文摘
改善神经网络的自适应控制在车辆悬架控制的影响,提出了神经网络控制方法。方法的具体内容分析车辆悬挂的非线性特性,提出了神经网络自适应控制策略,并开发的神经网络非线性算法和神经标识符。遗传算法通过补偿网络执行后悬吊系统的预测控制。实验结果表明,该模型结构秩序 ,AN1网络节点是4-6-1,AN2网络节点是5-4-1,AN3网络节点是6-4-1,学习修正率 。在实际的模拟计算,网络的隐层节点的增加,选择和最小数量的节点来确定网络的结构,因为获得的控制效果不是从根本上得到改变。暂停,这是由神经网络的自适应控制,控制vibration-reducing效果,更有效的通过增加后悬架的控制。神经网络已被证明能够有效地控制车辆的控制杆。
1。介绍
不断改善人民生活水平提出新的要求各行各业。特别是近年来,服务行业的蓬勃发展,人们出行越来越频繁,提出新要求的舒适和安全的车辆。密切相关的悬架技术,汽车的各种性能,已逐渐被人重视。传统的汽车悬架技术主要是汽车,使汽车驾驶过程中感觉不到道路的实际情况灵活和及时调整速度和负载;有巨大的安全风险。这种传统悬架技术限制了汽车悬架系统的纵深化发展在一定程度上。随着科学技术的进一步发展,经济,和社会,这种类型的悬架系统已不再适应人们的需要的汽车性能。因此,探索和研究具有十分重要的现实意义更深层次的汽车悬架技术。汽车行业的竞争变得越来越激烈。为了平衡效率高、高品质、个性化、低成本开发与产品,主要汽车企业专注于工程车辆的开发技术架构。 As an important part of the framework, the influence of the framework bandwidth on the component design should be fully considered in the design stage to meet the requirements of shareability on the framework platform. In the development process of the rear suspension control software arm based on a specific building project, it is necessary to adopt multibody dynamics, finite element method (FEM), and other durability evaluation and structural optimization design technologies and combine with design and manufacturing experience. After the completion of software development, it is also necessary to use simulation tools to carry out durability analysis and structural optimization prediction and conduct a vehicle road test to complete durability verification, so as to realize the efficient and high-quality design and development of the construction project control software. The control arm (Control arlTl, also known as the swing arm), as the guiding and force transmission element of the automobile suspension system, transmits various forces acting on the wheels to the body and at the same time ensures that the wheels move according to a certain trajectory. The control arm elastically connects the wheel and the body together through ball joints or bushings, respectively. The control arm (including the bushing and ball joint connected to it) should have sufficient rigidity, strength, and service life.
在汽车悬架控制软件技术,最早的主动悬架控制方法控制软件技术是树冠阻尼器控制软件。由于其简单的控制软件算法,树冠阻尼控制方法已广泛应用于汽车主动悬架控制技术尽快出来。随着现代控制理论的发展,主动制导悬架系统的随机最优控制软件方法出现了。该方法的内容和原理类似于上面的汽车悬架控制策略,所以作者不会重蹈覆辙。随着近几年的发展,Rizkin等人提出了一个neurofuzzy自适应控制器基于递归神经网络的车辆悬架系统建模。神经网络用于识别车辆悬架系统的动态参数和提供学习信号neurofuzzy自适应控制软件控制器(1]。Rizvi等人提出了一种半活性的汽车悬架系统基于神经网络自适应控制。与汽车悬架相比,这半活性悬架的阻尼性能最好2]。吴等人提出了一种模糊神经网络方法设计车辆高度控制器。根据车辆高度调整过程的工作原理,建立了车辆系统的数学模型基于车辆系统动力学和热力学理论的变质量充电和放电气体系统(3]。模糊理论和神经网络促进车辆结构和参数识别的进一步发展。现代计算机技术的发展,现代信息和通信技术,网络技术使汽车悬架技术的智能控制软件。在1990年代,模糊控制软件方法已应用于汽车悬架控制的研究。因为这种控制方法可以自动调整,将输入变量和学习参数的隶属函数和模糊规则的数目,仿真效果比传统方法要好得多。因此,这种控制方法已被汽车高度重视研究者和汽车制造商(4]。
控制臂,也被称为摆臂,是一个重要的安全功能的汽车悬架系统的一部分。在控制臂的设计,其强度、固有频率和纵向(具有汽车的方向)和横向(从左到右的方向车)刚度应满足指定的需求。控制杆的外端连接到轮毂通过球关节,和内部连接到车辆通过球形接头和一个橡胶布什身体。建立有限元分析模型时控制臂的拓扑优化和性能计算,为了准确反映球铰链的影响和控制臂衬套的优化结果,边界条件如球铰链和衬套应包括在内。汽车悬架控制臂系统是一个非线性的系统,与传统的控制策略有一些局限性,当应用于非线性系统。为了更好地接近实际体系,获得更好的控制软件的效果,更好的控制策略是必要的。近年来,控制软件使用神经网络方法已经被越来越多的关注。由于神经网络可以达到任意非线性函数和自适应学习的特点,并行分布处理、强鲁棒性(5),容错性等,适用于复杂非线性系统的建模和控制软件等汽车悬架。在当前研究的基础上,以提高神经网络自适应控制的汽车悬架控制软件的效果。面对提出神经网络控制方法,分析方法的具体内容汽车悬架的非线性特性,和自适应控制策略,提出了基于神经网络和设计了一种鲁棒自适应控制软件基于非线性算法的神经网络和神经控制器和使用遗传算法和补偿网络,后悬挂装置控制。这是证明了神经网络可以有效地控制车辆悬架控制臂。
2。实验方法
2.1。汽车非线性模型的建立
(1)图1显示了一个四自由度汽车膜式配备汽车悬架(2)悬挂非线性处理
弹簧和减振器非线性悬架系统中的组件。春天可以表示为下面的非线性函数(6]: 在哪里弹簧张力,弹簧刚度,是春天的相对位移,是非线性指数。
减震器的非线性函数可以表示为 在哪里阻尼力和 在拉伸和压缩阻尼值。(3)数学模型
建立的运动微分方程 在哪里
由于人体对振动的反应是主要由振动加速度值,为了提高车辆的乘坐舒适性,同时应尽可能减少振动加速度(7]。因此,质心垂直加速度的簧载质量是作为系统的输出变量;也就是说, 是设置为所需的控制力前后悬架用下面的关系 ,在哪里是当前时刻,是时间滞后 ,和汽车的速度。
因此,悬架系统的控制输入的力 ,和模型参数如表所示1。
2.2。非线性神经网络的自适应控制
从表可以看出1模型包括球铰链和套管连接。外部载荷的作用下,控制臂将有一个大的位移。
一个三层BP神经网络AN1用于在线控制对象的识别,和另一个三层BP神经网络AN2组件使用。假设汽车悬架系统是一个单输入单输出非线性系统,它可以被描述为 在哪里 悬架系统的输出和输入代表垂直振动加速度和控制软件簧载质量质心的时间序列的顺序和和是非线性函数。
让神经网络模型用于识别对象特性是以下。
输入层
隐藏层 在哪里是重量和是激发函数,
输入层 ,在哪里神经网络的输出AN1和吗是权重。
如果性能指标
最小化,可以获得权重系数学习规则如下: 在哪里是学习修正率, 。
在神经网络控制器,其自适应参数是神经网络的权重系数。适当的学习后,它可以控制对象与未知的特点和适应环境的变化。神经网络控制器的设计充分利用信息的标识符(8]。它的形式是一样的标识符,及其性能指标 在哪里期望的输出和吗是估计的输出。
适当的学习后,将方法 ,所以 可以更换的极小化方程(11)。控制器的体重仍然使用BP算法的校正,上面的一样。
2.3。后悬吊预见控制
很容易把路面信息通过前轮悬架控制的预测信息,如果沿着轨道通过后轮驱动前轮。这种控制方法被调用后悬吊系统的预测控制软件。对预测控制,这不仅是关注过去和现在目标值还未来目标值,这样目标之间的偏差值和控制量最小化。显然,预测时间 ,和象征意义是一样的。不同于前面的控制策略,一个三层的后悬挂装置补偿网络AN3添加,可以利用路面的前轮所获得的信息,以确定赔偿后悬吊系统提前控制,和补偿值 。
使 在哪里前轮道路干扰信号有经验的一辆车,是道路干扰信号在每个采样时刻在前轮和后轮之间,然后呢是滞后的。
在时间 ,网络的输入
2.4。遗传算法神经网络控制策略
结合神经网络和遗传算法可以搜索最优操作的科学方法。为1/2车辆悬架模型、权重系数的指数,簧载质量和悬架刚度对系统的稳定性有重要的影响。考虑到车辆行驶平顺性和操纵稳定性,簧上质量加速度的动态负载,轮子,和悬架动挠度作为重要指标来评估和控制的主动悬架控制结果选择目标函数:
其中,逆选择的目标函数作为适应度函数。的权重系数 适应度函数是遗传算法的优化。这个二次目标函数是一个全面的性能指标来评价悬架的输出。如果该值的减少在某种程度上,它表明车辆表现更好的协调和整合。遗传算法的种群规模被选为45(固定),最终进化代数(100)。如果交叉概率太高,良好的模式将被摧毁,如果交叉概率太小,新的个人将减少的速度,和交叉概率是015。如果突变概率太高,优秀的模型将被摧毁;如果突变概率太小,抑制早熟的能力将会贫穷,和变异概率是0.1。神经网络系统采用双隐层的结构,和权重系数的学习法律的学习算法采用改进算法结合学习速率自适应调整和动量项,即 在哪里学习速率系数和吗动量系数。
动量词的调整变化对平均方向错误的底部表面,起缓冲平滑的作用,加快学习速度。使用神经网络来模拟系统的动态响应,并使用遗传算法优化和调整网络的重量,所以悬架系统的动态响应可以达到预期的效果。
3所示。仿真实验结果和分析
MATLAB +仿真软件+工具箱软件被用于仿真研究[9]。四个订单的龙格-库塔法是采用模拟,模拟系统的步长为0.01。假设c级轿车道路上的汽车驱动的速度 ,路面不平度系数 ,和路面随机激励信号的方差 。模型结构如下:秩序 ,AN1网络节点是4-6-1,AN2网络节点是5-4-1,AN3网络节点是6-4-1,学习修正率 。在实际的模拟计算,通过添加隐层节点获得的控制效果基本不变。因此,最小数量的节点被选中在确定网络结构。仿真计算中使用的一些参数如表所示1,仿真结果如图2- - - - - -5。图2的仿真曲线的垂直振动加速度响应汽车悬架的身体。图3显示了车辆悬架系统的振动加速度曲线由神经网络控制。图4显示了控制力曲线预测控制软件的车辆悬架,和图5显示的振动响应与神经网络预测控制车辆悬架车辆。从图可以看出,汽车悬架的减振效果由神经网络控制的更好,而汽车悬架系统的控制软件效果与深谋远虑控制车身振动进一步改善,和控制能量更小。
从仿真结果可以看出,与汽车悬架相比,随机道路输入时输入,主动制导悬架系统的加速度和悬架动态旅行的标准差都减少到一定程度,而标准差车轮动载荷的增加在一定程度上。设计的控制器(10),其规则是由神经网络遗传算法学习,是非常有效的减少悬浮加速度和悬架动态旅行。存在的问题如下:虽然车体的加速度和悬架的动态挠度提高,动态变形轮的恶化。有一个内在的矛盾加速度和动态变形悬浮控制软件。通过改变控制参数,车身加速度和车轮动态变形的影响进行了研究。(1)道路条件改变从年级C B级路面的路面。加速度的均方根值B类路面是11618 m / s,和均方根值的动态变形的前轮是0102428米。体加速度的均方根C类路面31099 m / s,和RMS前轮动态变形是0102295米(2)当车辆速度改为30 m / s,车身的垂直加速度和动态变形的前轮与汽车相比并没有改变20 m / s的速度,正如你所看到的(3)身体垂直加速度和前轮只受限于变形动态响应算法。在这个算法中,速度变化不影响仿真结果(4)(一)当初始种群中个体的数量改为人口不多,可以提高计算速度,但是可以减少人口的多样性,所以最优解可能不会被发现。人口时,搜索范围宽,个人健康评估的计算量增加,而且收敛速度降低。(b)获得的悬浮性能改变的类型转换函数xOverFNs heuristicXover输入参数。(c) MultiNonUnifMutation从nonUnifMutation MultiNonUnifMutation在改变输入参数,并通过改变参数获得的悬浮性能。仿真结果得到了通过改变遗传算法中的参数。车身加速度和角加速度是有效控制(11]。改变控制参数后,轮胎的动态变形也相应减少,可以改善悬架的综合性能
结果表明,悬浮控制软件基于遗传算法的神经网络方法对改善车辆平顺性有显著的影响。为了检查汽车悬架的实际工作效果,自主研发的汽车悬架的电动液压振动试验台,进行了振动测试。系统主要由加速度传感器、电荷放大器、单片机、可调阻尼器、步进电机和驱动电源。通过收集簧上质量加速度信号和神经网络控制策略,给出了相应的控制信号驱动步进电机旋转和调整阻尼器最优值,从而达到理想的减振效果。在测试期间,加速度激励信号记录在推进轴在汽车运行在不同的路面回放磁带机,以便激发信号复制试验台的振动器。为便于比较,汽车悬架的振动测试也完成了。总之,神经网络的智能控制功能可以极大地降低汽车的振动加速度,提高舒适的座位。
仿真结果表明,本文设计的控制器是有效的减少车辆的加速度的身体,螺旋角的加速度和悬架的动态旅游。问题在于,尽管身体加速和改善悬架的动态旅游,车轮动载荷的恶化。试图通过改变控制参数,如学习速率、最大的培训时间,目标错误,网络结构,初始种群个体的数量,类型的crossfunction,和类型的变异函数,系统响应特性改变,和轮胎的动载荷也减少,这可以提高悬架的综合性能。它表明,悬架控制方法基于遗传算法的神经网络对提高车辆乘坐舒适性有很大的影响,并提出的控制方法具有良好的适应性,建立主动制导悬架系统模型(12]。
4所示。结论
本文提出一种神经网络控制方法。研究发现,汽车悬架的减振效果控制的神经网络更好,汽车悬架系统的控制效果和预测控制对人体振动进一步改善,和所需的控制能量很小。证明这个方法的效果在解决的问题车辆悬架控制臂控制的神经网络,它体现在有效减少人体加速度,螺旋角加速度和悬架动态中风。问题在于,尽管身体的加速度和悬架的动态旅游改善,动态轮载荷恶化。试图通过改变控制参数,如改变学习速率,最大训练次数,目标错误,网络结构,初始种群中个体的数量,类型转换函数,变差函数的类型,系统响应特性发生了变化,和轮胎动载荷也相应减少,这样可以改善悬架的整体性能。
研究中使用的思考好汽车悬架技术的建模思想,方法是结合悬架控制技术的线性和非线性特征。人民要求的持续改进汽车舒适和安全性能,对汽车悬架控制技术的研究还需要进一步深入。在实际汽车制造中,线性矩阵计算应该选择最合适的方法相结合进行生产操作,以不断满足人们的需求为汽车性能。
悬架技术的技术创新密切相关,相关学科的发展,先进的计算机技术、自动控制技术、模糊控制和神经网络。先进制造技术、运动仿真等,为进一步发展提供强有力的保证。同时,悬架的发展也提出了更高的理论要求这些相关学科。两个互为补充,相互促进,从而达到真正的可持续发展。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。