电控空气悬架自适应调节的pid控制.docx

电控空气悬架自适应调节的pid控制 增加控制单元 控制空气悬挂（rcas）是在传统被动空气悬挂的基础上增加控制单元的，可以积极调整悬挂系统的刚性、衰减和车身高度。这对提高车辆的实际驾驶意识、指挥方向的稳定性和燃油经济性非常重要。它是未来车辆悬挂领域发展的重要方向之一。 车身高度调节是ECAS的特色功能之一,系统能够根据车辆实际行驶工况或驾驶员指令自动对空气弹簧内的气体质量进行调节,从而实现车身高度的自适应调整 随着现代控制理论的快速发展,一些先进控制技术已被应用于ECAS的车高调节控制中 1 空气弹簧+电磁阀 所研究的ECAS车高调节系统如图1所示,系统主要包括储气罐、电磁阀( 充气、放气) 、空气弹簧电磁阀以及空气弹簧等,车高调节系统通过空气弹簧与空气悬架建立直接联系,进而通过空气悬架影响车身高度。 由图1可以看出,ECAS车高调节是通过对空气弹簧进行充放气实现的,当车身高度需要提升时, 充气电磁阀和空气弹簧电磁阀打开,来自储气罐的高压气体进入空气弹簧内,空气弹簧体积增大,进而车身高度上升; 当车身高度需要降低时,放气电磁阀和空气弹簧电磁阀打开,空气弹簧内的气体直接排入大气,空气弹簧体积减小,车身高度下降。 为便于研究,在对ECAS车高调节系统进行建模时,做如下假设 结合上述假设,得管路和空气弹簧在车高调节过程中的动力学方程为 式中p k———等熵指数( 空气取1. 4) q p v q 根据气体通过薄壁小孔的流动方程可得气体质量流量为 式中C———流量系数A p p 显然,当系统向空气弹簧充气时,q 忽略空气弹簧有效面积在工作行程内的变化, 则空气弹簧体积变化率可以表示为 式中A z z 则空气弹簧动力学方程可以进一步表示为 同时,车高调节过程中的空气悬架模型为 式中c———减振器阻尼系数m z z z m 2 制器的不足 针对ECAS车高调节系统呈现出明显的时变、 非线性等复杂动态特征,常规PID控制器由于控制参数自适应能力较弱,因而难以达到理想的控制效果。神经网络具有自适应和自学习能力,为此,将神经网络( Neural network,NN) 与PID控制相结合,利用神经网络对PID控制参数进行实时最优调整,从而提高系统控制性能。 2.1 神经网络设计 BP神经网络具有无限逼近非线性函数的能力, 且结构和训练算法简单明确。基于BP神经网络的PID控制器结构如图2所示 ECAS车高调节神经网络PID控制器以参考车身高度与实际车身高度的误差作为目标函数,然后基于该目标函数对BP神经网络的连接权值进行修正,进而调节PID控制器的结构参数,最终通过PID控制器作用于车高调节系统。 BP神经网络包括输入层、隐含层以及输出层, 其网络结构如图3所示。结合所研究的车高调节系统,输入层包含2个节点,分别为e( k) 和e PID控制器采用增量式控制算法,因此,控制器的输出应表示为 神经网络隐含层的输入输出分别为 式中o w f———正负对称的sigmoid函数 为防止系统因频繁控制引起电磁阀通断状态在短时间内多次切换,从而严重影响电磁阀的使用寿命,根据实际高度控制要求,对位置跟踪偏差设置了死区,即 式中e( k) ———位置跟踪误差 e 神经网络输出层的输入输出分别为 式中w g———非负对称的sigmoid函数 取BP神经网络的准则函数为 式中r( k) ———参考车高( 目标值) y( k) ———实际车高 网络权值的修正算法采用梯度下降法实现,即按E( k) 对权值系数的负梯度方向进行搜索调整,并附加使搜索快速收敛至全局最小的惯性项,即 式中 η———学习速率α———惯性系数 输出层网络权值的修正计算方法如下 式中,由于 根据增量式PID控制算法的表达式可得 式( 14) 中其余各项的计算结果分别为 综上,令 则,输出层网络权值的修正计算公式为 同理,可得隐含层加权系统的修正计算公式为 2.2 根据驾驶调节高度设计仿真结果 基于Matlab /Simulink搭建基于BP神经网络PID的ECAS车高调节控制系统,对系统控制性能进行仿真分析和验证。为了对比控制器的控制效果及控制精度,同时设计了车高调节模糊PID控制器。 分别进行了车身高度上升和降低两个过程的仿真,调节高度设定为30 mm,仿真时间设置为20 s, 其余仿真参数如表1所示,仿真结果如图4所示。 仿真时,随机路面不平度采用有理函数进行拟合,具体拟合公式为 式中z v———车速 G w( t) ———均值为零的高斯白噪声 由图4可以明显看出,相对于模糊PID控制器对设计者经验要求较高,模糊规则不易确定,且规则一旦确定后,控制器的结构不能调整,自适应能力较弱,神经网络PID控制器能够利用其强大的自适应能力在线进行PID控制器参数的整定,对控制器最初的结构或控制规则依赖度