CN117841591B - 基于改进模糊神经网络pid的isd悬架控制方法 - Google Patents

Abstract

本发明公开一种基于改进模糊神经网络PID的ISD悬架控制方法，是针对一种第一级为“惯容器－弹簧－定值阻尼器”，第二级为“惯容器—弹簧－可调阻尼器”的两级式ISD悬架结构，将可调阻尼器等价为一个定值阻尼器和一个变化阻尼器，对于变化阻尼力通过PID控制器控制，PID控制器是利用了灰狼优化算法的模糊神经网络进行了参数整定，可以拥有更好的低频减振性能，显著提高了乘坐舒适性和操纵稳定性。

Description

基于改进模糊神经网络PID的ISD悬架控制方法

技术领域

本发明属于悬架控制应用领域，具体涉及一种基于改进模糊神经网络PID的ISD悬架的控制方法。

背景技术

车悬架发展至今，无论是被动悬架、半主动悬架还是主动悬架，虽然有很多的悬架的控制方法公布出来，但是悬架的基本结构还是由“弹簧-阻尼器”组成。不论是从控制方法角度还是悬架的拓扑结构考虑，“弹簧-阻尼器”悬架减振性能已经达到了瓶颈。而由“惯容器-弹簧-阻尼器”三元件组成的悬架研究很少，其中两级ISD悬架的相关研究更少，而两级ISD悬架能够更好的利用惯容器的减振特性，使得悬架系统具有更好的减振性能。

发明内容

基于现有状况，本发明提出一种基于改进模糊神经网络PID的ISD悬架控制方法，用以改善悬架系统的减振性能。本发明首先通过改进ISD悬架的拓扑结构，然后通过优化模糊神经网络PID模型使得悬架控制达到最佳的减振性能。

本发明的技术方案如下：

一种基于改进模糊神经网络PID的ISD悬架控制方法，是针对一种第一级为“惯容器－弹簧－定值阻尼器”，第二级为“惯容器—弹簧－可调阻尼器”的两级式ISD悬架结构，其中，第一级悬架在上，第二级悬架在下；

将可调阻尼器等价为一个定值阻尼器和一个变化阻尼器，可调阻尼器两端产生的阻尼力表述为：

；

其中，是定值阻尼力，/>是变化阻尼力，/>，/>是第二级悬架上的定值阻尼系数，/>是第二级悬架上的变化阻尼系数，/>是非簧载质量的速度，/>是第二级悬架惯容器的速度；

对于，通过PID控制器控制，PID控制算法为：

；

其中，指t时刻期望的簧载质量加速度误差，/> 为三个控制参数，/>通过基于灰狼优化算法的模糊神经网络求解；

通过PID控制器获得变化阻尼力之后，根据/>调整第二级悬架上的变化阻尼系数/> 。

进一步地，在上述方案中：期望的簧载质量加速度误差是无限接近于0。

进一步地，在上述方案中：首先采用灰狼优化算法对模糊神经网络初始参数进行优化，获得最优的，/>表示权值系数，/>表示隶属度函数中心， />表示隶属度函数宽度，i和j根据实际意义确定；

然后再利用获得最优初始参数的模糊神经网络对 PID 参数进行整定，获得最优的。

进一步地，在上述方案中：模糊神经网络的结构是2输入3输出的5层结构，输入是簧载质量加速度及其加速度变化率/>，输出是/>；

5层结构分别是输入层、模糊化层、模糊规则层、归一化层和输出层；

在输入层，存在两个节点参数，为簧载质量加速度及其加速度变化率/>；

在模糊化层：将输入层的每个节点分别对应7个语言变量，产生14个节点语言变量，14个节点语言变量在该层经模糊化处理后转换成模糊量，生成各个语言变量的隶属度函数；

在模糊规则层，基于模糊规则将14个隶属度函数转变为49个模糊规则函数；

在归一化层，将49个模糊规则函数进行归一化处理；

在输出层，将归一化后的49个模糊规则函数转化为清晰化值，经过梯度下降法输出三个值。

进一步地，在上述方案中：14个语言变量的隶属度函数为：

；

表示簧载质量加速度/>及其加速度变化率/>；

49个模糊规则函数为；

归一化计算式为：。

进一步地，在上述方案中：输出的方法为：

利用；

其中，是一个3行49列的矩阵，i=1,2,3，j=1,2,3,4,…49；/>为归一化层的输出，s=1,2,3,4,…49；/>为输出层的输出，结果表述为：

；

其中，利用梯度下降法获得：

；

表示t时刻权值系数；/>表示学习率；/>表示收敛因子；/>表示期望的加速度误差。

由此可见，本发明具有以下几方面的技术优势：

1.本发明设计出的ISD悬架的物理拓扑结构较为简单，容易在工程中实践；

2.建立的两级式ISD悬架动力学模型，使用牛顿第二定律求解动力学方程更为简单；

3.利用灰狼优化算法对模糊神经网络初始参数进行寻优，使得模糊神经网络获得最优初始权值和聚类中心和宽度，然后通过获得最优化参数的模糊神经网络对 PID 参数进行整定，可以达到最佳的控制效果；

4.通过设计基于灰狼算法和模糊神经网络的PID控制器，使得ISD 悬架相较于一般的ISD 悬架拥有更好的低频减振性能。在Matlab/Simulink中进行仿真实验，验证灰狼优化模糊神经网络PID算法相较其他控制方法优越，采用该方法后，车体垂向加速度和轮胎动载荷明显减小，能够显著提高了乘坐舒适性和操纵稳定性。

附图说明

图1是两级ISD半主动悬架结构图。

图2是GWO-FNN-PID控制结构图。

图3是模糊神经网络拓扑结构图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述，本领域的技术人员应该知道，以下实施例并不是对本发明技术方案作的唯一限定，凡是在本发明技术方案精神实质下所做的任何等同变换或改动，均应视为属于本发明的保护范围。

本发明提供一种基于改进模糊神经网络PID的新型ISD悬架控制方法，该方法的基本构思是：首先创建一个新型的悬架结构，然后设计PID控制器，最后用PID 对阻尼力进行控制。

一、两级式ISD悬架模型

本发明首先设计一款新型的两级式ISD悬架结构，两级式 ISD 悬架具有比一级式ISD 悬架更好的低频减振性能，因此设计了一种两级式ISD半主动悬架，第一级为“惯容器－弹簧－定值阻尼器”结构，其中包括第一级悬架弹簧、第一级悬架惯容器、第一级悬架定值阻尼器，第一级悬架用于车身隔振，提高乘坐舒适性；第二级为“惯容器—弹簧－可调阻尼器”结构，其中包括第二级悬架弹簧、第二级悬架惯容器、第二级悬架可调阻尼器，第二级悬架用于车轮隔振，提高行驶安全性。

设两级悬架承载的质量为簧载质量，轮胎承载的质量为非簧载质量；另外，轮胎自带弹性，因此也有刚度系数参数；悬架系统在垂向位移方面，由于路面不平会产生路面激励位移、非簧载质量会产生位移、簧载质量会产生位移、第一级悬架上惯容器会产生位移、第二级悬架上惯容器会产生位移，即第一级悬架与第二级悬架之间的公共位移。

因此，四分之一的2自由度两级ISD半主动悬架模型如图1所示，其中，m ₁：非簧载质量；m ₂：簧载质量；k ₁：第二级悬架刚度系数；k ₂：第一级悬架刚度系数；k _t：轮胎刚度系数；b ₁：第二级悬架上的惯容系数；b ₂：第一级悬架上的惯容系数；c ₁：第二级悬架上的定值阻尼系数，∆c：第二级悬架上的变化阻尼系数；c ₂：第一级悬架上的定值阻尼系数；z ₀：路面激励位移；z ₁：非簧载质量的位移；z ₂：簧载质量的位移；z _s：第一级悬架上的惯容器的位移；z _c：第一级悬架与第二级悬架之间的公共位移。

根据牛顿第二定律，将图1结构列写为微分方程形式：

；

其中：

：非簧载质量的速度；/>：非簧载质量的加速度；

：簧载质量的速度；/>：簧载质量的加速度；

：第一级悬架惯容器的速度；/>：第一级悬架惯容器的加速度；

：第二级悬架惯容器的速度；/>：第二级悬架惯容器的加速度；

：悬架上的惯容力。

由于可调阻尼器其调节范围是有限的，因此可以将可调阻尼器等价为一个定值阻尼器和一个变化阻尼器两部分，可调阻尼器两端产生的阻尼力，如式(1)所示：

(1)。

二、设计基于灰狼优化算法的模糊神经网络PID控制器

在悬架模型构建之后，进一步设计PID控制器。控制车辆减振效果，在悬架系统确定之后，重点在于控制可调阻尼器的阻尼力，对于式（1）所列的阻尼力/>计算式，其中是定值阻尼器产生，好求解，重点在于求解变化的阻尼力/>，PID控制器设计的目的就在于此，/>。

对于变化阻尼力，PID控制算法为：

(2)；

式中，指t时刻期望的簧载质量加速度误差（即/>），/>为三个控制参数。

鉴于悬架模型分析，要想达到驾驶和乘坐的舒适性，控制器的目标是使簧载质量加速度误差无限接近于0（误差越小越好），因此由上式可知，要想求解，关键在于求解无限接近于0状态下的/>。得到/>后，按照

控制最佳阻尼力。

进一步地，本发明利用模糊神经网络对PID 参数进行整定。针对模糊神经网络连接层初始参数对PID 参数整定效果具有较大影响的特点，本发明利用灰狼优化算法对模糊神经网络初始参数进行寻优，使得模糊神经网络获得最优初始权值、聚类中心和宽度；然后通过获得最优化初始参数的模糊神经网络对PID 参数进行整定，可以达到最佳的控制效果。此控制器结合了灰狼的寻优能力和模糊神经网络的自适应调整能力，对 PID 参数有着较强的整定调优效果。

上述方法使得ISD悬架受到路面激励后（激励主要是为了模拟车辆路过崎岖不平的路面的状况），簧载质量和非簧载质量能够快速恢复稳定状态（让簧载质量加速度尽可能为零，使乘客没有那么明显的颠簸感），以提升乘坐舒适性和操纵稳定性。

如图2所示的GWO-FNN-PID控制结构图，利用模糊神经网络对PID参数进行整定，这一过程可以分为两步：首先采用灰狼优化算法(GWO)对模糊神经网络(FNN)初始参数进行优化；然后利用获得最优化初始参数的模糊神经网络对 PID 参数进行整定。

在上述构想下，优化PID控制器的步骤是：

Step1：定义模糊神经网络的拓扑结构。

鉴于悬架模型分析，影响驾驶和乘坐舒适稳定的主要因素在于簧载质量速度和加速度的变化，PID控制器最终输出变量有3个（），因此本发明定义模糊神经网络的拓扑结构是2输入3输出的5层结构，分别是输入层，模糊化层，模糊规则层，归一化层和输出层，如图3所示。在模糊神经网络的拓扑结构中，可以以簧载质量加速度/>及其加速度变化率/>作为模糊神经网络的输入量，经过模糊神经网络算法(FNN)的模糊推理，调整权值参数后，输出最优的 PID 控制参数/>，最后通过PID控制器输出最佳阻尼力，使得ISD悬架受到路面激励后，簧载质量和非簧载质量能够快速恢复到稳定状态，以提升乘坐舒适性和操纵稳定性。

Step2：优化模糊神经网络的初始参数。

在模糊神经网络中，获得优化的网络参数会使训练结果更好，本发明采用灰狼优化算法对模糊神经网络初始参数进行寻优，获得最优的参数，/>表示权值系数，/>表示隶属度函数中心， />表示隶属度函数宽度，i和j根据实际意义确定。如果不使用灰狼优化算法先得到最优的参数/>，直接使用模糊神经网络对PID三参数进行整定，会使得在模糊神经网络训练过程中容易陷入局部最优的问题，最终得不到最优的/>。

Step3：利用模糊神经网络对PID参数进行整定。

如图3所示，根据模糊神经网络拓扑结构，该模糊神经网络是一个2输入3输出的5层前馈网络，分别是输入层，模糊化层，模糊规则层，归一化层和输出层。

（1）输入层：第一层为输入层，在该层有2个节点，分别代表簧载质量加速度及其加速度变化率/>。

用表示第1层上的第i个节点的输出，对应的节点值记为/>，表述为，此处的/>即为簧载质量加速度/>及其加速度变化率/>；i=1,2。

（2）模糊化层：第二层为模糊化层，该层以输入层的输出为输入，每个输入节点分别对应7个语言变量，7个语言变量分别是：负小，负中，负大，零，正小，正大，正中。由于输入层有2个节点，因此在模糊化层共产生14个节点语言变量。输入量在该层经模糊化处理后转换成模糊量，然后生成各个语言变量的隶属度函数。

输入输出表达式为：

；

其中，表示第二层中第i个节点的第j个语言变量对应的输入，/> 表示第二层中第i个节点的第j个语言变量对应的输出，/>表示第i个节点的第j个语言变量的隶属度函数中心，/>表示第i个节点的第j个语言变量的隶属度函数宽度，/>表示第i个节点的第j个语言变量的隶属度函数，i=1,2，j=1…7。

（3）模糊规则层：第三层为模糊规则层，该层以模糊化层的输出为输入，因为在模糊化层中有2个节点共14个语言变量，每一个节点对应7个语言变量，因此在模糊规则层中，采用模糊化层的误差和误差变化率的模糊性，并以此为前提准则进行模糊推理输出，共输出49个模糊规则函数。

输入输出表达式为：

；

其中，表示第三层的输入，/>表示第三层的输出，s为规则节点，s=1…49，共有49个值，/>表示第1个节点的第m个语言变量的隶属度函数，m=1…7；表示第2个节点的第n个语言变量的隶属度函数，n=1…7。

（4）归一化层：第四层为归一化层，该层与模糊规则层一对一，有49个节点，其作用为对模糊推理层的输出进行归一化计算。

输入输出表达式为：

；

式中：为第四层的输入，/>为第四层的输出，有49个值，s=1…49。

（5）输出层：第五层为输出层，该层作用是将归一后的模糊化值转化为清晰化值，有3个输出节点，分别为，经过梯度下降法得出这三个值。

梯度下降法表述为：

；

其中：表示t时刻权值系数，其他类推；/>表示学习率；/>表示收敛因子；/>表示期望的加速度误差。

所以，根据梯度下降法的概念，利用算式：

；

此处取一个3行49列的矩阵，i=1,2,3，j=1,2,3,4,…49；上述/>是一个49行1列的矩阵，s=1,2,3,4,…49；可以得到一个3行1列的矩阵/>。

最终输出结果表达为：

；

由此可见，利用模糊神经网络的参数获得了最终的输出结果/>。

Step4：利用PID 控制器输出变化阻尼力。

在得到后，利用公式/>，根据期望的簧载质量加速度误差/>，就可以得到变化阻尼力/>。

最终根据 求得最佳阻尼力，并以此不断调整第二级悬架上的变化阻尼系数/>，其中的/>和/>通过速度传感器获得。

进一步地，模糊神经网络的参数都是通过灰狼优化算法寻优获得，灰狼算法寻优过程如下：

1）先初始化灰狼种群数和参数：

；

是随机变量，在/>内变化；/>是收敛因子；/>是随机数，/>；是迭代次数；/>是最大迭代次数。当/> 时，狼群扩大搜索，即对应全局搜索；当时，狼群将收缩搜索范围，即对应局部寻优。

2）然后计算每只灰狼适应度值（即灰狼离猎物的距离），找到/>狼的位置(最优解)，/>狼的位置(次优解)，以及/>狼的位置(第三优解)，然后根据 更新/>狼的位置信息，并更新参数/>；

；

式中：表示灰狼离猎物的距离，/>表示猎物的位置，/>表示灰狼的位置，为系统扰动参数，/>是迭代次数。

；

式中：表示/>狼收到/>狼指令后更新的位置，/>表示/>狼收到/>狼指令后更新的位置，/>表示/>狼收到/>狼指令后更新的位置，/>表示/>狼的随机变量， />表示/>狼的随机变量，/>表示/>狼的随机变量；

3）不断迭代更新的过程中，判断是否达到最大迭代次数（自定义最大迭代次数），若不满足则返回步骤2）；若满足则根据当前狼的位置，确定出最优的解。/>分别用上述灰狼算法求得。

对于灰狼优化算法，设求解精度最高的解被称为狼，求解精度次高的解为/>狼，求解精度第三高的解为/>狼，剩下的狼群则为/>狼。/>狼在/>狼的带领下不断更新自己与猎物的距离，无限接近猎物并进行抓捕、追踪、围猎和攻击。

Claims (3)

1.一种基于改进模糊神经网络PID的ISD悬架控制方法，其特征在于：

针对一种第一级为“惯容器－弹簧－定值阻尼器”，第二级为“惯容器－弹簧－可调阻尼器”的两级式ISD悬架结构，其中，第一级悬架在上，第二级悬架在下；

将可调阻尼器等价为一个定值阻尼器和一个变化阻尼器，可调阻尼器两端产生的阻尼力表述为：

；

其中，是定值阻尼力，/>是变化阻尼力，/>，/>是第二级悬架上的定值阻尼系数，/>是第二级悬架上的变化阻尼系数，/>是非簧载质量的速度，/>是第二级悬架惯容器的速度；

对于，通过PID控制器控制，PID控制算法为：

；

其中，指t时刻期望的簧载质量加速度误差，/>为三个控制参数，通过基于灰狼优化算法的模糊神经网络求解；

通过PID控制器获得变化阻尼力之后，根据/>调整第二级悬架上的变化阻尼系数/> ；

其中，期望的簧载质量加速度误差是无限接近于0；

其中，首先采用灰狼优化算法对模糊神经网络初始参数进行优化，获得最优的，/>表示权值系数，/>表示隶属度函数中心，/>表示隶属度函数宽度；

然后再利用获得最优初始参数的模糊神经网络对 PID 参数进行整定，获得最优的；

且，模糊神经网络的结构是2输入3输出的5层结构，输入是簧载质量加速度及其加速度变化率/>，输出是/>；

5层结构分别是输入层、模糊化层、模糊规则层、归一化层和输出层；

在输入层，存在两个节点参数，为簧载质量加速度及其加速度变化率/>；

在模糊化层：将输入层的每个节点分别对应7个语言变量，产生14个节点语言变量，14个节点语言变量在该层经模糊化处理后转换成模糊量，生成各个语言变量的隶属度函数；

在模糊规则层，基于模糊规则将14个隶属度函数转变为49个模糊规则函数；

在归一化层，将49个模糊规则函数进行归一化处理；

在输出层，将归一化后的49个模糊规则函数转化为清晰化值，经过梯度下降法输出三个值。

2.根据权利要求1所述的基于改进模糊神经网络PID的ISD悬架控制方法，其特征在于：

14个语言变量的隶属度函数为：

；

表示第i个节点的第j个语言变量的隶属度函数，/>表示簧载质量加速度/>及其加速度变化率/>；

49个模糊规则函数为：

；

归一化计算式为：

；

表示模糊规则层的输出，/>表示第1个节点的第m个语言变量的隶属度函数，/>表示第2个节点的第n个语言变量的隶属度函数；/>表示归一化层的输出。

3.根据权利要求1所述的基于改进模糊神经网络PID的ISD悬架控制方法，其特征在于：

输出的方法为：利用/>；

其中，是一个3行49列的矩阵，i=1,2,3，j=1,2,3,4,…49；/>为归一化层的输出，s=1,2,3,4,…49；/>为输出层的输出，结果表述为：

；

其中，利用梯度下降法获得：

；

表示t时刻权值系数；/>表示学习率；/>表示收敛因子；/>表示期望的加速度误差。