计算机分析一个案例研究的随机稳定的机械结构由白色和有色噪声:利用人工智能技术来设计一个有效的主动悬架系统

文摘

本研究的目的是设计一个人工智能控制器的主动式悬吊系统的车辆。戒指概率逻辑神经网络(RPLNN)体系结构采用了设计该控制器,和路面条件模拟利用高斯白噪声。RPLNN提出的结果表明,该控制器具有一个有效的性能,减少不必要的随机效应的概要文件。

1。介绍

1.1。背景

在汽车运输由于被吸收的能量转换热能车辆的悬架和轮胎,一个能量损失发生。利用一个有效的悬架系统提供了一个机会来减少能量损失和节约能源1),节能意味着减少燃料消耗。近年来,许多研究人员专注于减少的不良影响路面和降低油耗率通过设计有效的悬挂系统(2]。

2012年,伊斯et al。3]提出了一种人工神经网络(ANN)模型的轻型柴油机动力使用各种生物柴油的混合燃料与传统化石柴油。礁et al。4]利用ANN预测制动燃油消耗率。2014年,罗伊et al。5)模仿单缸四冲程发动机的性能和排放参数CNG-diesel双燃料模式下安。2015年,性能、排放和燃烧特性的单缸四冲程发动机可变压缩比预测的帮助下由来自安Vasudevan [6]。作为一个智能技术,采用了粒子群优化奥利维拉et al。7)减少汽车尾气排放和燃料消耗。2016年,Lotfan et al。8)结合安和nondominated第二排序遗传算法模型和减少CO和氮氧化物的排放直接注射双燃料发动机。安已经利用佩罗塔et al。9)2017年模型卡车的燃料消耗。2018年,阿齐兹(10)提出了一种PID控制器来控制燃料消耗率根据路面状况的变化。尽管研究的结果表明,该PID控制器可以减少燃料消耗,但振动控制程序的开始,因为几秒钟的输入控制信号是高。

当前研究的目的是设计一个有效的人工智能(AI)架构降低路面的影响表现为对车辆振动。这意味着更少的燃油消耗和生活更高的部分可以通过过滤噪音。在这个研究中,高斯白噪声一直采用模型剖面的必经之路。不同于之前的工作,当前研究的目的是提供一种有效的方法来消除提到波动和控制油耗率即使在控制过程的开始(11,12]。为此,环概率逻辑神经网络(RPLNN)是一种有效的模式,已经被研究人员作为优化函数,利用预测工具,和植物模拟器(13- - - - - -16)采用提出的在这里训练的PID控制器阿齐兹et al。10]。本文软件和仿真软件MATLAB工具箱用于开发一个基于仿真模型的车辆主动悬架系统的控制器和设计一个有效的RPLNN调查和减少对振动的影响从路上概要文件。该模拟器能够模拟车辆的垂直位移前后利用人工智能控制器,也能够分析这些振动通过检查不同的系统参数值。RPLNN提出的结果表明,该控制器比PID控制器性能优越,减少了振动的有效性能的道路轮廓和降低油耗率。

简要介绍和文献综述研究课题,论文的其余部分被组织在三个部分。首先,在节2,数学建模提出了四分之一的汽车主动悬架模型的提出RPLNN算法,并详细讨论了基于仿真的模型建立。节3结果部分,设计模拟器验证了分析的影响提出了控制器对系统垂直位移的影响。最后,在节4,研究的总结和未来可能的工作建议。

2。方法

油耗率可以由两个重要的影响因素:车辆处理性能和车辆悬架系统(17]。在传统的方法中,被动悬架系统这是一个组合弹簧和阻尼器的使用减少了振动从路面车辆的配置文件。知道是很重要的,因为阻尼比不能调整,所以这样一个系统不能消除振动。如今,在技术进步主动式悬吊系统,配备有效的控制器被用来减少路面条件的影响。(18]。

本研究的最终目标被定义为设计一个有效的人工智能控制器减少的不良影响路面上的车辆。提议的方法的步骤在这项研究中定义以下订单。第一步是引入季度车型配备了一个主动式悬吊系统。第二步是形式美而言RPLNN算法设计一个有效的控制器\作为主动式悬吊系统的一部分。第三步是利用MATLAB软件训练提出人工智能控制器。下一步是模拟提出了建立利用仿真软件,和最后一步是测试和分析的性能提出RPLNN控制器和PID控制器的性能比较。

2.1。主动悬架控制器模型

1/4车辆模型,这是一个模型来研究车辆的动态振动对于道路模型的概要文件作为输入,如图1。重要的是要知道,在这样一个模型的一些参数如几何信息、投球,和滚动角没有被忽视,但是最重要的特性,比如负载的变化被认为是。

在当前的工作中,生成的数学模型,状态空间方法这是一个众所周知的方法在控制工程采用(20.]。

生成状态空间表示,第一步是分析一季度汽车模型(图1),已由以下方程:

米₁(300公斤)米₂(40公斤)是迅速和簧下质量,分别。K₁(15000 N / m)和D(1000 N / m)是弹簧的刚度和阻尼系数和阻尼悬架系统的分别。K₂(150000 N / m)是弹簧的刚度系数的模型车的轮胎。簧载质量的垂直位移,非簧载质量,路面条件已经被证明了X₁(t),X₂(t),X₀(t),分别和参数U代表控制力量。

现在,状态变量的动态方程(1)和(2),可以定义如下:

用状态变量在方程(3在方程()2)和(3),我们将得到以下表达式:

一般状态空间变量,改变可以定义如下:

因此,基于方程(4)和(5A和B)矩阵方程(6)将如下:

系统输入变量矩阵

车辆悬架系统的输出矩阵方程

摘要输出被定义为不同的垂直位移和簧下质量:

因此,基于方程(11)矩阵C和D方程(10)将如下:

引入季度汽车模型的数学模型之后,下一步是调查这个数学模型的输入之一就是路面条件。

2.2。白噪声输入信号

数学建模的路面条件由于其Gauss-distributed随机行为太硬。完成这个任务,显示的高斯白噪声随机行为可以利用统计路面功率谱密度的代表。如方程所示(13的关系),随机道路输入信号和高斯白噪声/ ISO / TC108 / SC2N67可以模仿数学如以下所示方程(21]: 在哪里问(年代)是随机道路输入信号,是高斯白噪声,n₀参考空间频率,G_问(n₀)是路面不平度系数,f₀是滤波器lower-cut-off频率。

后引入季度汽车数学模型和高斯白噪声作为它的输入信号,下一步是控制器的设计利用RPLNN算法。

2.3。环概率逻辑神经网络控制器

概率逻辑神经元(PLN)是一个轻便的神经元,其输出可以被定义为一个零,或“不在乎”状态(22]。因为“不在乎”状态,pln灵活地结合在一起,设计一个快速学习失重神经网络(14]。提出了基于此属性RPLNN Menhaj et al。23作为一种新颖的算法模型,控制和优化复杂的植物。提出设计由pln的输出输入最后一个是美联储的第一个(见图2)。

2016年,阿齐兹et al。15,22)利用RPLNN结构作为优化工具来优化失重神经网络和RFID网络。之后,RPLNN结构开发和利用的混合优化器(13,14,16,24,25]。

在当前的研究中,不同于以前的作品,轻便RPLNN被利用来训练该PID控制器在以前reserach [10),所以成就后的培训过程,提出RPLNN被利用为控制器,以减少车辆的垂直振动,由于路况可视为高斯白噪声输入。

输入RPLNN将车辆的垂直位移和输出将是执行机构的力量。这意味着该控制器调节主动式悬吊系统的力考虑振动由于道路条件。

完成这个任务,必须定义一个目标函数。因为该算法给出了一个装配结果在每一次迭代,因此可以称为一种进化算法。这里,因为其目的是减少簧上的垂直位移和簧下质量,因此,目标函数可以定义为误差函数(见方程(14))。在这种情况下通过最小化目标函数RPLNN控制器能够调整主动制导悬架系统的力量。重要的是要知道训练RPLNN控制器PID控制器的模式数据的引用,阿齐兹el提出的。(10,26]:

3所示。结果

见图3,提出季度汽车模型有两个输入:第一个是道路条件作为随机输入和模拟了高斯白噪声函数,第二个输入生成的武力RPLNN控制器减少了噪声的影响。

见图4首先输入,道路条件下,模拟了高斯白噪声和噪声的影响,汽车的垂直位移,已经不受控制的位移,如图所示5。

见图5季度汽车模型波动基于输入信号的必经之路。因为它是不受控制的行为,所以通过比较数据4和5,它可以观察到车辆完全遵循的道路条件可以导致增加燃料消耗,影响乘客的安全。

像前面所提到的,参考模型被用来训练RPLNN PID控制器的数据中提供数据6和7。

RPLNN控制器已经离线训练通过运行100次迭代的训练。见图8,培训过程的误差函数值减少到0.001。利用RPLNN systemby控制器的输出计算并显示在图9。

通过比较数据5和9指标的装备系统的行为,而不是装备RPLNN控制器,它可以观察到系统配备RPLNN控制器减少路面对车辆的影响,降低了振动。

噪声取消结果利用PID和RPLNN控制器如图9和10,分别。通过比较这两个数据,它可以观察到两种控制器能够减少不良影响的路面在车辆上的形象。提到是很重要的,虽然两个控制器都能减少相同的垂直振动模拟时期,但由于主动式悬吊系统配备RPLNN控制器并没有表现出过度反应,所以它有一个比PID控制器性能优越。

有一个更好的概述提出RPLNN控制器的性能,系统的行为,一旦配备PID与RPLNN控制器,然后一直在观察和比较。

见图9在控制过程的第一个阶段,该系统配备了PID控制器对地面激励过度控制反应,三秒后开始正常取消噪音。然而,见图10采用RPLNN控制器系统控制过程从一开始就显示了一个平滑的响应和为乘客准备骑方便和安全。

最后,它可以得出结论:利用RPLNN控制器,由于实施减少波动的车辆道路剖面(这被认为是高斯白噪声),是一种有效的解决方案被认为是噪声取消工具,还很明显,由于减少垂直振动,汽车零部件的生命周期已经增加了。

4所示。结论和未来的工作

在当前的研究中,减少了1/4车辆模型通过地面振动激发有效的人工智能控制器的主动式悬吊系统设计和建模。RPLNN算法被用来设计该控制器,和输入信号的道路已经被利用高斯白噪声。提出设置已经被MATLAB建模和仿真软件。RPLNN提出的结果表明,该控制器能够减少车辆的道路状况的不良影响,最终导致减少燃料消耗和增加的部分汽车的生命周期。RPLNN控制器的性能与传统的PID控制器作用比较,结果表明,RPLNN控制器性能优越。未来的工作,其他人工智能算法,如模糊逻辑和神经网络可以利用控制器,还采用非线性模型设计控制器的性能评价调查将是另一个重要的话题。

数据可用性

并给出了相关的数据在手稿。

的利益冲突

作者声明他们没有利益冲突。

确认

这项研究是由阿曼的研究委员会批准号ORG/CBS/14/008。

引用

1. j·帕默和s . Sljivar汽车燃料消耗量监控和反馈系统美国长滩CA,谷歌的专利,2017年。
2. 答:阿齐兹和p·g . Yazdi,“油耗优化技术概论”计算机分析机械结构的随机稳定性由白色和有色噪声施普林格,页1 - 12,柏林,德国,2019年。视图:谷歌学术搜索
3. c·w·h·m·伊斯梅尔·h·k·Ng Queck,甘和美国,“人工神经网络建模的引擎反应轻型柴油机燃料生物柴油混合,”应用能源卷,92年,第777 - 769页,2012年。视图:谷歌学术搜索
4. y礁,a Cicek f·卡拉,s . Sağiroğlu”预测发动机性能的替代燃料使用人工神经网络,”应用热工程37卷,第225 - 217页,2012年。视图:出版商的网站|谷歌学术搜索
5. 罗伊,r·巴纳吉a . k . Das和p . k .玻色”的发展基于ANN的系统识别工具来估计的performance-emission特征CRDI协助天然气双燃料柴油机,”天然气的科学与工程》杂志上21卷,第158 - 147页,2014年。视图:出版商的网站|谷歌学术搜索
6. k .来自和d . Vasudevan”,应用人工神经网络的预测性能、排放和燃烧特性的可变压缩比与地沟油生物柴油引擎推动,“巴西社会的《机械科学与工程,37卷,不。3、915 - 928年,2015页。视图:出版商的网站|谷歌学术搜索
7. a·c·奥利维拉,j . m . Garcia-Nieto和e·阿尔巴”减少汽车尾气排放和燃料消耗在城市通过使用粒子群优化,“应用智能,42卷,不。3、389 - 405年,2015页。视图:出版商的网站|谷歌学术搜索
8. s . Lotfan r . a . Ghiasi m . Fallah和m . h . Sadeghi”ANN-based建模和双燃料发动机的具有挑战性的排放减少NSGA-II多目标进化算法,”应用能源卷,175年,第99 - 91页,2016年。视图:出版商的网站|谷歌学术搜索
9. f .佩罗塔,t·帕里,l . c .七巧板”应用机器学习卡车的油耗模型”《大数据(大数据)IEEE国际会议,2017IEEE,页3810 - 3815年,波士顿,MA,美国,2017年12月。视图:谷歌学术搜索
10. a·阿齐兹,”计算机的随机稳定性分析机械结构由白色和有色噪声,”可持续性,10卷,不。10,3419年,页2018。视图:出版商的网站|谷歌学术搜索
11. 答:阿齐兹和p·g . Yazdi,“噪声及其应用,简介”计算机分析机械结构的随机稳定性由白色和有色噪声页13-23 Springer,柏林,德国,2019年。视图:谷歌学术搜索
12. 答:阿齐兹和p·g . Yazdi,“噪声控制技术”计算机分析机械结构的随机稳定性由白色和有色噪声施普林格,页61 - 73年,柏林,德国,2019年。视图:谷歌学术搜索
13. 答:阿齐兹,“混合人工智能优化技术,”4.0人工智能技术在工业中的应用页27-47 Springer,柏林,德国,2019年。视图:谷歌学术搜索
14. a·阿齐兹,”引入一种新颖的混合人工智能算法来优化网络的工业应用在现代制造业中,“复杂性卷,2017篇文章ID 8728209, 18页,2017年。视图:出版商的网站|谷歌学术搜索
15. 答:阿齐兹,a . Barenji r . Barenji, m . Hashemipour”建模摩擦搅拌焊纯铜厚板的力学性能和优化利用人工智能技术,”传感器Netw数据Commun,5卷,不。142年,p . 2016。视图:出版商的网站|谷歌学术搜索
16. a·阿齐兹4.0人工智能技术在工业中的应用施普林格,柏林,德国,2018年。
17. y, k .郭陈c, d . Wang和李x”能量转换机理和再生潜力的汽车悬挂,”能源卷,119年,第970 - 961页,2017年。视图:出版商的网站|谷歌学术搜索
18. 即Maciejewski、t . Krzyzynski和h·迈耶”建模和振动控制的活跃水平座椅悬架气动肌肉,”振动与控制杂志》上,24卷,第5950 - 5938页,2018年。视图:谷歌学术搜索
19. a·阿齐兹和p·g . Yazdi,“机械结构:数学建模”计算机分析机械结构的随机稳定性由白色和有色噪声页37-59 Springer,柏林,德国,2019年。视图:谷歌学术搜索
20. d·j·曼振动与控制新泽西州霍博肯市约翰·威利& Sons,美国,2017年。
21. a·阿齐兹和p·g . Yazdi,”白噪声:应用程序和数学建模”计算机分析机械结构的随机稳定性由白色和有色噪声施普林格,页的技能,柏林,德国,2019年。视图:谷歌学术搜索
22. a·阿齐兹a Vatankhah Barenji, m . Hashmipour”优化无线电频率识别通过环概率逻辑神经元网络规划,“机械工程的发展,8卷,不。8,1687814016663476页,2016年。视图:出版商的网站|谷歌学术搜索
23. m . b . Menhaj和n . Seifipour“RPLNN函数优化的”《2002国际神经网络联合会议火奴鲁鲁,页1522 - 1527年,美国,2002年5月,你好。视图:谷歌学术搜索
24. 答:阿齐兹,“现代制造业,”4.0人工智能技术在工业中的应用,7 - 17页,施普林格,柏林,德国,2019年。视图:谷歌学术搜索
25. 答:阿齐兹,“RFID网络规划,”4.0人工智能技术在工业中的应用页19-25 Springer,柏林,德国,2019年。视图:谷歌学术搜索
26. 答:阿齐兹和p·g . Yazdi,“建模和控制机械结构上的噪音的影响,”计算机分析机械结构的随机稳定性由白色和有色噪声施普林格,页75 - 93年,柏林,德国,2019年。视图:谷歌学术搜索

版权

版权©2020位阿齐兹。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。