半主动空气悬架神经网络自适应控制的仿真研究.docVIP

半主动空气悬架神经网络自适应控制的仿真研究 王　辉　朱思洪 (江苏工业学院　常州213016　(南京农业大学　南京210031 摘　要　文章提出将神经网络自适应控制策略用于半主动空气悬架的控制,通过仿真研究表明半主动悬架能较好地改善车辆行驶的平顺性和操纵稳定性,同时还证明该策略用于半主动空气悬架控制是可行的和有效的。 关键词　空气悬架;神经网络;变刚度中图分类号:T P 391.9　　文献标识码:A Abstract :T he self 2adap tive neu ral netw o rk con tro l strategy is emp loyed to con tro l the sem i 2active su spen si on system .T he si m u lati on research show s that sem i 2active su spen si on can i m p rove the ride com fo rt and m an i pu lati on stab ility ,and that the sem i 2active air su spen si on self 2adap tive neu ral netw o rk con tro l is app licab le and effective . Key words :air su spen si on ;neu ral netw o rk s ;variab le rate 收稿日期:2005202210 0　前　言 目前空气悬架控制系统的控制策略,主要是 利用高度控制阀实现的分级控制,控制精度不高。由于空气悬架是一个复杂的非线性系统,因此可以利用非线性的神经网络反映控制对象的特征,通过对空气弹簧刚度的调节,实现对悬架进行有效的控制。本文基于神经网络控制理论,用M atlab Si m u link 软件,对半主动空气悬架系统的神经网络控制算法进行仿真研究。 1　系统模型的建立 由于空气悬架系统这一被控对象的复杂性,在建立系统的数学模型时,就需要在模型的简化和精确度之间进行折衷。本论文研究的是对车辆垂直方向的振动进行减振,因此不考虑车辆的横向振动和前后的俯仰振动,为了简化研究对象,突出问题的本质,采用1 4车辆两自由度模型,如图1所示。图中:m 1为非簧载质量;m 2为簧载质量;k 1为轮胎刚度;k 2为悬架静刚度;k r 为控制刚度; c 0为悬架阻尼器阻尼系数;x 0为路面激励位移;x 1为非簧载质量位移;x 2为簧载质量位移。 根据牛顿第二定律,系统运动方程为 m 1x β 1+k 1(x 1- x 0-c 0(x α 2- x α 1- 　k 2(x 2-x 1-k r (x 2-x 1=0m 2x β2+c 0(x α2-x α1+ 　k 2(x 2-x 1+k r (x 2-x 1=0 (1 式中:k 1(x 1-x 0为车轮动载荷;(x 2-x 1为悬架的动挠度;控制量为刚度k r ;取状态向量X =[x 2 -x 1 　x 1 -x 0 　x α1 　x α2 ]T ,Y 1 =x β2 ,Y 2 =k 1 (x 1 -x 0。 图1　两自由度1 4车辆模型 路面激励速度为x α0(t ,设W =x α0 (t ,则控制方程为 X α=AX +GW Y =CX (2 式中: A = 0　0-1-10　0　1　0 -(k 2+k r m 1-k 1 m 1-c 0 m 1　c 0 m 1-(k 2+k r m 2　0 　c 0 m 2-c 0 m 2 = 　 -1 　0 　0 ;C= -(k2+k r m20c0 m2-c0 m 2 0k100 2　神经网络自适应控制系统结构 图2为所设计的半主动空气悬架神经网络控 制系统,其中3层神经网络辨识器用于对被控对 象进行在线辨识,3层神经网络控制器NN C用于 自适应控制。y d 为悬架系统期望输出,y为悬架系 统实际输出,r为悬架系统的路面激励,y δ为神经 网络辨识器NN I输出,u为神经网络控制器NN C 输出,其作用是对悬架系统刚度进行控制。学习算 法1是根据神经网络辨识器的输出和悬架系统的 实际输出的误差e 1 进行学习 ,使辨识的结果更准 确。学习算法 2是利用悬架系统的期望输出和神 经网络辨识器的输出之差e 2进行学习,调整神经 网络控制器的输出,使两者的误差达到最小,实现 悬架系统控制的目的。 图2　半主动空气悬架神经网络自适应控制 图3　半主动空气悬架神经网络辩识器 1神经网络辨识器设计。图3为半主动空气 悬架神经网络辩识器模型NN I,设车辆半主动悬 架系统是一个单输入、输出非线性系统,可描述为 y(k=