基于單個自適應神經元的非模型直接控制方法在汽車懸架系統中的應用

一、前言

汽車懸架系統對車輛行駛平順性、乘坐舒適性和操縱穩定性有很大影響。傳統的被動懸架只能被動地存儲和吸收外界能量，不能主動適應車載質量、輪胎剛度等車輛參數和路面激勵的變化，大大制約了車輛性能的提高。主動懸架克服了傳統被動懸架的諸多局限，使懸架系統對不同運行工況具有最大程度的適應能力。

由于懸架系統的模型參數往往不確定，路面激勵未知且可變，研究開發出各種自適應控制策略應用于主動懸架控制，主要有模型參考自適應控制、自校正控制和神經網絡自適應控制。文獻提出了以理想天棚阻尼控制為參考模型的自適應控制策略，但在設計中需要選擇一個合適的Lyapunov函數，這要求有一定的理論知識和實踐經驗，否則不易獲得較好的自適應規律。文獻的自校正控制需要首先在線估計模型參數或控制器參數，然后再綜合控制律，是一種依賴于模型的解析設計方法，且比一般的常規控制器要復雜。文獻采用神經網絡間接自適應控制，充分利用神經網絡在非線性處理和自學習、自適應方面的優勢，但基于多層結構的神經網絡結構相對復雜，又因采用了S型作用函數而計算量較大，在線調節權重用時較長，不宜于實時在線控制。

文獻提出了一種基于單個自適應神經元的非模型直接控制方法。它的顯著特點是無需進行系統建模，充分利用神經元的關聯搜索和學習能力來實現控制目的。該控制器結構非常簡單，運算量小，實時性好，控制品質優，對模型參數的變化和外界擾動具有較強的適應性和魯棒性。自適應神經元控制已被成功應用于電力系統、汽車防抱制動系統、醫療藥品注射系統等。作者針對汽車主動懸架，設計一個自適應神經元控制器，研究系統在隨機路面激勵下的減振效果，同時考察控制器在變參數條件下的魯棒性。

二、主動懸架系統的動力學模型

式中ms為車身質量，mt為簧下質量，ks為懸架彈簧剛度，b為懸架阻尼系數，kt為輪胎剛度，u為懸架系統的主動控制力，q、xs、xt分別為路面垂向輸入位移、車身位移和簧下質量位移。

選取系統狀態變量X、輸入變量U和輸出變量Y分別為

三、自適應神經元控制器的設計

文獻［6＞提出了一種適于控制的自適應單神經元模型，它既可以利用神經網絡的優點，又能適應于快速過程實時控制的要求。其相應的自適應神經元控制系統如圖2所示。

四、仿真計算及分析

根據以上自適應神經元控制算法，利用Matlab615中的Simulink510工具箱，通過搭建系統模塊來實現模擬仿真，所得自適應神經元控制器的Simulink仿真模型見圖3。為證實其減振效果，還與被動懸架、傳統的PID控制懸架進行了性能對比。

所用的懸架模型參數名義值［10＞ms=240kg，mt=36kg，ks=16kN/m，b=980N·s /m，kt=160kN/m。以C級路面的垂直速度為激勵輸入進行仿真。路面不平度系數Gq（n0）=256×10-6m2/m-1，車速v=20m /s，參考空間頻率n0=0.1m-1，速度功率譜密度為一白噪聲Gq·（f）=4π2Gq（n0）n20v。仿真中神經元控制器參數為：學習速率 d1=30，d2=63.3，d3=15.9；比例系數k=148.7；采樣周期為0.01s。

仿真時，先對模型參數取名義值進行驗證；然后將懸架參數的車身質量增加20%，同時輪胎剛度下降20%，考察控制器在模型參數變化時的適應能力。以上兩種情況著重考察車身加速度響應，見圖4及圖5；根據懸架系統時域輸出仿真數據，計算車身加速度、懸架動撓度、車輪動位移的均方根值及綜合性能指數J，如表 1所示。

由圖4和表1可知，在名義參數情況下，兩種主動懸架都能有效地降低車身加速度，改善平順性。盡管懸架動撓度有所增大，但車輛的綜合性能仍得到了改進。而且，自適應神經元控制下的車輪動位移也有一定程度的改善，其綜合減振效果要明顯優于PID控制。由圖5和表1可見，在懸架參數變化時，兩種主動懸架仍然都能減少車身加速度，有效地改善平順性。自適應神經元控制的減振效果仍然優于PID控制。由此表明：自適應神經元控制能有效地跟隨模型參數的變化，將車身加速度控制在一個較好的范圍內，降低了參數不確定性對車輛平順性能的影響；雖然神經元控制的懸架動撓度、車輪動位移相對被動懸架有所增大，但相對PID控制仍有改善，尤其是其綜合性能也得到了改進。

五、結論

（1）車輛主動懸架的自適應神經元控制器的仿真結果表明：該控制器能有效地改善車輛的綜合性能，尤其是車輛運行的平順性和舒適性，而且魯棒性好，對模型參數的變化具有一定的適應性，便于實現和應用。

（2）需要進一步研究控制器對不同路面激勵的適應性，以完善主動懸架的性能。

（3）應對控制過程的實用化作深一步的研究，比如考慮作動器的非線性、時滯等因素的影響。

責任編輯：gt