半主动空气悬架神经网络自适应控制的仿真研究
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: TP391. 9 文献标识码: A
Abstract: The self2adap tive neural netwo rk contro l strategy is emp loyed to contro l the sem i2
active suspension system. The sim ulation research show s that sem i2active suspension can imp rove
the ride com fo rt and m anipulation stability, and that the sem i2active air suspension self2adap tive
neural netwo rk contro l is app licable and effective.
Key words: air suspension; neural netwo rks; variable 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?Sim ulink 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;
c0 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 1xb
1 + k 1 (x 1 - x 0) - c0 (xa
2 - xa
1) -
k 2 (x 2 - x 1) - k r (x 2 - x 1) = 0
m 2xb
2 + c0 (xa
2 - xa
1) +
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 xa
1 xa
2 ]T , Y 1 = xb
2, 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xa
0 (t) , 设W = xa
0 (t) , 则控制
方程为
Xa= AX + GW
Y = CX
(2)
式中:
A =
0 0 - 1 - 1
0 0 1 0
- (k 2 + k r) ?m 1 - k1?m 1 - c0?m 1 c0?m 1
- (k 2 + k r) ?m 2 0 c0?m 2 - c0?m 2
96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
=
0
- 1
0
0
; C =
- (k 2 + k r) ?m 2 0 c0?m 2 - c0?m 2
0 k 1 0 0
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, yd 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e1 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e2 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) = f [y (k - 1) , ?, y (k - n) ,
u (k - 1) , ?, u (k - m ) ] (3)
式中: y (k) 为车身加速度在 k 时刻的值; u (k - 1)
为系统在 (k - 1) 时刻刚度控制值; y , u 为悬架系
统的输出和输入, 代表簧载质量质心处垂直振动
加速度 xb 和控制刚度; n, m 分别为时间序列
{y (k) }和{u (k) }的阶次; f [·]为非线性函数。
要使性能指标
J 1 = 1
2 [y (k + 1) - yd(k + 1) ]2 (4)
最小化, 则利用梯度下降法可得权值学习公式为
w ij (k + 1) = w ij (k) + $w ij (k) =
w ij (k) + K[y (k + 1) - yd(k + 1) ] ×
f ′[neti (k) ]w i (k) neti (k) (5)
式中: K为学习系数, 0< K≤1。
2) 神经网络控制器的设计。为了使悬架系统
输出信号, 需跟踪输入, 其控制器设计如下
u (k) = G [y (k) , y (k - 1) , ?, y (k - n + 1) ,
y r (k + d ) , u (k - 1) , ?, u (k - m + 1) ]
(6)
其性能指标函数为
J C = 1
2 [y 3 (k + 1) - yd(k + 1) ]2 (7)
式中: y 3 为期望输出; yd为估计输出。
经过学习后, 将yd逼近y , 则
J P = 1
2 [y 3 (k + 1) - y (k + 1) ]2 (8)
可由yd(k+ 1) 代替y (k+ 1) , 即性能指标由J C
代替, 神经网络控制器的权值调整公式用BP 算
法。神经网络控制器的结构如图4 所示。
图 4 半主动空气悬架神经网络控制器
u = f [∑
R
i= 1
w 1
iO 2
i ] (9)
w 1
i (k + 1) = w 1
i (k) + $w 1
i (k) 5 y (k + 1) ?5 u
(10)
其中对象的特性5 y (k+ 1) ?5 u 是未知的, 可以用
辨识器的信息, 由yd(k+ 1) 代替y (k+ 1) , 得
w 1
i (k + 1) = w 1
i (k) + $w 1
i (k) 5 y (k + 1) ?5 u
07 交通与计算机 2005 年第 2 期 第 23 卷(总第 123 期)
= w 1
i (k) + $w 1
i (k) ∑
R
i= 1
w if ′[neti (k) ]w ij (k)
(11)
综上所述, 可得如下半主动空气悬架控制系
统的神经网络自适应算法: ① 用 (- 0. 95, 0. 95)
间的随机值对神经网络的权值初始化; ② 采样得
到 y (k); ③ 计算误差信号 e1 (k ) , 调整NN I 的权
值, 计算估计输出yd(k); ④ 计算误差信号e2 (k) , 调
整NN C 的权值; ⑤用神经网络控制器产生控制信
号u (k); ⑥ 令k= k+ 1, 返回算法②。
3 仿真计算及结果分析
在M atlab6. 1+ Sim ulink + Too lBox 环境[2 ]
下进行仿真研究, 神经网络控制系统隐含层的激
活函数是 s 型函数, 输出层激活函数采用了线性
函数。神经网络辨识器的结构为4- 8- 1, 神经网
络控制的结构为5- 7- 1。悬架系统的采样时间序
列的阶次选取为2, 车身垂直加速度为悬架系统的
输出, 期望值y 3 = 0。由于所研究悬架振动频率范
围 主要集中在 20 H z 以下, 则采样时间间隔取
0. 01 s, 截止频率为50 H z。空气弹簧可调刚度的
范围为0～ 15 kN ?m。选取某奔驰车型, 其悬架结
构 参 数 为[3 ]: m 1 = 25 kg, m 2 = 330 kg, k 1 =
170 kN ?m , k 2= 13 kN ?m , c0= 1 000 N s?m。本研
究以车速为 v = 20 m ?s 行驶过C 级路面, 路面不
平度系数G x r (n0) = 256×10- 6m 2·m - 1, 路面激励
信号的方差 n0 = 0. 1[4 ], 模拟研究了被动悬架、神
经网络控制半主动空气悬架的车身加速度响应、
悬架动挠度响应、车轮动载荷响应。
图 5 被动悬架车身加速度
图 6 半主动空气悬架车身加速度
图 7 被动悬架的悬架动挠度
图 8 半主动空气悬架的悬架动挠度
图 9 被动悬架车轮动载荷
图 10 半主动空气悬架车轮动载荷
由图 5～ 10 可以看出, 神经网络控制半主动
空气悬架车身加速度变化比被动悬架有较大程度
的减小, 表明神经网络控制半主动悬架使车辆的
乘坐舒适性得到了较大改善。神经网络控制半主
动悬架的动挠度和车轮动载荷比被动悬架都有一
定程度的衰减, 表明神经网络控制半主动悬架改
善了车身稳定性和操纵稳定性。
4 结 论
采用神经网络自适应控制的变刚度半主动空
气悬架系统, 通过调节刚度达到了减小车身垂直
加速度, 悬架的动挠度和轮胎动载荷也得到了减
小, 提高了车辆的行驶平顺性和操纵稳定性, 神经
网络控制策略应用于变刚度半主动悬架的可行性
和有效性得到了验证。半主动空气悬架神经网络
控制的性能明显优于被动悬架。仿真研究为以后
变刚度半主动空气悬架神经网络控制的试验及实
际应用研究打下了基础。
17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
信息化项目风险管理策略的机理模型和应用分析
王 然 马智宏 衷爱东 杨 赞
(中国远洋运输(集团) 总公司 北京 100031)
摘 要 分析了风险管理的方法体系和关联模型, 从决策、实施和应用3 个阶段论述了信息化
项目生命周期全过程的风险特征, 在此基础上提出了二维矩阵的风险管理策略, 建立了反映风险
管理内在机理的实施策略模型, 并结合中远集团建设 IR IS22 和中远财务信息系统 (SA P) 项目的成
功实践, 应用研究成果, 进行了风险管理策略的案例分析。
关键词 信息化项目; 风险管理; 风险策略; 案例分析
中图分类号: TP391 文献标识码: B
Abstract: The paper analyzes the risk m anagem ent system and sets up its relative model.
Based on the decision, imp lem entation and app lication stage of IT p ro ject lifecycle, the paper
discusses its risk character and puts fo rw ard the two2dim ension2m atrix risk m anagem ent strategy.
Then, it p resents its m echanism model. F inally, acco rding to the successful imp lem entation
experience of two impo rtant IT p ro jects in CO SCO including IR IS22 and SA P, the paper carries
out the effective case app lication analysis of m echanism model fo r the risk m anagem ent of IT
p ro jects.
Key words: IT p ro ject; risk m anagem ent; risk strategy; case analysis
收稿日期: 2004212213
0 引 言
在信息化建设过程中, 项目风险是导致其延
迟、超预算和失败的一个重要原因。系统化建设的
思维方式和全面风险管理策略对项目管理至关重
要, 任何环节的纰漏都可能使其前功尽弃。因此,
树立风险意识, 关注项目风险, 掌握风险管理的知
识与技能, 从项目组织、职责、流程与制度上建立
一套风险管理机制是确保信息化项目成功的前提
与保障。
1 风险管理及其关联模型
风险是事先假想的一种由于设计方案或者管
理上存在漏洞时导致损失的可能, 是一种潜在的、
负面的东西, 处于未发生的状态。风险的构成包括
5 个方面: 起源、方式、途径、受体和后果。它们的
相互关系可表述为: 风险的一个或多个起源, 采用
一种或多种方式, 通过一种或多种途径, 侵害一个
或多个受体, 造成不良后果。因此, 完整的风险管
理应该包括风险识别、风险评估、风险控制3 个环
节[1 ], 并有着相互关联的意义和内涵。
1) 风险识别。风险识别是找出影响项目质
量、进度、投资等目标顺利实现的主要风险源, 是
风险管理的第 1 步, 常用的风险识别方法有专家
调查法、幕景分析法和故障树分析法等。进行风险
识别时, 风险管理者不仅要识别所发现或推测的
因素是否存在不确定性, 而且要确认这种不确定
性是客观存在的; 将识别的风险一一列出后, 就建
立了风险清单; 等一个项目的风险清单出来后, 该
风险才真正由不可预测升级为实际可控阶段。
2) 风险评估。风险评估的目的是要确定各种
已识别风险的级别, 进行排序和比较, 有利于按照
参考文献
1 刘惟信. 汽车设计. 北京: 清华大学出版社, 2001.
492～ 498
2 余 强, 魏 朗, 陈荫三. 主动悬架系统的连续模糊控
制. 汽车技术, 1999, 30(1): 9～ 12
3 周云山, 丁秀敏. 汽车电控系统理论与设计. 北京: 北
京理工大学出版社, 1999. 11
4 薛定宇, 陈阳泉. 基于MA TLAB?Sim ulink 的系统仿真
技术与应用. 北京: 清华大学出版社, 2002. 154～ 156
27 交通与计算机 2005 年第 2 期 第 23 卷(总第 123 期)
半主动空气悬架神经网络自适应控制的仿真研究.pdf
