CN117507725A - 一种基于气囊内超声波测距联合电控悬架预瞄控制方法 - Google Patents
一种基于气囊内超声波测距联合电控悬架预瞄控制方法 Download PDFInfo
- Publication number
- CN117507725A CN117507725A CN202311672626.2A CN202311672626A CN117507725A CN 117507725 A CN117507725 A CN 117507725A CN 202311672626 A CN202311672626 A CN 202311672626A CN 117507725 A CN117507725 A CN 117507725A
- Authority
- CN
- China
- Prior art keywords
- road surface
- pulse
- pavement
- suspension
- 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
Links
- 239000000725 suspension Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims description 40
- 238000006073 displacement reaction Methods 0.000 claims description 40
- 238000013016 damping Methods 0.000 claims description 17
- 230000005284 excitation Effects 0.000 claims description 13
- 239000002775 capsule Substances 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000000523 sample Substances 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000000078 claw Anatomy 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- B60G17/019—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 type of sensor or the arrangement thereof
-
- 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
- B60G17/02—Spring characteristics, e.g. mechanical springs and mechanical adjusting means
- B60G17/04—Spring characteristics, e.g. mechanical springs and mechanical adjusting means fluid spring characteristics
- B60G17/052—Pneumatic spring characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明公开了一种基于气囊内超声波测距联合电控悬架预瞄控制方法，涉及汽车底盘悬架技术领域，包括：(1)构建由改进的电控悬架系统和信息收集机构组成的路面预瞄系统；(2)通过相机和空气弹簧内超声波对信息的收集，获得随机路面类型；(3)检测当前时刻的车辆道路前方脉冲路面；(4)输出随机路面下的改进的天棚控制力需求；(5)输出脉冲路面下的电控悬架LQR控制力；(6)电控悬架执行器输出主动控制力。本发明能够实现对不同路面类型的有效识别检测和不同路面类型的最优悬架参数匹配控制，从而有效提高车辆的行驶平顺性和操纵稳定性。
Description
技术领域
本发明涉及汽车底盘悬架控制领域，尤其是一种基于气囊内超声波测距联合电控悬架预瞄控制方法。
背景技术
随着汽车行业的迅速发展，舒适性和安全性是评价车辆性能的重要指标。悬架系统作为汽车六大系统之一，对这两种性能具有重要影响。悬架系统是汽车中连接车身和车轮的一个重要结构组成。其主要作用是对路面产生的冲击载荷进行缓冲和衰减，以抑制车轮的跳动和降低车身的不规则振动，改善和提高车辆的行驶平顺性和乘坐舒适性。现有技术中的悬架大致分为被动悬架、半主动悬架和主动悬架。由于被动悬架的刚度和阻尼固定不可调，在保证操纵稳定性的情况下追求舒适性的车辆都会采用主动悬架或半主动悬架，统称为智能悬架或电控悬架。
传统的电控悬架根据当前路面悬架响应状态进行控制，在作用到悬架系统过程中会产生时滞等不利影响。同时，悬架调校与路面等级没有关系，不能做到在不同路面等级下，恰当地改变悬架软硬的控制目标，且经过脉冲路面(坑洞、减速带等)不能提前做出反应，极大的影响了乘坐舒适性。目前很多学者提出了激光雷达预瞄前方道路信息以实时检测前方道路情况，抑或是通过激光雷达和惯性导航联合导航等手段。但由于激光雷达造价昂贵，以及这些方法对于算法的要求很高，导致这些方法难以应用于大型货车或者大型客车上，无法做到批量规模化市场的推广。所谓超声波传感器测距，就是在空气弹簧的气囊内部安装超声波传感器，通过测量气囊内部空间的绝对高度表征汽车车架高度，相比于现有的高度传感器，超声波传感器原理简单、寿命长、集成度高、稳定性好、精度高等特点，且其免标定的过程提升了装配效率，降低装配的人工成本。通过相机采集路面信息联合气囊内超声波测距能够实时的调整悬架刚度和阻尼，能够使汽车对路面达到最优控制，提升车辆行驶平顺性和操纵稳定性。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出了一种基于气囊内超声波测距联合电控悬架预瞄控制方法，通过相机采集到路面信息，能够实时传递给ECU，再通过空气弹簧内装有的超声波传感器协同传递给ECU，增加了汽车对路面状况实时性的把握，以期望能够实现对不同路面类型的有效识别检测和不同路面类型的最优控制，从而能有效提高车辆的平顺性和特殊情况下的操纵稳定性。
本发明的具体技术方案如下：本发明一种基于气囊内超声波测距联合电控悬架预瞄控制方法是按如下步骤进行。
步骤1：构建由电控悬架机构和信息收集机构组成的路面预瞄系统；
所述电控悬架机构包括：电控执行器、空气弹簧、车架、摆臂和羊角；
所述信息收集机构包括：加速度传感器、超声波传感器、车辆前向摄像头；所述超声波传感器装在空气弹簧内部，用于测量空气弹簧内腔高度，从而能够实时测得路面状况反映给ECU并实时做出优化；
所述加速度传感器分别安装在所述摆臂和车架处，并分别用于收集非簧载质量加速度和簧载质量加速度；
所述车辆前向摄像头安装于汽车车牌架牌照灯旁或后视镜上边，用于识别道路前方的凸起或凹坑等脉冲路面并进行有效测距；
步骤2：建立随机路面类型的辨识模型；
步骤2.1：利用滤波白噪声时域路面输入模型得到在不同路面等级i下的随机路面输入位移zr(i)；
步骤2.2：选择随机路面不平度位移zr为车辆四分之一模型的输入，选择车辆的簧载质量加速度非簧载质量加速度/>与顶囊距离活塞的位移zru为车辆四分之一模型的输出，从而得到在不同路面等级i下的随机路面输入zr(i)所对应输出的簧载质量加速度非簧载质量加速度/>顶囊距离活塞的位移zru(i)，并作为待训练的数据；
步骤2.3：将不同路面等级i下的簧载质量加速度非簧载质量加速度/>轮跳位移zrt(i)作为LSTM神经网络模型的输入，对应的当前路面等级i为输出，对LSTM神经网络模型进行训练，得到随机路面类型的辨识模型；
步骤2.4：设定当前初始时刻为t，并收集传感器的原始数据；
利用所述加速度传感器分别采集当前时刻t的簧载质量加速度和非簧载质量加速度/>利用所述超声波传感器采集当前时刻t的顶囊距离活塞的位移zru(t)，利用车辆前向摄像头对当前时刻t的路面前方进行拍摄采集图像P(t)；
步骤2.5：识别当前随机路面等级；
将当前时刻t的簧载质量加速度非簧载质量加速度/>和顶囊距离活塞的位移zru(t)代入到所述随机路面类型的辨识模型中，输出对应的当前时刻t的路面等级i(t)；
步骤3：检测当前时刻t的车辆道路前方脉冲路面的存在；
步骤3.1：选择减速带、鼓包和下水道盖作为脉冲路面类型，并用于卷积神经网络的特征提取和训练，从而得到脉冲路面特征识别模型；
步骤3.2：利用脉冲路面特征识别模型对当前时刻t的采集图像P(t)进行识别，得到识别结果；若识别结果中存在脉冲路面，则令路面识别系数γ＝1，并利用下式得到脉冲路面的输入位移zrp(t)：
式中，Az表示脉冲路面类型的高度或深度；Lz表示脉冲路面类型的宽度；v表示车速；p表示脉冲激励系数，当p＝1时，表示凹坑激励信号，当p＝2时，表示凸起输入激励信号；
若识别结果中不存在脉冲路面，即为随机路面，则令路面识别系数γ＝0，保持当前时刻t的路面等级i(t)；
步骤4：搭建随机路面下的改进天棚控制力模型Fran_sky；
步骤4.1：定义车轮动载荷系数为α，车身加速度权重系数为β；若α>β，则表示当前时刻t的控制目标倾向于平顺性；否则，表示当前时刻t的控制目标倾向于操纵稳定性，其中0＜α,β＜1；α+β＝1；
步骤4.2：利用下式计算不同路面等级i下的控制参数：
式中，cp(i)，csky(i)分别为被动阻尼控制参数和天棚阻尼控制参数，(csky,cp)optimal为对应当前路面等级i下的一对最优的控制参数，rms(ktzru))和rms(ktzru)mean分别为车轮动载荷均方根值及其平均值；和/>分别为车身加速度均方根值及其平均值；
步骤4.3：根据不同等级i路面下的控制参数，利用下式得到适合当前等级的随机路面的悬架控制力Fran_sky；
式中，为悬架机构的簧载质量速度，/>为悬架机构的非簧载质量速度，cmin为最小电控阻尼系数；
步骤5：搭建脉冲路面下的汽车电控悬架LQR控制力Fpul_lqr；
设置整车的状态变量为
将脉冲路面的输入位移zrp(t)作为整车模型的输入，从而得到输出变量
其中，Z、为簧载质量位移、速度和加速度，θ为侧倾角，/>为俯仰角，Zu1、/>Zu2、/>Zu3、/>Zu4、/>为四个车轮对应的非簧载质量位移和速度，Z1-Zu1、Z2-Zu2、Z3-Zu3、Z4-Zu4为四个车轮对应的悬架动挠度，Zrp1-Zu1、Zrp2-Zu2、Zrp3-Zu3、Zrp4-Zu4为四个车轮在脉冲路面下对应的轮胎跳动位移；
利用LQR控制算法对输出变量Y进行加权计算，得到脉冲路面下的最优控制力；
Fpul_lqr＝-KmXm
其中，m表示脉冲路面类型系数，Km是对应于不同脉冲路面类型m的最优控制反馈增益矩阵，Xm是对应脉冲路面类型m下的状态变量；
步骤6：利用下式得到悬架总期望力Fdesire：
步骤7：利用下式得到当前时刻t的电控悬架执行器输出的主动控制力Foutput(t)：
上式中，Fmin，Fmax为当前状态下执行器所能输出的最大力和最小力。
与已有技术相比，本发明有益效果体现在：
1、本发明建立的路面识别模块同时考虑了随机路面和脉冲路面，并对两类路面分别建立路面信息时域输入模型，由于两种路面下对车辆底盘的影响差异很大，分开处理能更好的利用预瞄系统获取的信息，预瞄控制效果更优。另外，增加了超声波传感器，对于路面不平度有了更为精确地把握，能够弥补相机识别的不足。
2、本发明中对随机路面的改进天棚控制策略中引入α，β系数来兼顾在不同路面等级下的平顺性与操纵稳定性的平衡，在A/B级路面可以优先于操纵稳定性，在C/D级路面优先于平顺性，从而实现了在不同路面等级下对于悬架软硬需求的满足。
3、本发明提出的针对脉冲路面采用离线LQR控制，根据不同脉冲路面类型m参数，对应的离线求解其最优反馈控制增益矩阵Km。脉冲凸起/凹坑的高度(深度)、宽度、车速等参数都可以设定不同的m值，得到更多不同脉冲路面情况的K并离线存储，如此在预瞄系统识别到设置的凸起/凹坑时，直接调用对应K矩阵的LQR控制，节省了运算时间，控制更加合理。
4、本发明提出的基于路面识别的电控悬架预瞄控制策略相比现有的预瞄控制更具实际意义，没有像传统预瞄控制中，通过激光雷达等对路面实时扫描计算处理数据，通过加速度传感器、超声波传感器结合车辆前向摄像头，大大降低成本，而且本发明逻辑更清晰，能够更准确地提供当前电控悬架执行器所需的输出力，改善车辆行驶平顺性和特殊情况下的操纵稳定性。
附图说明
图1为本发明超声波传感器示意图；
图2为四分之一车辆悬架动力学模型原理图；
图3为本发明预瞄识别系统示意图；
图4为LSTM内部结构示意图；
图5为本发明路面分类识别模型的流程图；
图6为本发明基于路面识别的电控悬架预瞄控制的流程图；
图7为本发明脉冲路面下LQR最优控制搭建的七自由度整车参数示意图；
具体实施方式
本实施例中，一种基于路面识别的电控悬架预瞄控制方法是利用预瞄系统获知的路面信息，通过在不同路面信息下分类控制，悬架执行器能有效地输出对应的控制力，达到改善车辆平顺性的效果。具体的说，是按如下步骤进行：
步骤1：搭建由电控悬架机构和信息收集机构组成的路面预瞄系统：
信息收集机构包括：加速度传感器、超声波传感器、车辆前向摄像头；
如图1所示，超声波传感器包括传感器主体(01)和反射板(04)；所述传感器主体(01)与空气弹簧的气囊(03)的进气通路连接，所述传感器主体(01)包括超声波探头(08)，所述反射板(04)安装于气囊(03)的内部底面，且位于超声波探头(08)的正下方；通过超声波测量气囊内部绝对高度，从而得到车架高度。
加速度传感器分别安装在摆臂和车架处，并分别用于收集非簧载质量加速度和簧载质量加速度；
车辆前向摄像头安装于汽车车牌架牌照灯旁或后视镜上边，用于识别道路前方的凸起或凹坑等脉冲路面并进行有效测距；如图3所示，通过车辆前向摄像头对车前方的路面进行拍摄，实时获取当前路面图像；
步骤2：建立随机路面类型的辨识模型；
步骤2.1：根据下式，利用滤波白噪声时域路面输入模型得到在不同路面等级i下的随机路面输入位移zr(i)；
式中，n00为下截止空间频率，Gq为路面不平度系数，在不同等级路面下值不同，w(t)为均值为零的Gauss白噪声，n0为路面参考空间频率；
步骤2.2：选择随机路面不平度位移zr为车辆四分之一模型的输入，车辆四分之一模型原理图及其参数如图2所示，选择车辆的簧载质量加速度非簧载质量加速度/>与顶囊距离活塞的位移zru为车辆四分之一模型的输出，从而得到在不同路面等级i下的随机路面输入zr(i)所对应输出的簧载质量加速度/>非簧载质量加速度/>顶囊距离活塞的位移zru(i)，并作为待训练的数据；
参数包括：车速v，其中zs为簧载质量位移，zt、为非簧载质量位移、速度，zst＝zs-zt为悬架动挠度，zrt＝zr-zt为轮胎跳动位移，随机路面等级i，取系统状态变量输出变量/>
上式中，ms、mt为四分之一车辆的簧载质量和非簧载质量，ks、cs为悬架的弹簧刚度和阻尼系数，kt为轮胎刚度，n00为下截止空间频率，Gq为路面不平度系数，在不同等级路面下值不同，w(t)为均值为零的Gauss白噪声，n0为路面参考空间频率；
步骤2.3：如图4所示，将不同路面等级i下的簧载质量加速度非簧载质量加速度/>顶囊距离活塞的位移zrt(i)作为LSTM神经网络模型的输入xt，对应的当前路面等级i为输出ht，对LSTM神经网络模型进行训练，得到随机路面类型的辨识模型；
遗忘门值ft：
ft＝δ(wf[ht-1,xt]+bf)，
输入门值it：
it＝δ(wi[ht-1,xt]+bi)，
输入门值ot：
ot＝δ(wo[ht-1,xt]+bo)，
ht＝ot·tanh(ct)，
上式中：wf、wi、wo分别为遗忘、输入、输出数据的权重值，bf、bi、bo分别为遗忘、输入、输出数据的偏置，δ取Sigmoid函数为激活函数，ht-1为LSTM神经网络的短期状态，ct-1为LSTM神经网络的长期状态，为当前各种输入值信息综合在一起形成的状态变量。
步骤2.4：设定当前初始时刻为t，并收集传感器的原始数据；
利用加速度传感器分别采集当前时刻t的簧载质量加速度和非簧载质量加速度/>利用超声波传感器采集当前时刻t的顶囊距离活塞的位移zru(t)，利用车辆前向摄像头对当前时刻t的路面前方进行拍摄采集图像P(t)；
步骤2.5：识别当前随机路面等级；
将当前时刻t的簧载质量加速度非簧载质量加速度/>和轮跳位移zru(t)代入到随机路面类型的辨识模型中，输出对应的当前时刻t的路面等级i(t)；
步骤3：检测当前时刻t的车辆道路前方脉冲路面的存在；
步骤3.1：选择减速带、鼓包和下水道盖作为脉冲路面类型，并用于卷积神经网络的特征提取和训练，从而得到脉冲路面特征识别模型；
步骤3.2：利用脉冲路面特征识别模型对当前时刻t的采集图像P(t)进行识别，得到识别结果；若识别结果中存在脉冲路面，则令路面识别系数γ＝1，并利用下式得到脉冲路面的输入位移zrp(t)：
上式中，Az表示脉冲路面类型的高度或深度；Lz表示脉冲路面类型的宽度；v表示车速；p表示脉冲激励系数，当p＝1时，表示凹坑激励信号，当p＝2时，表示凸起输入激励信号；
若识别结果中不存在脉冲路面，即为随机路面，则令路面识别系数γ＝0，保持当前时刻t的路面等级i(t)；
步骤2、3所描述的过程见图5所示，首先通过LSTM网络路面识别模型识别当前随机路面的等级，其次通过车辆前向摄像头图像识别判别，前方路面是否包含有脉冲路面类型，若判断为是，则路面输入为脉冲路面对应的数学时域模型；若判断为否，则路面输入为当前对应等级的脉冲路面；
步骤4：搭建随机路面下的改进天棚控制力模型Fran_sky；
步骤4.1：定义车轮动载荷系数为α，车身加速度权重系数为β；若α＞β，则表示当前时刻t的控制目标倾向于平顺性；否则，表示当前时刻t的控制目标倾向于操纵稳定性，其中0＜α,β＜1；α+β＝1；
步骤4.2：利用下式计算不同路面等级i下的控制参数：
上式中，cp(i)，csky(i)分别为被动阻尼控制参数和天棚阻尼控制参数，(csky(i),cp(i))optimal为对应当前路面等级i下的一对最优的控制参数，rms(ktzru)和rms(ktzru)mean分别为车轮动载荷均方根值及其平均值；和/>分别为车身加速度均方根值及其平均值；
步骤4.3：根据不同等级i路面下的控制参数，利用下式得到适合当前等级的随机路面的悬架控制力Fran_sky；
上式中，为悬架机构的簧载质量速度，/>为悬架机构的非簧载质量速度，cmin为最小电控阻尼系数；
步骤5：搭建脉冲路面下的汽车电控度悬架LQR控制力Fpul_lqr；
参数包括整车质量M0，非簧载质量mi，悬架弹簧刚度ki，轮胎刚度kui，悬架减振器阻尼ci，悬架控制力ui，其中被动悬架时ci＝0&ui≠0，主动悬架时ci≠0&ui＝0，质心距前轴距离a，质心距后轴距离b，车宽c＝d，车辆俯仰转动惯量Jx，车辆侧倾转动惯量Jy，j代表四个车轮状态，j＝1,2,3,4；脉冲路面下LQR最优控制搭建的七自由度整车参数示意图见图7；
设置整车状态变量为
将脉冲路面的输入位移zrp(t)作为整车模型的输入，从而得到输出变量
其中，Z、为簧载质量位移、速度和加速度，θ为侧倾角，/>为俯仰角，Zu1、/>Zu2、/>Zu3、/>Zu4、/>为四个车轮对应的非簧载质量位移和速度，Z1-Zu1、Z2-Zu2、Z3-Zu3、Z4-Zu4为四个车轮对应的悬架动挠度，Zrp1-Zu1、Zrp2-Zu2、Zrp3-Zu3、Zrp4-Zu4为四个车轮在脉冲路面下对应的轮胎跳动位移；
车身俯仰运动微分方程为：
汽车侧倾运动微分方程为：
车身质心处的垂向运动微分方程为
四个非簧载质量的垂向运动微分方程为：
悬架系统中含有七个自由度，即系统广义坐标的独立变分的数目为7。选取Z,θ,zu1,zu2,zu3,zu4作为广义坐标，z1,z2,z3,z4即为冗余坐标。冗余坐标与广义坐标存在如下的约束关系：
写成状态方程形式：
其中，U＝[Fm1 Fm2 Fm3 Fm4]T为控制矢量，W＝[zrp1 zrp2 zrp3 zrp4]T为脉冲路面扰动矢量，A为系统矩阵，B为控制矩阵，D为直接传输矩阵，L为路面输入矩阵。
其中，
最优控制反馈增益矩阵K＝R-1[NT+BTP]，P由Ricatti方程求得：
利用LQR控制算法对输出变量Y进行加权计算，得到脉冲路面下的最优控制力Fpul_lqr＝-KmXm；其中，m表示脉冲路面类型系数，与上式中的脉冲路面参数宽度lz，高度或深度Az相关，Km是对应于不同脉冲路面类型m的最优控制反馈增益矩阵，Xm是对应脉冲路面类型m下的状态变量；
步骤6：搭建基于路面识别的电控悬架预瞄控制策略；
参数如下：α和β分别为车轮动载荷和车身加速度的权重系数，γ为路面识别系数，悬架总期望力Fdesire，随机路面下改进天棚控制力Fran_sky，脉冲路面下LQR控制力Fpul_lqr；
如图6所示，具体说明了本发明基于路面识别的电磁悬架预瞄控制的流程，分别计算了在脉冲路面和随机路面两种情况下对应悬架执行器应输出的控制力，在随机路面下，悬架执行器输出对应等级随机路面下的改进天棚控制力Fran_sky，在脉冲路面下，悬架执行器输出对应类型脉冲路面下的电控悬架LQR控制力Fpul_lqr；
步骤6.1：当步骤4识别到的随机路面的路面等级为A/B/C/D级，用i＝1，2，3，4表示当前路面所属等级，此时对应的γ＝0，悬架总期望力采用步骤6得到的混合状态控制力Fran_sky，则
Fdesire＝Fran_sky(α+β)
步骤6.2：在步骤6.1的情况下，通过步骤5.3识别到前方有脉冲路面类型，包括以下情况
①单侧凸起激励，参数m＝1，
②双侧凸起激励，m＝2，
③单侧凹坑激励，m＝3，
④双侧凹坑激励，m＝4；
此时对应的γ＝1，悬架总期望力将采用步骤7求得到脉冲路面下LQR控制力：
Fdesire＝Flqr＝-KmXm
其中，Lm可由步骤8中分别求得在m值不同情况下的最优反馈控制增益K离线保存，如此大大节省数据处理时间，未来还考虑考虑脉冲路面的多种情况下，比如考虑脉冲路面参数宽度Lz，高度(深度)Az，车速v等的最优反馈控制增益K。
步骤6.3：综合步骤6.1、6.2中得到的Fdesire，当求得的Fdesire超出或小于当前电控悬架状态下所能提供的力范围，需要进行约束。参数包括：Fmax，Fmin为当前阻状态下，电控执行器所能输出的最大力和最小力，对应的imax，imin为提供给电控悬架的最大驱动和最小驱动。
在t时刻电控悬架执行器的非线性模型表示为
F(t)为输出的非线性力，f为初始位移弹性力，c、k、ε分别表示阻尼系数、刚度系数和磁滞系数，路面位移输入激励zr(t)，磁滞输出zs(t)，且阻尼系数c与磁滞系数ε与驱动关系为：
c＝c1I(t)2+c2I(t)+c3
ε＝ε1I(t)2+ε2I(t)+ε3
上式中，c1、c2、c3均为阻尼系数c的拟合参数，ε1、ε2、ε3为磁滞系数ε的拟合参数；
此时，t时刻的执行器主动输出力Fmax、Fmin由上式得到。
步骤6.4：如此，基于路面识别的电控悬架预瞄控制策略,得到在t时刻电控悬架执行器输出的主动控制力Foutput(t)：
/>
Claims (4)
1.一种基于气囊内超声波测距联合电控悬架预瞄控制方法，其特征在于，包括如下步骤，
步骤1：构建由电控悬架机构和信息收集机构组成的路面预瞄系统；
所述电控悬架机构包括：电控执行器、空气弹簧、车架、摆臂和羊角；
所述信息收集机构包括：加速度传感器、超声波传感器、车辆前向摄像头；所述超声波传感器装在空气弹簧内部，用于测量空气弹簧内腔高度，从而能够实时测得路面状况反映给ECU并实时做出优化；
所述加速度传感器分别安装在所述摆臂和车架处，并分别用于收集非簧载质量加速度和簧载质量加速度；
所述车辆前向摄像头安装于汽车车牌架牌照灯旁或后视镜上边，用于识别道路前方的凸起或凹坑等脉冲路面并进行有效测距；
步骤2：建立随机路面类型的辨识模型；
步骤2.1：利用滤波白噪声时域路面输入模型得到在不同路面等级i下的随机路面输入位移zr(i)；
步骤2.2：选择随机路面不平度位移zr为车辆四分之一模型的输入，选择车辆的簧载质量加速度非簧载质量加速度/>与顶囊距离活塞的位移zru为车辆四分之一模型的输出，从而得到在不同路面等级i下的随机路面输入zr(i)所对应输出的簧载质量加速度/>非簧载质量加速度/>顶囊距离活塞的位移zru(i)，并作为待训练的数据；
步骤2.3：将不同路面等级i下的簧载质量加速度非簧载质量加速度/>顶囊距离活塞的位移zrt(i)作为LSTM神经网络模型的输入，对应的当前路面等级i为输出，对LSTM神经网络模型进行训练，得到随机路面类型的辨识模型；
步骤2.4：设定当前初始时刻为t，并收集传感器的原始数据；
利用所述加速度传感器分别采集当前时刻t的簧载质量加速度和非簧载质量加速度/>利用所述超声波传感器采集当前时刻t的顶囊距离活塞的位移zru(t)，利用车辆前向摄像头对当前时刻t的路面前方进行拍摄采集图像P(t)；
步骤2.5：识别当前随机路面等级；
将当前时刻t的簧载质量加速度非簧载质量加速度/>和顶囊距离活塞的位移zru(t)代入到所述随机路面类型的辨识模型中，输出对应的当前时刻t的路面等级i(t)；
步骤3：检测当前时刻t的车辆道路前方脉冲路面的存在；
步骤3.1：选择减速带、鼓包和下水道盖作为脉冲路面类型，并用于卷积神经网络的特征提取和训练，从而得到脉冲路面特征识别模型；
步骤3.2：利用脉冲路面特征识别模型对当前时刻t的采集图像P(t)进行识别，得到识别结果；若识别结果中存在脉冲路面，则令路面识别系数γ＝1，并利用下式得到脉冲路面的输入位移zrp(t)：
式中，Az表示脉冲路面类型的高度或深度；Lz表示脉冲路面类型的宽度；v表示车速；p表示脉冲激励系数，当p＝1时，表示凹坑激励信号，当p＝2时，表示凸起输入激励信号；
若识别结果中不存在脉冲路面，即为随机路面，则令路面识别系数γ＝0，保持当前时刻t的路面等级i(t)；
步骤4：搭建随机路面下的改进天棚控制力模型Fran_sky；
步骤4.1：定义车轮动载荷系数为α，车身加速度权重系数为β；若α>β，则表示当前时刻t的控制目标倾向于平顺性；否则，表示当前时刻t的控制目标倾向于操纵稳定性，其中0＜α,β＜1；α+β＝1；
步骤4.2：利用下式计算不同路面等级i下的控制参数：
式中，cp(i)，csky(i)分别为被动阻尼控制参数和天棚阻尼控制参数，(csky,cp)optimal为对应当前路面等级i下的一对最优的控制参数，rms(ktzru))和rms(ktzru)mean分别为车轮动载荷均方根值及其平均值；和/>分别为车身加速度均方根值及其平均值；
步骤4.3：根据不同等级i路面下的控制参数，利用下式得到适合当前等级的随机路面的悬架控制力Fran_sky；
式中，为悬架机构的簧载质量速度，/>为悬架机构的非簧载质量速度，cmin为最小电控阻尼系数；
步骤5：搭建脉冲路面下的汽车电控悬架LQR控制力Fpul_lqr；
设置整车的状态变量为
将脉冲路面的输入位移zrp(t)作为整车模型的输入，从而得到输出变量
其中，Z、为簧载质量位移、速度和加速度，θ为侧倾角，/>为俯仰角，Zu1、/>Zu2、Zu3、/>Zu4、/>为四个车轮对应的非簧载质量位移和速度，Z1-Zu1、Z2-Zu2、Z3-Zu3、Z4-Zu4为四个车轮对应的悬架动挠度，Zrp1-Zu1、Zrp2-Zu2、Zrp3-Zu3、Zrp4-Zu4为四个车轮在脉冲路面下对应的轮胎跳动位移；
利用LQR控制算法对输出变量Y进行加权计算，得到脉冲路面下的最优控制力；
Fpul_lqr＝-KmXm
其中，m表示脉冲路面类型系数，Km是对应于不同脉冲路面类型m的最优控制反馈增益矩阵，Xm是对应脉冲路面类型m下的状态变量；
步骤6：利用下式得到悬架总期望力Fdesir：
步骤7：利用下式得到当前时刻t的电控悬架执行器输出的主动控制力Fputput(t)：
上式中，Fmin，Fmax为当前状态下执行器所能输出的最大力和最小力。
2.根据权利要求1所述的一种基于气囊内超声波测距联合电控悬架预瞄控制方法，其特征在于，所述超声波传感器包括传感器主体(01)和反射板(04)；所述传感器主体(01)与ECAS系统气囊(03)的进气通路连接，所述传感器主体(01)包括超声波探头，所述反射板(04)安装于气囊(03)的内部底面，且位于超声波探头的正下方；通过超声波测量气囊内部绝对高度，从而得到车架高度。
3.根据权利要求2所述的一种基于气囊内超声波测距联合电控悬架预瞄控制方法，其特征在于，所述进气通路为气囊(03)当前使用得进气口(02)，或为独立于当前使用得进气口(02)的额外进气通路。
4.根据权利要求2所述的一种基于气囊内超声波测距联合电控悬架预瞄控制方法，其特征在于，所述超声波探头为单探头收发复用的形式或双探头收发单工的形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311672626.2A CN117507725A (zh) | 2023-12-07 | 2023-12-07 | 一种基于气囊内超声波测距联合电控悬架预瞄控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311672626.2A CN117507725A (zh) | 2023-12-07 | 2023-12-07 | 一种基于气囊内超声波测距联合电控悬架预瞄控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117507725A true CN117507725A (zh) | 2024-02-06 |
Family
ID=89747787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311672626.2A Pending CN117507725A (zh) | 2023-12-07 | 2023-12-07 | 一种基于气囊内超声波测距联合电控悬架预瞄控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117507725A (zh) |
-
2023
- 2023-12-07 CN CN202311672626.2A patent/CN117507725A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113183709B (zh) | 一种汽车电控悬架预瞄控制方法 | |
| CN110654195B (zh) | 车辆、车辆悬架系统及其调节方法、装置 | |
| CN109733382B (zh) | 一种基于模型预测控制的汽车防侧翻方法 | |
| CN103963593B (zh) | 具有道路预视的自适应主动悬架系统 | |
| JP3446959B2 (ja) | 運動シーケンスを開ループ又は閉ループ制御可能なシャレを開ループ又は閉ループ制御する信号発生システム | |
| US20020138186A1 (en) | Adaptive electronic control suspension system and a control method of the system | |
| JPS63251318A (ja) | 自動車の走行状況適応サスペンシヨン制御方式 | |
| CN108859648B (zh) | 一种悬架减震器阻尼控制切换加权系数确定方法 | |
| CN110614894A (zh) | 用于复杂路况的主动悬架控制系统和控制方法 | |
| CN1807135A (zh) | 汽车磁流变半主动悬架分姿态协调仿人智能控制方法 | |
| US5485377A (en) | Apparatus and method for controlling damping force characteristic of vehicular shock absorber | |
| CN112549893A (zh) | 一种汽车智能电控悬架减振系统 | |
| JP3329457B2 (ja) | 開ループ又は閉ループ制御可能なシャシを開ループ又は閉ループ制御する信号発生システム | |
| CN114683795B (zh) | 一种路面自适应半主动悬架控制方法和系统 | |
| Hu et al. | Preview control of semi-active suspension with adjustable damping based on machine vision | |
| CN116749700A (zh) | 一种基于路面信息考虑乘员晕动的车辆主动悬架控制方法 | |
| CN117507725A (zh) | 一种基于气囊内超声波测距联合电控悬架预瞄控制方法 | |
| CN115963836A (zh) | 一种路径跟踪与车身姿态协同控制方法 | |
| CN116061629A (zh) | 一种汽车主动悬架控制方法 | |
| CN111231595B (zh) | 一种考虑汽车前后轴动态耦合的半主动悬架控制方法 | |
| CN114312202A (zh) | 一种基于路况识别的半主动悬架控制方法及控制系统 | |
| Wang et al. | Design and experimental investigation of demand dependent active suspension for vehicle rollover control | |
| CN109501546B (zh) | 一种横向互联空气悬架车身高度与互联状态博弈控制方法 | |
| JP3475154B2 (ja) | 車両のサスペンション装置 | |
| CN113378408A (zh) | 一种电控悬架整车耦合的最优控制方法 |
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 |