CN116409103A - 一种基于路面估计的变周期车辆主动悬架系统控制方法 - Google Patents

一种基于路面估计的变周期车辆主动悬架系统控制方法 Download PDF

Info

Publication number
CN116409103A
CN116409103A CN202310565766.3A CN202310565766A CN116409103A CN 116409103 A CN116409103 A CN 116409103A CN 202310565766 A CN202310565766 A CN 202310565766A CN 116409103 A CN116409103 A CN 116409103A
Authority
CN
China
Prior art keywords
road surface
control
period
road
suspension system
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
CN202310565766.3A
Other languages
English (en)
Inventor
韩士元
何光明
董嘉枫
宋金香
杨晓晖
杨君
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.)
University of Jinan
Original Assignee
University of Jinan
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 University of Jinan filed Critical University of Jinan
Priority to CN202310565766.3A priority Critical patent/CN116409103A/zh
Publication of CN116409103A publication Critical patent/CN116409103A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • B60G17/0182—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 involving parameter estimation, e.g. observer, Kalman filter

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明涉及车辆悬架系统领域，公开了一种基于路面估计的变周期车辆主动悬架系统控制方法，在本发明中采用FNT网络对道路进行分级，通过GP算法对FNT进行结构优化，通过PSO算法对FNT进行参数优化，适用于任何给定悬架控制策略的道路分类；在本发明设计了一个通用的基于路面估计的控制周期调整策略，该策略根据预估的路面性能选择不同控制周期，进而结合PID实现变周期控制。本发明融合了路面起伏监测与主动悬挂系统的PID控制方案，能通过预估路况自适应调整控制周期，在较好的路面上减少控制频率，在保证悬架稳定的前提下大大降低了控制执行器的损耗；在路面较差时能快速增加控制频率，使控制效果迅速逼近定周期控制。

Description

一种基于路面估计的变周期车辆主动悬架系统控制方法
技术领域
本发明涉及汽车悬架系统技术领域，具体涉及一种路面估计的变周期车辆主动悬架系统控制方法。
背景技术
工业的发展使世界范围内车辆 产量日益增加，越来越多的人对汽车的性能选择不再局限于行驶性、转向性和制动性等， 而着眼于汽车的高附加值属性，例如驾驶的舒适性、安全性能与能耗等指标。而这些越 来越受重视的指标与车辆悬挂的质量密不可分。
悬架系统连接着车架或车轮，它能传递车轮和车架之间的力，当路面冲击车身时，悬挂系统会对高速的路面冲击进行能量转移，将冲击的动能转移到弹簧与阻尼中，然后 低速释放弹性势能，形成缓冲作用，降低车体的振动，使得驾驶的舒适安全性得到保障。 因此悬架系统是关乎车辆性能的关键部件，研究悬架系统对提高汽车的性能、改善驾驶 及乘坐体验、提升行驶安全系数有着非常重要的意义。
不同的悬架系统性能有着较大差异，被动悬架是简单的机械构造，由固定参数的阻 尼和弹簧构成，在汽车工业发展的里程中，其凭借着简单的结构与可靠的性能在中低端车辆市场被广泛应用。但是其简单的结构决定了它的性能不能适应较差的路面；半主动 悬挂系统有着可调节的阻尼，对一定范围内的道路激励有着较好的减振效果，但是面对 恶劣的地形路况，半主动的控制力就显得不足；主动悬架系统是悬挂系统中的佼佼者， 控制力大，能够实时根据行驶状态进行悬架控制力的调整，使悬挂始终具有较好减振效 果，但是随之而来问题是它使用较多的计算资源，能耗较高，控制复杂度比较高，且执 行器会的使用寿命较短。
车辆在行驶过程中经过不同路面时，由于车辆的性能要求有所不同，导致所需的控制方案也不一样。在较好的路面上人们会注重驾驶的体验感，而在恶劣的山地戈壁，车辆的抓地力与安全性显得更为重要。若能根据车辆行驶的道路信息制定对应的控制策 略，在不同道路上对性能偏重进行自适应调节，不仅可以满足汽车的多场景应用能力， 改善车辆对环境的抗扰能力，还能增加车身稳定性，减少控制消耗，延长执行器的寿命。
现有的路面信息感知技术存在着一些不足，例如有时滞较大、容易受到天气影响、高机动下识别较差等，综上所述，设计一种基于路面估计的变周期车辆主动悬架系统控制方法非常具有应用价值与发展前景。
发明内容
本发明提供一种基于路面估计的变周期车辆主动悬架系统控制方法，本发明选择柔性神经树作为道路等级分类器的网络，在满足精度的前提下修剪分支，自动筛选变量。为了减小分类网络的复杂度，使用滑动窗口对路面信息进行统计特征的预提取。考虑到车辆参数不确定性，满足抗扰性与实时性，本发明在道路等级分类器的基础上进行了优化，使用了路面功率谱作为路面的信息，能一定程度上降低低频路面冲击与高频信号扰动的影响。本发明融合了路面不平整度指数制定了控制周期调整策略，并设计了车辆主动悬挂系统的变周期控制方案。
本发明能够实现在路面复杂多变的情况下具有良好的控制性能与驾驶体验，保证驾驶的安全性，还能基于不同道路情况赋予悬挂不同的控制能耗，在满足出行基本要求的前提下调整控制频率，以较少的能耗获得主动悬架系统高能耗状态下接近的控制效果，减少执行器的磨损，延长器件的使用寿命。
为了实现上述目的，本发明采用了以下技术方案：
一种基于路面估计的变周期车辆主动悬架系统控制方法，包括以下步骤：
S1：搭建路面激励模型形成仿真路面，形成训练样本与验证环境。
S2：搭建半主动悬架系统模型用于提取悬架响应信息，与路面数据一同形成路面观测数据集。
S3：通过滑动窗口对车辆参数的悬架响应进行特征提取。
S4：设计基于 FNT 的道路分类算法，获取路面不平整度指数。
S5：在得到路面不平整度指数后，制定控制周期的调整策略。
S6：结合控制周期的调整策略，进行变周期车辆主动悬架系统控制器设计。
优选地，在S1中，本发明采用白噪声模拟法对时域路面不平度进行建模。假设
Figure SMS_1
是单位强度为 1 的高斯白噪声，
Figure SMS_2
为路面高程，车速 v 为定值，可得 到模拟的路面时域模型：
Figure SMS_3
优选地，在S1中，为了路面功率谱逼近真实路况，可在路面模型基础上引入下截止 时间频率
Figure SMS_4
，即可得到公式所示的路面激励模型：
Figure SMS_5
式中
Figure SMS_6
的 取值为0.01
Figure SMS_7
。
优选地，在S1中，随机路面扰动直接影响车辆主动悬架系统的动态性能。在实际路 面中，路面不平度函数
Figure SMS_8
是一个随机函数，定义为路面基准面的相对高度
Figure SMS_9
与沿 道路方向
Figure SMS_10
的变化。由于路面曲线具有随机性，所以一般使用路面功率谱密度对路面的 不平整度进行表示。
优选地，在S2中，假设轮胎始终与路面接触，将 1/4 半主动线性悬架系统用如下微分方程表示：
Figure SMS_11
，
其中
Figure SMS_12
优选地，在S2中，半主动悬架的控制性能考虑驾驶舒适度，轮胎的抓地性能以及悬架动挠度，观测输出
Figure SMS_13
与控制性能 />
Figure SMS_14
其定义如下：
Figure SMS_15
，
选取状态变量为：
Figure SMS_16
，
从而连续时间车辆半主动悬架系统可以表示为：
Figure SMS_17
优选地，S1、S2模型生成的仿真数据，作为S3中特征提取的数据集。
优选地，在S3中，本发明中将窗口设置为与车长的相关的自适应值，即窗口长度预设为车长的m倍，因为不同大小的采样窗口对道路特征的提取效果有着较大的影响，一个大的窗口能更好提取信号的特征，而过大的窗口不能适用于复杂多变的路面环境下，提取的特征会产生较大的时延；较小的窗口时延影响小，但是小窗口内的数据信号特征经常无法提取较好的路面特征。
优选地，S1、S2形成的数据集充分包含了各等级的路面与车辆参数，其中包括但不限于以下特征：响应信号特征提取的窗口，以绝对平均数、最大幅值与标准差作为提取的统计特征。车辆簧载质量变化范围，车速变化，传感器采样率等。在S3中，根据观察悬架系统的响应信号的响应结果的观察，以下特征参数被选中： 最大幅值， 绝对值平均数、标准差。
优选地，在S4中，柔性神经树（FNT）是一种特殊的具有柔性树结构的人工神经网络。FNT 最大的特点是其灵活的树形结构，这使得 FNT 能够使用树结构优化算法获得简单且高效的网络结构。而且 FNT 模型在许多应用问题中具有较高的泛化能力。
优选地，在S4中，考虑到车辆参数不确定性，满足抗扰性与实时性，使用了道路功率谱作为路面的信息，能一定程度上降低低频路面冲击与高频信号扰动的影响。
优选地，在S4中，对FNT网络模型进行了树结构优化、参数优化。
优选地，在S4中，对FNT模型进行树结构的优化采用遗传编程算法(GeneticProgramming，GP)。
优选地，在S4中，对FNT模型进行参数的优化使用粒子群算法(Particle SwarmOptimization，PSO)。
优选地，在S4中，基于FNT路面分类算法可以描述为：
输入: 极差
Figure SMS_18
，绝对平均数
Figure SMS_19
，标准差
Figure SMS_20
;
步骤 1：初始化 PSO 与 GP 的参数，创建初始种群；
步骤 2：采用 GP 算法对结构进行优化；
步骤 3：如果发现了更优的结构，跳转到步骤 4，否则跳转到步骤 2;
步骤 4：采用 PSO 算法进行参数优化；
步骤 5：如果达到最大局部搜索次数，或者无法找到更好的参数，则跳转到步骤6， 否则跳转到步骤 4 ;
步骤 6：如果找到满意解，停止算法并保存每个悬架响应信号对应的路面等级
Figure SMS_21
， 否 则跳转到步骤 2.
输出: 道路等级
Figure SMS_22
;
优选地，在S5中，将悬架系统控制的输入路面不平整指数归结为以下三种情况：
（1）如果路面不平整指数过大或者有较大的增大趋势，即路况较恶劣的情况下，低频率的控制将无法满足车辆的安全与舒适性能要求，所以更频繁的控制行动将有助于提高控制质量；
（2）如果路面不平整指数在一个可接受的范围内，即路况较好的情况下，低频率的控制也能实现驾驶的基本需求，则可以实现最少的频率控制，以节省执行器资源，减少磨损，延长使用寿命；
（3）否则，路面不平整指数既不是足够好，也不是太差，即路况适中。路面不平整指 数越好，控制周期设置的越大。 使用路面性能指标
Figure SMS_23
来描述了这些场景的主要特征，并 将用于周期调整：
Figure SMS_24
其中
Figure SMS_25
是权重系数，用来描述路面不平整度与其变化率的性能占比。
优选地，在S5中，当路面不平整度指数 r 为较小值且路面变化小时
Figure SMS_26
达到较 小值，表示此时路面情况好且保持稳定，可以采取最为宽松的控制方案，即将控制周期设置 为系统稳定时的最大控制周期
Figure SMS_27
，而当路面较差或显著恶化时，可以采取激进的控 制方案，即控制周期设置 为传感器的采样周期
Figure SMS_28
，为了切换周期时系统的稳定，本设 计中所有控制周期都为传感器采样周期的整数倍。
优选地，在S6中，在设计控制周期调整算法时，还需要确保系统的稳定性，在稳定的系统之间切换可能导致系统不稳定，周期切换作为控制模式切换的一种， 也可能导致系统不稳定。对于一般控制系统，如非线性系统，其稳定条件尚未建立，引入了周期切换等待时间的概念。
优选地，在S6中，控制周期调整算法可描述为：
输入：路面不平整度 r
步骤一：初始化参数
Figure SMS_29
；
步骤二：使用道路不平整度拟合器获取路面不平整度指数r ；
步骤三：计算得到路面性能指标
Figure SMS_30
；
步骤四：如果
Figure SMS_31
，就
Figure SMS_32
；
步骤五：否则如果
Figure SMS_33
，那么
Figure SMS_34
；
步骤六：否则
Figure SMS_35
；
步骤七：累加等待时间
Figure SMS_36
；
步骤八：如果
Figure SMS_37
；就更新控制周期为
Figure SMS_38
，重置等待 时间
Figure SMS_39
，保存
Figure SMS_40
；
步骤九：跳转到步骤三.
输出：控制周期
Figure SMS_41
优选地，在S6中，本设计考虑如下网络控制下的主动悬架系统形式：
Figure SMS_42
其中
Figure SMS_43
表示切换的周期。对于给定的
Figure SMS_44
，即只要控制周期小于最大稳 定周期，系统就能保持稳定。
优选地，在S6中，考虑到泛用性与实际应用价值，变周期控制采用的方案为 PID控制器。
优选地，在S6中，使用零阶保持器将系统和控制器离散化。
附图说明
图1示出了本发明的设计流程示意图。
图2示出了S2中1/4半主动悬架架构图。
图3示出了S3中滑动窗口设置示意图。
图4示出了S4中基于FNT的提取道路不平整度指数的流程图。
图5示出了本发明的总体框架图。
具体实施方式
下面结合附图和具体实施方案对本发明进行详细说明。
本发明提供了一种基于路面估计的变周期车辆主动悬架系统控制方法，首先，本发明基于柔性神经树实现了车辆参数不确定下的路面不平整度指数预估；进一步地，以此路面不平整度指数为依据计算路面性能指标并进行控制周期调整；进一步地，通过控制周期调整策略判断新周期是否被采用；进一步地，结合周期调整策略设计了稳定的变周期PID 控制器。
下面根据图1的设计流程和图5的总体框架对本发明做详细说明：
S1：搭建路面激励模型形成仿真路面，形成训练样本与验证环境。
S2：搭建半主动悬挂系统模型用于提取悬挂响应信息，与路面数据一同形成路面观测数据集。
S3：通过滑动窗口对车辆参数的悬架响应进行统计特征提取。由于路面时域输入为随机信号，如果直接输入上述数据，不仅数量巨大而且冗余过多。在不同等级道路下悬挂系统的动态响应的统计特征有较大区别，使用统计特征对路面特征进行描述，即对一定窗口范围内的信号特征进行提取。
S4：设计基于 FNT 的道路分类算法。首先，以S3提取到的数据集的特征为输入，以道路高程信息为输出，训练 FNT 网络。训练过程主要包括结构演化和参数优化。然后传感器实时采集悬架系统的输出 、车速和簧载质量，通过已训练的 FNT 拟合道路高程。最后，为了进一步提取道路特征，消除噪声影响，利用自相关函数的傅里叶变换将道路高程的时域信号转换为道路功率谱密度值。获取道路不平度指数。
S5：制定控制周期的调整策略。在S4得到路面不平整度指数后，本发明将把它结合 控制周期调整策略对周期进行自适应调节。路面不平整度识别指数 r 与它的变化率
Figure SMS_45
作为本次周期调整的依据。
S6：结合S5中的控制周期的调整策略，进行变周期车辆主动悬架系统控制器设计。
作为一种优选的实施方式，S1使用了白噪声滤波法对路面时域模型进行了建模，使用路面功率谱密度对路面的不平整度进行表示。
作为一种优选的实施方式，在S1中，假设
Figure SMS_46
是单位强度为 1 的高斯白噪 声，
Figure SMS_47
为路面高程，车速 v 为定值，可得到模拟的路面时域模型：
Figure SMS_48
为了路面功率谱逼近真实路况，可在路面模型基础上引入下截止时间频率
Figure SMS_49
， 即可 得到公式所示的路面激励模型：
Figure SMS_50
式中
Figure SMS_51
的取值为0.01
Figure SMS_52
。
作为一种优选的实施方式，随机路面扰动直接影响车辆主动悬架系统的动态性 能。在实际路面中，路面不平度函数
Figure SMS_53
是一个随机函数，定义为路面基准面的相对 高度
Figure SMS_54
与沿道路方向
Figure SMS_55
的变化。由于路面曲线具有随机性，所以一般使用路面功率谱 密度对路面的不平整度进行表示。
对于路面功率谱密度
Figure SMS_56
可由下式拟合表达：
Figure SMS_57
式中，
Figure SMS_58
是空间频率，即每米中所包含的波的数量，单位为
Figure SMS_59
；
Figure SMS_60
为参 考空间频率；
Figure SMS_61
是参考空间频率下的路面谱密度，称为路面不平度系数；
Figure SMS_62
是频率系数，一般取 2。根据路面功率谱，一般将路面分为 A-H 八个等级，具体分级 如表 2.1 所示：
Figure SMS_63
作为一种优选的实施方式，对悬架模型假设： （1）轮胎阻尼为常数，不随着行驶时间变化； （2）忽略转动惯量、摩擦力等要素对悬挂系统的影响； （3）忽略路面的阻力对轮胎的影响； （4）车辆保持匀速行驶。
作为一种优选的实施方式，如图2所示，S2将 1/4 半主动线性悬架系统用如下微分方程表示：
Figure SMS_64
，
其中
Figure SMS_65
作为一种优选的实施方式，S2考虑了驾驶舒适度，轮胎的抓地性能以及悬架动挠度，观测输出
Figure SMS_66
与控制性能 />
Figure SMS_67
其定义如下：
Figure SMS_68
选取状态变量为：
Figure SMS_69
从而连续时间车辆半主动悬架系统可以表示为：
Figure SMS_70
其中，
Figure SMS_71
作为一种优选的实施方式，S1、S2模型生成的仿真数据，作为S3中特征提取的数据集。
作为一种优选的实施方式，如图3所示，S3将窗口设置为与车长的相关的自适应值，即窗口长度预设为车长的m倍，因为不同大小的采样窗口对道路特征的提取效果有着较大的影响，一个大的窗口能更好提取信号的特征，而过大的窗口不能适用于复杂多变的路面环境下，提取的特征会产生较大的时延；较小的窗口时延影响小，但是小窗口内的数据信号特征经常无法提取较好的路面特征。
作为一种优选的实施方式，S1、S2形成的数据集充分包含了各等级的路面与车辆参数，其中包括但不限于以下特征：响应信号特征提取的窗口，以绝对平均数、最大幅值与标准差作为提取的统计特征。车辆簧载质量变化范围，车速变化，传感器采样率等。根据悬架系统的响应信号的响应结果的观察，以下特征参数被选中：
(1)最大幅值，表示为：
Figure SMS_72
其中
Figure SMS_73
、
Figure SMS_74
、
Figure SMS_75
分别表示采样窗口下的极差，最大值和最小值；
(2)绝对值平均数，表示为：
Figure SMS_76
其中
Figure SMS_77
表示采样窗口的绝对值的平均值，
Figure SMS_78
为采样窗口的数据总数，
Figure SMS_79
为 窗口内的数据；
(3)标准差，表示为：
Figure SMS_80
其中
Figure SMS_81
表示采样窗口的标准差，
Figure SMS_82
表示采样窗口的平均值。将提取到的特征 进行归一化处理：
Figure SMS_83
其中
Figure SMS_84
表示归一化结果，
Figure SMS_85
和
Figure SMS_86
分别表示最大范围和最小范围。 它们是通过大量的仿真计算和控制驾驶过程中的数据而得到的。使用如下公式把数据限制 在
Figure SMS_87
之 内：
Figure SMS_88
其中
Figure SMS_89
是归一化前的第
Figure SMS_90
个窗口的极差。
作为一种优选的实施方式，柔性神经树（FNT）是一种特殊的具有柔性树结构的人工神经网络。FNT 最大的特点是其灵活的树形结构，这使得 FNT 能够使用树结构优化算法获得简单且高效的网络结构。而且 FNT 模型在许多应用问题中具有较高的泛化能力。在S4中，将S3提取的特征送入FNT网络进行训练，它的描述如下：
Figure SMS_91
其中
Figure SMS_92
表示一个有 N 个子结点的非叶结点，
Figure SMS_93
表示叶子结点。首先随 机选择选择指令 来创建神经树，如果
Figure SMS_94
被选择，产生 i 个随机的连接权重
Figure SMS_95
、激 励随机数
Figure SMS_96
与
Figure SMS_97
，神经元
Figure SMS_98
的激励结果如下：
Figure SMS_99
其中
Figure SMS_100
表示节点
Figure SMS_101
的各输入值，节点
Figure SMS_102
的输出为：
Figure SMS_103
。
作为一种优选的实施方式，对FNT网络模型进行了树结构优化、参数优化。
作为一种优选的实施方式，在S4中，对FNT模型进行树结构的优化采用遗传编程算法(Genetic Programming，GP)，在开始优化树结构之前，需要生成一组树结构。然后利用GP 算法对 FNT 的结构进行演化。GP 是一种受生物进化启发的学习算法。它模仿生物进化中的随机突变和繁殖，通过适应度算法选择最适合的个体产生后代，具体步骤如下：
（1） 初始化种群；
（2） 评估种群中个体的适应度；
（3） 根据遗传参数，使用下列操作产生新个体：1） 复制适应度高的个体，加入新群体中，淘汰适应度低的个体；2） 选择两个个体进行交换，产生两个新个体并放入新群体中；3） 随机选择个体，改变它的一部分，并插入新群体中；
（4） 反复执行（2）和（3），直至达到预设条件。
作为一种优选的实施方式，在S4中，对FNT模型进行参数的优化使用粒子群算法(Particle Swarm Optimization，PSO)，粒子群优化算法是一种进化算法，它从生成一组随机解开始，通过迭代找到最优解，并通过适应度来评估解的质量。该方法易于实现，具有精度高、收敛速度快、求解实际问题性能好等特点，该算法设计了一个只有速度和位置两个特性的无质量粒子。每个粒子代表搜索空间 中任务的一个潜在解决方案。在 D 维空间中，第i 个粒子的位置矢量和速度矢量可以分 别表示为：
Figure SMS_104
群中的所有粒子都根据它们所找到的当前个体极值和群共享的当前全局最优解来 调整它们的速度和位置。 第 i 个粒子的速度和位置更新如下:
Figure SMS_105
其中
Figure SMS_107
为惯性权重，表示前一速度对当前的新速度的影响;
Figure SMS_108
和
Figure SMS_109
为学 习因子，表示更新速度;
Figure SMS_110
表示第
Figure SMS_111
个个体的最佳前期位置，
Figure SMS_112
表示当代所有粒 子的最佳前期位置;
Figure SMS_113
和
Figure SMS_106
表示 [0,1] 范围内的随机值。优化步骤如下：
（1）随机初始化每个粒子与群体规模；
（2）评估每个粒子的适应度；
（3）求得每个粒子的历史最优位置；
（4）获得全 局最优位置；
（5）更新粒子的速度与位置；
作为一种优选的实施方式，在S4中，道路不平度指数的获取如图4所示，其中基于FNT路面分类算法可以描述为：
输入: 极差
Figure SMS_114
，绝对平均数
Figure SMS_115
，标准差
Figure SMS_116
;
步骤 1：初始化 PSO 与 GP 的参数，创建初始种群；
步骤 2：采用 GP 算法对结构进行优化；
步骤 3：如果发现了更优的结构，跳转到步骤 4，否则跳转到步骤 2;
步骤 4：采用 PSO 算法进行参数优化；
步骤 5：如果达到最大局部搜索次数，或者无法找到更好的参数，则跳转到步骤6， 否则跳转到步骤 4 ;
步骤 6：如果找到满意解，停止算法并保存每个悬挂响应信号对应的路面等级
Figure SMS_117
， 否 则跳转到步骤 2.
输出: 道路等级
Figure SMS_118
;
作为一种优选的实施方式，在S5中，将悬架系统控制的输入道路不平度指数r归结为以下三种情况：
（1）如果路面不平整指数r过大或者有较大的增大趋势，即路况较恶劣的情况下，低频率的控制将无法满足车辆的安全与舒适性能要求，所以更频繁的控制行动将有助于提高控制质量；
（2）如果路面不平整指数r在一个可接受的范围内，即路况较好的情况下，低频率的控制也能实现驾驶的基本需求，则可以实现最少的频率控制，以节省执行器资源，减少磨损，延长使用寿命；
（3）否则，道路不平度指数r既不是足够好，也不是太差，即路况适中。道路不平度 指数r越好，控制周期设置的越大。 使用路面性能指标
Figure SMS_119
来描述了这些场景的主要特征， 并将用于周期调整：
Figure SMS_120
其中
Figure SMS_121
是权重系数，用来描述路面不平整度与其变化率的性能占比。
作为一种优选的实施方式，在S5中，当路面不平度指数 r 为较小值且路面变化小 时
Figure SMS_122
达到较小值，表示此时路面情况好且保持稳定，可以采取最为宽松的控制方案，即 将控制周期设置为系统稳定时的最大控 制周期
Figure SMS_123
，而当路面较差或显著恶化时， 可以采取激进的控制方案，即控制周期设置为传感器的采样周期
Figure SMS_124
，为了切换周期时 系统的稳定，本方案中所有控制周期都为传感器采样周期的整数倍：
Figure SMS_125
其中
Figure SMS_126
不小于 1 且不大于
Figure SMS_127
的整数，最大周期
Figure SMS_128
， 所有控制周期为最小控制周期的整数倍；以下是基于上述描述的周期调整策略：
（1）当
Figure SMS_129
非常接近于 0 时，设置控制周期为最大值，即：
Figure SMS_130
其中
Figure SMS_131
是
Figure SMS_132
的下限阈值，当车辆行驶在较好的路 面上且没有恶化趋势，那么可以采用最大控制周期，减小控制能耗与磨损；
（2）当
Figure SMS_133
大于一个上限阈值
Figure SMS_134
时，路况较差且路面显著恶化，控制周期设 置为：
Figure SMS_135
，
（3）否则，即当
Figure SMS_136
在
Figure SMS_137
和
Figure SMS_138
之间，设置控制周期在最大与最小之间：
Figure SMS_139
作为一种优选的实施方式，在S6中，在设计控制周期调整算法时，还需要确保系统 的稳定性，在稳定的系统之间切换可能导致系统不稳定，周期切换作为控制模式切换的一 种， 也可能导致系统不稳定。对于一般控制系统，如非线性系统，其稳定条件尚未建立，引 入了周期切换等待时间的概念。令
Figure SMS_140
表示控制任务从 p 的调整到当前周期结束的时间 间隔：
Figure SMS_141
，其中
Figure SMS_142
是从上一次调整 p 到当前控制周期开始的时间。 在切换系统时，只要在
Figure SMS_143
超过平均驻留时间后对 p 进行调整，系统就是稳定的。
作为一种优选的实施方式，考虑到频繁切换控制周期会影响系统的性能与稳定 性，当
Figure SMS_144
变化不大时不对周期进行调整；但是考虑到微小的变化的累加导致较大的变 化，所以规定在至少每
Figure SMS_145
时间内进行一次周期更新：
Figure SMS_146
其中ξ为判断周期更新的阈值。
作为一种优选的实施方式，在S6中，控制周期调整算法可描述为：
输入：路面不平整度 r
步骤一：初始化参数
Figure SMS_147
；
步骤二：使用道路不平整度拟合器获取道路不平度指数r；
步骤三：计算得到路面性能指标
Figure SMS_148
；
步骤四：如果
Figure SMS_149
，就
Figure SMS_150
；
步骤五：否则如果
Figure SMS_151
，那么
Figure SMS_152
；
步骤六：否则
Figure SMS_153
；
步骤七：累加等待时间
Figure SMS_154
；
步骤八：如果
Figure SMS_155
；就更新控制周期为
Figure SMS_156
，重置等待 时间
Figure SMS_157
，保存
Figure SMS_158
；
步骤九：跳转到步骤三.
输出：控制周期
Figure SMS_159
作为一种优选的实施方式，在S6中，本设计考虑如下网络控制下的主动悬架系统形式：
Figure SMS_160
其中
Figure SMS_161
表示切换的周期。对于给定的
Figure SMS_162
，即只要控制周期小于最大稳 定周期，系统就能保持稳定。
作为一种优选的实施方式，在S6中，考虑到泛用性与实际应用价值，此次变周期控制采用的方案为 PID 控制器。控制输出 y ，车辆悬架速度
Figure SMS_163
，连续系统下的 PID 控制器如下：
Figure SMS_164
式中，
Figure SMS_165
、
Figure SMS_166
和
Figure SMS_167
分别为控制器增益、积分系数和导数系数。
作为一种优选的实施方式，在S6中，使用零阶保持器将系统和控制器离散化，对
Figure SMS_168
，其中的
Figure SMS_169
， 该变周期控制器设计为：
Figure SMS_170
其中
Figure SMS_171
代表控制输出信号；
Figure SMS_172
I和
Figure SMS_173
是积分和微分作用，
Figure SMS_174
是过滤参数， 下标
Figure SMS_175
表示第
Figure SMS_176
个周期。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (10)

1.一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，包括以下步骤：
S1：搭建路面激励模型形成仿真路面，形成训练样本与验证环境；
S2：搭建半主动悬架系统模型用于提取悬架响应信息，与路面数据一同形成路面观测数据集；
S3：通过滑动窗口对车辆参数的悬架响应进行特征提取；
S4：设计基于 FNT 的道路分类算法，获取路面不平整度指数；
S5：在得到路面不平整度指数后，制定控制周期的调整策略；
S6：结合控制周期的调整策略，进行变周期车辆主动悬架系统控制器设计。
2.如权利要求1所述的一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，S1使用了白噪声滤波法对路面时域模型进行了建模，使用路面功率谱密度对路面的不平整度进行表示。
3.如权利要求1所述的一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，S1、S2模型生成的仿真数据，作为S3中特征提取的数据集。
4.如权利要求1所述的一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，在S4中，对FNT模型进行树结构的优化采用遗传编程算法(Genetic Programming，GP)。
5.如权利要求1所述的一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，在S4中，对FNT模型进行参数的优化使用粒子群算法(Particle SwarmOptimization，PSO)。
6.如权利要求1所述的一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，在S4中，基于FNT路面分类算法可以描述为：
输入: 极差
Figure QLYQS_1
，绝对平均数 />
Figure QLYQS_2
，标准差 />
Figure QLYQS_3
;
步骤 1：初始化 PSO 与 GP 的参数，创建初始种群；
步骤 2：采用 GP 算法对结构进行优化；
步骤 3：如果发现了更优的结构，跳转到步骤 4，否则跳转到步骤 2;
步骤 4：采用 PSO 算法进行参数优化；
步骤 5：如果达到最大局部搜索次数，或者无法找到更好的参数，则跳转到步骤 6， 否则跳转到步骤 4 ;
步骤 6：如果找到满意解，停止算法并保存每个悬架响应信号对应的路面等级
Figure QLYQS_4
，否 则跳转到步骤 2.
输出: 道路等级
Figure QLYQS_5
。
7.如权利要求1所述的一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，在S5中，当路面不平整度指数 r 为较小值且路面变化小时
Figure QLYQS_6
达到较小值，表示此时路面情况好且保持稳定，可以采取最为宽松的控制方案，即将控制周期设置为系统稳定时的最大控制周期 />
Figure QLYQS_7
，而当路面较差或显著恶化时，可以采取激进的控制方案，即控制周期设置 为传感器的采样周期 />
Figure QLYQS_8
，为了切换周期时系统的稳定，本设计中所有控制周期都为传感器采样周期的整数倍。
8.如权利要求1所述的一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，在S6中，在设计控制周期调整算法时，还需要确保系统的稳定性，在稳定的系统之间切换可能导致系统不稳定，周期切换作为控制模式切换的一种， 也可能导致系统不稳定。对于一般控制系统，如非线性系统，其稳定条件尚未建立，引入了周期切换等待时间的概念。
9.如权利要求1所述的一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，在S6中，控制周期调整算法可描述为：
输入：路面不平整度 r
步骤一：初始化参数
Figure QLYQS_9
；
步骤二：使用道路不平整度拟合器获取路面不平整度指数r ；
步骤三：计算得到路面性能指标
Figure QLYQS_10
；
步骤四：如果
Figure QLYQS_11
，就/>
Figure QLYQS_12
；
步骤五：否则如果
Figure QLYQS_13
，那么/>
Figure QLYQS_14
；
步骤六：否则
Figure QLYQS_15
；
步骤七：累加等待时间
Figure QLYQS_16
；
步骤八：如果
Figure QLYQS_17
；就更新控制周期为 />
Figure QLYQS_18
，重置等待 时间 />
Figure QLYQS_19
，保存/>
Figure QLYQS_20
；
步骤九：跳转到步骤三.
输出：控制周期
Figure QLYQS_21
。
10.如权利要求1所述的一种基于路面估计的变周期车辆主动悬架系统控制方法，其特征在于，在S6中，使用零阶保持器将系统和控制器离散化，对
Figure QLYQS_22
，其中的
Figure QLYQS_23
， 该变周期控制器设计为：
Figure QLYQS_24
,
其中
Figure QLYQS_25
代表控制输出信号； />
Figure QLYQS_26
I和 />
Figure QLYQS_27
是积分和微分作用， />
Figure QLYQS_28
是过滤参数，下标
Figure QLYQS_29
表示第 />
Figure QLYQS_30
个周期。
CN202310565766.3A 2023-06-14 2023-06-14 一种基于路面估计的变周期车辆主动悬架系统控制方法 Pending CN116409103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310565766.3A CN116409103A (zh) 2023-06-14 2023-06-14 一种基于路面估计的变周期车辆主动悬架系统控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310565766.3A CN116409103A (zh) 2023-06-14 2023-06-14 一种基于路面估计的变周期车辆主动悬架系统控制方法

Publications (1)

Publication Number Publication Date
CN116409103A true CN116409103A (zh) 2023-07-11

Family

ID=87056255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310565766.3A Pending CN116409103A (zh) 2023-06-14 2023-06-14 一种基于路面估计的变周期车辆主动悬架系统控制方法

Country Status (1)

Country Link
CN (1) CN116409103A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4386397A (en) * 1979-12-18 1983-05-31 Honeywell Inc. Method and apparatus for process control
CN103770594A (zh) * 2014-01-16 2014-05-07 江苏大学 一种车辆悬架用馈电型电磁阻尼减振控制方法
CN106647256A (zh) * 2016-10-08 2017-05-10 西南交通大学 一种基于h∞ pid的主动悬架控制系统及控制方法
EP3833559A1 (en) * 2018-08-10 2021-06-16 Marelli Suspension Systems Italy S.p.A. Recognition of degraded performance in a vehicle suspension system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4386397A (en) * 1979-12-18 1983-05-31 Honeywell Inc. Method and apparatus for process control
CN103770594A (zh) * 2014-01-16 2014-05-07 江苏大学 一种车辆悬架用馈电型电磁阻尼减振控制方法
CN106647256A (zh) * 2016-10-08 2017-05-10 西南交通大学 一种基于h∞ pid的主动悬架控制系统及控制方法
EP3833559A1 (en) * 2018-08-10 2021-06-16 Marelli Suspension Systems Italy S.p.A. Recognition of degraded performance in a vehicle suspension system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董嘉枫: "基于路面起伏智能监测的主动悬架自适应减振控制策略研究", 基于路面起伏智能监测的主动悬架自适应减振控制策略研究, pages 1 - 54 *

Similar Documents

Publication Publication Date Title
Ming et al. Semi-active suspension control based on deep reinforcement learning
Du et al. Non-fragile output feedback H∞ vehicle suspension control using genetic algorithm
CN104765916B (zh) 一种高速列车动力学性能参数优化方法
Au et al. Parameter identification of vehicles moving on continuous bridges
US20040153227A1 (en) Fuzzy controller with a reduced number of sensors
CN107316099A (zh) 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法
CN110334580A (zh) 基于集成增量的动态权重组合的设备故障分类方法
Soleymani et al. Adaptive fuzzy controller for vehicle active suspension system based on traffic conditions
US20030110148A1 (en) Intelligent mechatronic control suspension system based on soft computing
CN112776551B (zh) 一种基于运动图式的磁流变悬架半主动控制方法及系统
CN105184416A (zh) 基于粒子群优化反向传播神经网络的脉动风速预测方法
CN115359672B (zh) 一种数据驱动与强化学习结合的交通区域边界控制方法
CN111487863B (zh) 一种基于深度q神经网络的主动悬架强化学习控制方法
WO2024125584A1 (zh) 一种汽车半主动悬架的pid控制参数的优化方法
Alfi et al. Parameter identification based on a modified PSO applied to suspension system
CN103754081A (zh) 车辆非线性悬架系统的最优模糊复合控制方法
Chiou et al. Using fuzzy logic controller and evolutionary genetic algorithm for automotive active suspension system
Zhang et al. Evolving neural network classifiers and feature subset using artificial fish swarm
CN110001336B (zh) 一种基于add正实网络优化的车辆isd悬架一阶理想模型
CN109932907A (zh) 一种基于rbf滑模变结构控制的车辆isd悬架主动控制方法
He et al. Commercial vehicle ride comfort optimization based on intelligent algorithms and nonlinear damping
CN116409103A (zh) 一种基于路面估计的变周期车辆主动悬架系统控制方法
CN111439086B (zh) 一种基于粒子群优化的车辆isd悬架pdd控制理想模型
Gadhvi et al. Passive suspension optimization using teaching learning based optimization and genetic algorithm considering variable speed over a bump
CN113022247A (zh) 主动车辆悬架系统自适应固定时间事件触发模糊控制方法

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