AnalysisonBenefitsofanAdaptiveKalmanFilterActiveVehicleSuspention..docVIP

Analysis on Benefits of an Adaptive Kalman Filter Active Vehicle Suspention 分析自适应卡尔曼滤波主动悬架的效果 Fan Yu Jilin University of Technology,Changchun,China D.A.Crolla Jilin University of Leeds, Leeds,UK ABSTRACT 本文介绍了卡尔曼（kalman）滤波主动悬架设计的算法。基于仿真分析，研究了两个主要问题，（a）路面输入和车辆参数变化对状态控制器估计的干扰影响，（b）主动悬架对路面输入和车辆参数变化的自适应效益。仿真结果表明，尽管自适应于路面输入对进一步改进车辆性能有着重大意义，但是不是非常需要一种可调的卡尔曼（kalman）滤波器。 INTRODUCTION 近年来很多研究者已经将一种最优状态控制器即卡尔曼滤波器应用于悬架设计其研究结果表明，与被动悬架相比，主动悬架可显著提高车辆性能改进车辆性能的潜力系统模型与控制策略b 车身位移 车身速度 Ua 控制力 车轮位移 车轮速度 路面位移 图1 单轮车辆模型 车身质量 mb=320kg 车轮质量 mw=40kg 轮胎刚度 kt=200000N/m 允许的悬架动行程 Csws=±100mm 结合卡尔曼滤波器的LQG控制器原理是基于Fiedland[4]描述的分离定理。用于仿真分析的卡尔曼滤波主动悬架算法描述如下。 LQG控制器的性能指数， （1） q1和q2分别是轮胎动态位移和悬架动行程的加权系数。系统方程和输出方程： （2） （3） X=[ ]T是状态矢量，W(t)=[w(t)]是高斯白噪声输入矩阵，强度为1，C为状态观测阵。为强度矩阵V的观测白噪声。 U(t)=[Ua（t）] 根据系统状态方程即可构造一个最优状态估计器，即卡尔滤波器，表示如下： （4） L为最优状态观测器增益阵： （5） P为卡尔曼滤波的黎卡提（Riccati）方程的解： （6） 根据分离定理，基于最优控制增益阵K和最优状态变量估计矢量,得到一个近似最优控制力： （7） 因此，由系统状态方程（3），（4），（7）得到状态向量的最优估计： （8） 联立方程（2）、（7）、（8），闭环系统方程和输出方程：： (9) (10) 其中： 设计自适应控制策略，就是通过调节控制反馈增益使得轮胎动态位移和悬架动行程控制在允许范围内，使得车身振动加速度最小。而轮胎动态位移的允许范围则根据对轮胎的接地要求而定。如以轮胎不离地为极限，则要求轮胎最大动态负荷小于轮胎静态负荷。由此得出本例中允许的轮胎动态位移范围为±(mb+mw)g/Kt=±17.7 mm根据系统输出的高斯分布特性，即可确定其目标均方根值。如果设定极根在±3σ，也就是说输出达到极限位置的可能性很小(在时域内概率约为0.3%)，则要求的轮胎动态位移目标均方根值和悬架动行程目标均方根值分别为 （11） （12） 2观测信号和噪声 以前探讨过很多次关于实际中最可能的测量方法，很明显，从目前的技术水平来看，通过直接获得某些状态变量（如路面不平度）是相当困难的，普遍认为是不切实际的。悬架动行程很容易由一个选择适当的位移传感器测得；同样的可以直接区分信号以获得悬架速度。加速度可直接用加速度传感器测得，然而在车轮上安装加速度传感器不是很好，鉴于车轮恶劣的工作环境。车身速度信号理论上可以通过对加速度信号进行积分获取，虽然一些实际的技术问题（比如零飘等）需要解决。仿真分析选择最好的观测信号和最小的传感器达到满意的估计精度，