IVMC: Intelligent vehicle motion control
JP7312707B2 (ja) サスペンション制御装置
Ahangarnejad et al. Numerical comparison of two methods for integration of active rear steering, torque vectoring and hydraulically interconnected suspension
US20190161089A1 (en) Control of chassis systems in relation to aerodynamic loads

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