文摘

考虑到时滞控制输入通道和悬架的非线性弹簧刚度特性,一个车磁流变主动制导悬架系统与时滞非线性模型建立。基于时滞非线性模型的自适应神经网络结构磁流变主动制导悬架系统。通过识别和训练自适应神经网络,神经网络自适应主动制导悬架系统控制器。仿真结果表明,该方法可以保证车磁流变主动悬架系统性能满足E_level非常贫穷的地面。

1。介绍

工程车辆、农用拖拉机、军用车辆,等等,道路状况通常很差。因此,振动问题是突出特别(1]。座椅悬架被广泛的作为一个简单而有效的方法来提高车辆的乘坐质量,直接关系到司机疲劳、不适、和安全2]。近年来,主动悬架控制的研究已经得到了国内外学者的广泛关注,在理论分析和物理测试方面(3- - - - - -8]。

车辆悬架系统是一个复杂的动态系统;路输入是一个随机过程,具有很强的不确定性,而系统本身具有强烈的非线性特征;因此,它是很难获得理想的控制效果,使用传统的控制方法(5,6]。

神经网络是一种功能强大的工具来处理不确定性和非线性;它可以并行计算和分发信息存储,同时它具有较强的容错和自学习能力。因此,神经网络适用于复杂系统的建模和控制9- - - - - -11]。

在本文中,为了减少磁流变主动悬架系统的振动,自适应神经网络主动制导悬架系统控制器的设计。起初,实车主动制导悬架系统与时滞非线性模型建立了考虑时滞控制输入通道的磁流变主动悬架系统和悬架的非线性弹簧刚度特性。然后,一种自适应神经网络结构磁流变主动制导悬架系统提出了根据时滞非线性模型。接下来,自适应神经网络主动悬架控制器是通过识别和训练自适应神经网络。最后,E_level地面非常贫穷为实车道路条件被认为是磁流变主动悬架系统。仿真表明,该方法可以保证系统具有满意的性能。

本文的其余部分组织如下。节2,认为车磁流变主动制导悬架系统时滞非线性模型。自适应神经网络结构、神经网络识别和神经网络训练节中给出3和自适应神经网络主动悬架控制器获得的部分3。在实车模拟磁流变主动悬架系统E_level非常贫穷的地面见下一节4。部分5本文的结论。

2。实车磁流变主动制导悬架系统时滞非线性模型

摘要车座位磁流变悬架系统主动控制模型进行了研究。同时,悬挂弹簧的非线性刚度特性和控制时滞特征被认为是。图1显示了一个主动式悬吊系统的实车模型。

其中,是身体素质,是轮质量,悬架刚度,阻尼系数,是轮胎等效刚度系数,是身体的位移,位移的轮子,是地面位移激励,是主动控制。在这里,变刚度弹簧的恢复力-位移关系表示为(12],,是非线性的弹簧比率。当,恢复力和位移关系如图2。

动态悬架系统的微分方程 作为。

;假设加速度、速度,和位移,是可测量的;引入辅助控制变量写成 和(1)可以改写成 相应的标称系统的模型(3)是 在哪里

3所示。自适应神经网络主动制导悬架系统控制器的设计

3.1。自适应神经网络结构

自适应神经网络系统结构如图3。系统由三部分组成:主动悬架控制,神经网络标识符AN1, AN2神经网络控制器。AN1用于主动制导悬架系统的在线识别系统;AN2用于实现网络参数调整通过在线调整网络权值和阈值,然后得到最好的减振的效果。

在图3、输出是人体加速度,控制信号阻尼力,其标准化的范围是0 ~ 1。共同的方法来实现电液比例节流阀调节流区域或阀芯位移。作为输入的神经网络控制器AN2。神经网络的输入标识符AN1是身体加速和控制信号。

3.2。神经网络识别

路上可以视为白噪声激励信号,它适用于识别主动式悬吊系统采用非线性自回归移动平均(NARMA)模型;也就是说, 在哪里为身体加速吗th步骤;控制信号的吗th步骤;是道路随机输入(白噪声)的一步。

AN1标识使用的系统模型和多层前馈神经网络的网络结构。网络是由两层:第一层是输入层和输入。双曲函数选为神经元转换;每个神经元的阈值。第二层是输出层和是一个神经元代表系统的估计输出。比例函数选为神经元功能和它也有神经元阈值。

3.3。自适应神经网络控制器

神经网络控制器的结构AN2图所示4。网络有两个输入和一个输出。第一个输入是人体加速度的均方根值;第二个输入是悬挂的速度的乘积。网络输出值可变阻尼。为了方便网络培训,假设。网络结构适用于多层前馈神经网络。网络有两层(不包括输入层);第一层是由10个神经元的阈值;双曲函数作为神经元的转换函数。第二层有一个神经元阈值;乙状结肠函数是利用神经元变换函数,使网络的输出可以总是在0 ~ 1的范围。

为了获得良好的性能,马夸特反向传播算法(MBP算法)用于训练神经网络的训练效率高是标识符退火。在培训过程中,错误所需的身体之间的加速度和退火神经网络标识符的输出作为输入对MBP算法。和AN1的权值和阈值保持不变。

因为所需的控制信号是未知的在刚开始的时候,神经网络控制器AN2 AN1是级联神经网络标识符,如图3。在培训期间,MBP算法采用,但AN2权重和阈值的改变,为了获得和优化自适应神经网络控制器。

第一层的输入-输出关系

第一层的输入-输出关系

改善训练算法,调整权重和阈值根据以下规律:

4所示。案例研究

考虑到主动式悬吊系统(13]:公斤,公斤,公斤,KN / mKN s / m。

E_level地面、路面不平度功率谱密度,。假设前行速度公里/小时。地面激励位移如图5。

图6显示了训练的结果,说明了实际产出的对比测试数据和网络训练的输出数据。一个可以看到网络训练输出与系统测试的输出一致很好。图7显示了测试结果;一个可以看到网络测试输出与系统测试的输出一致很好。

为了比较,等控制器设计以及本文;选择模拟。仿真结果如图8,9,10,坚实的黑色线条代表下的控制效果提出了自适应神经网络(ANN)控制器,在dash蓝线代表控制结果等控制器。

数据8~10表明,可怕的E_level地面上,与等控制器相比,本文提出的自适应神经网络控制器可以显著降低轮胎的高峰值位移,加速度,加速度和控制信号,身体和控制信号平滑。因此,提出了自适应神经网络控制器对磁流变主动悬架系统是有效的。

5。结论

本文提出了一种自适应神经网络控制策略为磁流变主动悬架系统与时滞控制输入通道和非线性弹簧刚度特征。的基础上时滞非线性模型和自适应神经网络结构,通过识别和训练自适应神经网络,神经网络自适应主动制导悬架系统控制器。在实车模拟磁流变主动悬架系统在地面E_level表明,提出的方法可以显著降低轮胎的高峰值位移,加速度,加速度和控制信号,身体和控制信号平滑。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了中国自然科学基金(51275249)和人才引进的基础工程学院南京农业大学(Rcqd11-06)。