CN116644513A - 一种lqr主动悬架优化方法 - Google Patents
一种lqr主动悬架优化方法 Download PDFInfo
- Publication number
- CN116644513A CN116644513A CN202310612623.3A CN202310612623A CN116644513A CN 116644513 A CN116644513 A CN 116644513A CN 202310612623 A CN202310612623 A CN 202310612623A CN 116644513 A CN116644513 A CN 116644513A
- Authority
- CN
- China
- Prior art keywords
- suspension
- active suspension
- lqr
- optimal control
- model
- 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
Links
- 239000000725 suspension Substances 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000006073 displacement reaction Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 125000004122 cyclic group Chemical group 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明一种LQR主动悬架优化方法,通过建立主动悬架四自由度模型和目标性能指标模型,从而得到作动力最优控制矩阵,以车辆状态参数作为输入,以车辆转向的外侧后轮与地面的滑移量为输出对BP神经网络进行训练,得到预测模型,根据预测模型的输出得到不同状态下的加权系数,进而得到不同状态下的作动力最优控制矩阵,通过主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对车辆状态参数进行调整,即改变预测模型的输入使得作动力最优控制矩阵发生改变,实现循环控制,解决了传统的LQR算法由于加权系数只能确定一组,尤其是正常工况和极限工况转换的情况下适应性不强的问题。
Description
技术领域
本发明属于汽车工程技术领域,具体涉及一种LQR主动悬架优化方法。
背景技术
在车辆平顺性和操纵稳定性的优化过程中,主动悬架是继ESP系统和横摆力矩控制系统之后的又一主要优化方法,其主要原理是根据悬架配置的传感器,接收路面信息,由作动器输出主动力来调节车身位姿以改善车辆乘坐舒适性以及极限转向工况下的操纵稳定性,进而提高行驶过程中的安全性能。
车辆主动悬架控制方法主要有PID控制、LQR控制以及MPC控制,LQR是最优控制的一种,然而其存在权重系数为人为设定,具有一定的随机性,对路面适应性不强的问题。
发明内容
本发明的目的在于提供一种LQR主动悬架优化方法,以克服现有技术主动悬架LQR控制过程中由于权重系数的随机性导致的对路面适应性不强的问题。
为达到上述目的,本发明采用如下技术方案:
一种LQR主动悬架优化方法,包括以下步骤:
步骤1)、根据主动悬架四自由度模型和目标性能指标模型,得到作动力最优控制矩阵;
步骤2)、以车辆状态参数为输入,以车辆转向的外侧后轮与地面的滑移量为输出,对BP神经网络进行训练,得到预测模型,根据预测模型的输出得到不同状态下的加权系数,由不同状态下的加权系数得到不同状态下的作动力最优控制矩阵;
步骤3)、主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对悬架性能指标进行优化。
进一步的,主动悬架四自由度模型的运动微分方程为:
其中mwf为左悬架非簧载质量,mwr为右悬架非簧载质量,mhb为车身质量,即簧载质量,Ihp为车身侧倾转动惯量,Ksf、Ksr分别为左、右悬架刚度,Ktf、Ktr分别为左、右轮胎刚度,a为左轮到质心的距离,b为右轮到质心的距离,z01为左轮路面激励,z1为左悬架非簧载质量位移,z2为左车身位移,即左悬架簧载质量位移,z02为右轮路面激励,z3为右悬架非簧载质量位移,z4为右车身位移,即右悬架簧载质量位移,Uaf、Uar分别为左、右悬架作动器的作动力。
进一步的,主动悬架四自由度模型运动微分方程的矩阵形式为:
其中为状态量,悬架作动力
U=[Uaf,Uar]T为控制量,w=[w1,w2]T为路面输入。
进一步的,目标性能指标J的积分函数为:
其中q1、q2、q3、q4、p1、p2为加权系数。
进一步的,目标性能指标模型积分函数的矩阵形式为:
其中J为目标性能指标。
进一步的,作动力最优反馈矩阵为:
U=-KX
其中K为最优控制反馈增益矩阵。
进一步的,所述最优控制反馈增益矩阵K由黎卡提方程求得:
K=R-1(PB+NT)
其中P为黎卡提方程的解。
进一步的,所述车辆状态参数包括车身侧倾角、侧倾角速度、横摆角速度、侧向加速度以及质心侧偏角。
进一步的,根据预测模型预测侧滑概率,规定为侧滑和不侧滑两种情况,得到两种状态下不同的加权系数,进而分别得到两种状态下关于作动力的最优控制矩阵。
进一步的,主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对悬架性能指标进行优化进而改变车辆状态参数,新的车辆状态参数作为新的预测模型输入,实现循环控制。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种LQR主动悬架优化方法,通过建立主动悬架四自由度模型和目标性能指标模型,从而得到作动力最优控制矩阵,以车辆状态参数作为输入,以车辆转向的外侧后轮与地面的滑移量为输出对BP神经网络进行训练,得到预测模型,根据预测模型的输出得到不同状态下的加权系数,进而得到不同状态下的作动力最优控制矩阵,通过主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵悬架性能指标进行优化进而对车辆状态参数进行调整,即改变预测模型的输入使得作动力最优控制矩阵发生改变,实现循环控制,解决了传统的LQR算法由于加权系数只能确定一组,尤其是正常工况和极限工况转换的情况下适应性不强的问题,能够在极限工况下较好的抑制车辆的侧滑倾向,大幅度提高了车辆的安全性和操控稳定性。
附图说明
图1为BP神经网络结构示意图。
图2为BP神经网络训练过程中的梯度。
图3为车身侧倾角仿真结果图。
图4为侧倾角速度仿真结果图。
图5为横摆角速度仿真结果图。
图6为侧向加速度仿真结果图。
图7为质心侧偏角仿真结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,一种LQR主动悬架优化方法,包括以下步骤:
步骤1),建立主动悬架四自由度模型(即左右半车模型);
其微分方程为;
其中mwf为左悬架非簧载质量,mwr为右悬架非簧载质量,mhb为车身质量,即簧载质量,Ihp为车身侧倾转动惯量,Ksf、Ksr分别为左、右悬架刚度,Ktf、Ktr分别为左、右轮胎刚度,a为左轮到质心的距离,b为右轮到质心的距离,z01为左轮路面激励,z1为左悬架非簧载质量位移,z2为左车身位移,即左悬架簧载质量位移,z02为右轮路面激励,z3为右悬架非簧载质量位移,z4为右车身位移,即右悬架簧载质量位移,为左轮胎的加速度,/>为左车身加速度,/>为右轮胎加速度,/>为右车身加速度,Uaf、Uar分别为左、右悬架作动器的作动力。
采用滤波白噪声的时域表达式作为路面输入模型,左、右轮处路面输入方程为:
以为状态量,/>为左轮胎速度,/>为左车身速度,/>为右轮胎速度,/>为右车身速度,悬架作动力U=[Uaf,Uar]T为控制量,e=[w1,w2]T为路面输入,由此得到主动悬架四自由度微分方程的矩阵形式;
其中,
其中
步骤2),建立目标性能指标模型;
悬架设计中,主要性能指标有:代表轮胎接地性的轮胎动载荷,代表乘坐舒适性的车身加速度,影响车身姿态与结构设计和布置有关的悬架动行程(悬架作动力U)。车身加速度的大小也意味着作动器输出力的大小,故LQG控制器设计中的目标性能指标J即为轮胎动态位移、悬架动行程和车身加速度的加权平方和的积分值,表示为:
由公式式(7)得到目标性能指标的矩阵形式:
公式(8)中:
其中β2=p1α2α3+p2α1α2;/>加权系数为q1、q2、q3、q4、p1、p2。
步骤3),求得作动力最优控制矩阵;
当车辆参数和加权系数确定后,由黎卡提方程可求出最优控制反馈增益矩阵,黎卡提方程为:
PA+ATP-(PB+N)R-1(BTP+NT)+Q=0 (9)
得到最优控制反馈增益矩阵K=R-1(PB+NT),求出了K就完成了车辆主动悬架控制器的设计。
根据任意时刻的反馈状态变量X(t),可求出t时刻前后做定期的最优控制矩阵U(t)。
U(t)=-KX(t) (10)
以上为LQR控制器的设计过程,其中加权系数只能确定一组,对不同的工况,尤其是正常工况和极限工况转换的情况下适应性不强。
步骤4)、对BP神经网络进行训练,得到预测模型;
具体的,以车身侧倾角、侧倾角速度、横摆角速度、侧向加速度以及质心侧偏角为输入,以车辆转向的外侧后轮与地面的滑移量为输出,对数据进行相应的标准化及归一化处理,得到标准数据集。再使用matlab中BP神经网络工具箱进行训练,得到预测模型;其中,数据集由carsim仿真软件产生,采用Fishhook鱼钩工况。
步骤5)、根据预测模型的输出得到不同状态下的加权系数,得到不同状态下的作动力最优控制矩阵;
在matlab/simulink中建立车辆仿真模型(即主动悬架四自由度模型),并根据训练好的神经网络模型预测侧滑概率,规定未侧滑为“0”,侧滑为“1”,预测模型输出为0时,[q1,q2,q3,q4,p1,p2]=[1,1,1,1,100,100];当预测模型输出为1时,[q1,q2,q3,q4,p1,p2]=[1,1,1,1,1000,1000];
由此可以根据工况的不同得到两组不同的反馈矩阵k1,k2。令模型输出为1时,K=0.2*k1+0.8*k2。模型输出为0时,K=0.8*k1+0.2*k2,根据公式(10)进而得到两种状态下的作动力最优控制矩阵。
步骤6)、主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对主动悬架四自由度模型中悬架性能指标进行调整。
具体的,通过悬架性能指标的改变,车辆状态参数即预测模型的输入也会随之发生改变,进而使得作动力最优控制矩阵发生改变,形成循环,实现对车辆的精准控制,车辆状态参数包括车身侧倾角、侧倾教速度、横摆角速度、侧向加速度以及质心侧偏角,车辆状态参数通过车辆上装载的相应的传感器即可获得。
BP神经网络训练时,输入数据为72588*5的矩阵,即有五个特征值,共72588组数据,输出向量大小为72588*1的零一矩阵,表示车辆侧滑或不侧滑。神经网络输入维度为5,输出维度为1,设置10个隐含层进行训练,BP神经函数采用的是反向传播和梯度下降的方法进行迭代。训练得到的模型可以预测不同工况下车辆的侧滑,从而对LQR控制进行优化。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种LQR主动悬架优化方法,其特征在于,包括以下步骤:
步骤1)、根据主动悬架四自由度模型和目标性能指标模型,得到作动力最优控制矩阵;
步骤2)、以车辆状态参数为输入,以车辆转向的外侧后轮与地面的滑移量为输出,对BP神经网络进行训练,得到预测模型,根据预测模型的输出得到不同状态下的加权系数,由不同状态下的加权系数得到不同状态下的作动力最优控制矩阵;
步骤3)、主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对悬架性能指标进行优化。
2.根据权利要求1所述的一种LQR主动悬架优化方法,其特征在于,主动悬架四自由度模型的运动微分方程为:
其中mwf为左悬架非簧载质量,mwr为右悬架非簧载质量,mhb为车身质量,即簧载质量,Ihp为车身侧倾转动惯量,Ksf、Ksr分别为左、右悬架刚度,Ktf、Ktr分别为左、右轮胎刚度,a为左轮到质心的距离,b为右轮到质心的距离,z01为左轮路面激励,z1为左悬架非簧载质量位移,z2为左车身位移,即左悬架簧载质量位移,z02为右轮路面激励,z3为右悬架非簧载质量位移,z4为右车身位移,即右悬架簧载质量位移,Uaf、Uar分别为左、右悬架作动器的作动力。
3.根据权利要求2所述的一种LQR主动悬架优化方法,其特征在于,主动悬架四自由度模型运动微分方程的矩阵形式为:
其中为状态量,悬架作动力U=[Uaf,Uar]T为控制量,w=[w1,w2]T为路面输入。
4.根据权利要求1所述的一种LQR主动悬架优化方法,其特征在于,目标性能指标J的积分函数为:
其中q1、q2、q3、q4、p1、p2为加权系数。
5.根据权利要求4所述的一种LQR主动悬架优化方法,其特征在于,目标性能指标模型积分函数的矩阵形式为:
其中J为目标性能指标。
6.根据权利要求1所述的一种LQR主动悬架优化方法,其特征在于,作动力最优反馈矩阵为:
U=-KX
其中K为最优控制反馈增益矩阵。
7.根据权利要6所述的一种LQR主动悬架优化方法,其特征在于,所述最优控制反馈增益矩阵K由黎卡提方程求得:
K=R-1(PB+NT)
其中P为黎卡提方程的解。
8.根据权利要求1所述的一种LQR主动悬架优化方法,其特征在于,所述车辆状态参数包括车身侧倾角、侧倾角速度、横摆角速度、侧向加速度以及质心侧偏角。
9.根据权利要求1所述的一种LQR主动悬架优化方法,其特征在于,根据预测模型预测侧滑概率,规定为侧滑和不侧滑两种情况,得到两种状态下不同的加权系数,进而分别得到两种状态下关于作动力的最优控制矩阵。
10.根据权利要求1所述的一种LQR主动悬架优化方法,其特征在于,主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对悬架性能指标进行优化进而改变车辆状态参数,新的车辆状态参数作为新的预测模型输入,实现循环控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612623.3A CN116644513A (zh) | 2023-05-26 | 2023-05-26 | 一种lqr主动悬架优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612623.3A CN116644513A (zh) | 2023-05-26 | 2023-05-26 | 一种lqr主动悬架优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116644513A true CN116644513A (zh) | 2023-08-25 |
Family
ID=87622473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310612623.3A Pending CN116644513A (zh) | 2023-05-26 | 2023-05-26 | 一种lqr主动悬架优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644513A (zh) |
-
2023
- 2023-05-26 CN CN202310612623.3A patent/CN116644513A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109849899B (zh) | 一种电动轮汽车电液复合车身稳定控制系统及方法 | |
CN111806427B (zh) | 一种四轮毂电机驱动车辆的综合控制方法 | |
CN111890951B (zh) | 智能电动汽车轨迹跟踪与运动控制方法 | |
Huang et al. | A BP-PID controller-based multi-model control system for lateral stability of distributed drive electric vehicle | |
CN107791773B (zh) | 一种基于规定性能函数的整车主动悬架系统振动控制方法 | |
CN111055921B (zh) | 一种基于数据驱动的四轮转向模型预测控制方法 | |
CN109291932B (zh) | 基于反馈的电动汽车横摆稳定性实时控制装置及方法 | |
CN107220405B (zh) | 一种基于改进细胞膜优化算法的汽车底盘系统集成多目标优化方法 | |
CN112829766B (zh) | 一种基于分布式驱动电动车辆的自适应路径跟踪方法 | |
CN113221257B (zh) | 考虑控制区域的极限工况下车辆横纵向稳定控制方法 | |
CN103754081A (zh) | 车辆非线性悬架系统的最优模糊复合控制方法 | |
WO2020215659A1 (zh) | 一种电液智能转向系统性能监测器及性能优化方法 | |
CN112578672A (zh) | 基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法 | |
CN112606843A (zh) | 一种基于Lyapunov-MPC技术的智能车辆路径跟踪控制方法 | |
CN115993826A (zh) | 一种针对智能体的自适应最优合作博弈控制方法 | |
CN115935769A (zh) | 基于改进粒子群算法的飞机防滑刹车控制参数寻优方法 | |
CN110162045B (zh) | 一种基于自适应三步法的卡车编队行驶跟随车控制方法 | |
CN102880048B (zh) | 一种轮胎侧向力线性化控制的方法 | |
CN116644513A (zh) | 一种lqr主动悬架优化方法 | |
CN111814258B (zh) | 用于四轮独立电驱动车辆线控转向系统传动比的设计方法 | |
CN113934141B (zh) | 一种基于有限时域鲁棒增益调度的横向运动控制方法 | |
CN114890345B (zh) | 一种叉车稳定性控制方法以及控制系统 | |
CN116278570A (zh) | 一种基于数据驱动模型的商用车半自动悬架自适应协同控制系统与方法 | |
CN116766853A (zh) | 主动悬架车辆及其控制方法 | |
CN114834263A (zh) | 电动汽车主动前轮转向与扭矩矢量的协调控制方法及装置 |
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 |