神经网络自适应模糊控制在汽车半主动悬架中的应用
神 经 网 络 自 适 应 模 糊 控 制 在 汽 车 半 主 动 悬 架 中 的 应 用
洪家娣 , 沈晓玲
(华东交通大学 , 南昌 330013 )
摘 要 : 提出了一种神经网络自适应模糊控制的方法 ,用来调整汽车半主动悬架可调阻尼器的阻尼值 ,从而通过
改变阻尼力来达到改善悬架振动特性的目的 。仿真结果证明 ,该方法对车身垂直振动加速度有明显的改善作
用 ,对汽车 、拖拉机等的稳定性都具有指导意义 。
关键词 : 半主动悬架 ;模糊控制 ;可调阻尼系数
中图分类号 : U463. 32 文献标识码 : A 文章编号 : 1003 - 188X (2008) 07 - 0032 - 04
0 引言
根据现代汽车对悬架提出的各种性能要求 ,悬架
的结构形式和减振控制方法在不断地更新和完善 。
到目前为止 ,对悬架系统的研究已由传统的被动悬架
发展到主动悬架和半主动悬架系统。与被动悬架和
主动悬架相比较 ,半主动悬架结构简单、不耗能且能
改善车辆行驶的平顺性 ,具有极其广泛的应用前景 。
笔者在目前研究的模糊控制的半主动悬架的基础上 ,
提出了一种神经网络自适应模糊控制的方法 ,用来调
整汽车半主动悬架可调阻尼器的阻尼值 ,从而通过改
变阻尼力来达到改善悬架振动特性的目的。
1 半主动悬架模型
图 1是 1 /4半主动悬架模型 ,它与被动悬架基本
相同 ,只是半主动悬架的阻尼是可调的 , 因而两种模
型的微分方程是一样的 , 变化的只是被动悬架的方程
中阻尼值是常量 ,而半主动悬架模型的方程中阻尼值
是变量 (包括 C0 和 Cr 两部分 : C0 为基值阻尼 , Cr 为可
调阻尼 ) 。
其总的阻尼力
Fr = C0 ( Z
·
2 - Z
·
1 ) + Cr ( Z
·
2 - Z
·
1 )
其可变的阻尼力为
u = Cr ( Z
·
2 - Z
·
1 )
本文将以车身垂直振动加速度作为评价悬架性
能的主要指标 , 考虑到车辆的操纵稳定性 , 同时将车
收稿日期 : 2007 - 09 - 20
基金项目 : 江西省自然科学基金资助项目 (0412029)
作者简介 : 洪家娣 (1949 - )女 ,上海人 ,教授 , ( E - mail) hongjd@ ecj2
tu. jx. cn。
轮的动载荷以及悬架系统的动挠度作为综合评价指
标 ,以评定悬架控制策略的效果。
M 2. 簧载质量 M 1. 非簧载质量
Ks. 悬架弹簧刚度 Kt. 轮胎刚度
C. 阻尼器阻尼系数 Z0. 路面不平度
Z1. 簧载质量位移 Z2. 非簧载质量位移
图 1 1 /4半主动悬架模型
2 神经网络自适应模糊控制系统
本文建立的神经网络自适应模糊控制的系统结
构如图 2所示。该结构采用了一种新的混合训练算
法以达到优化网络的目的。训练首先由遗传学习算
法进行寻优 ,将搜索范围缩小之后 ,再利用 BP网络来
寻优 ,以便离线优化 RBF神经网络辨识器和 ANFIS模
糊神经网络控制器各网络的相应参数。
考虑到测试的可实现性 ,参考输入选取理想的簧
载质量加速度 Z
··
20 , 测试的变量选簧载质量加速度响
应值 Z
··
2 。而误差 e = Z
··
2 - Z
··
20及误差的变化率 e· =
e( t + 1) - e( t)
△t 为模糊控制器的两个输入变量 , 记为 e
和 e·,输出量为 U,用来调整半主动悬架可调阻尼器的
·23·
2008年 7月 农 机 化 研 究 第 7期
阻尼值 ,从而通过改变减振器阻尼力来达到改善悬架 振动特性的目的。
图 2 神经网络自适应模糊控制系统结构
2. 1 模糊神经网络控制器 (ANFIS)的结构
模糊神经网络控制器取为二输入单输出的二维
结构如图 3所示 ,其 2个输入分别为误差和误差变化
率即 X = [ E, E
·
], 输出为控制信号 u。对正规化的输
入、输出 (即两个输入量 E和 E
·
, 输出量 u) , 采用 7个
模糊集合表示它们各自的模糊状态 {负大 , 负中 , 负
小 ,零 ,正小 ,正中 ,正大 }即 {NB , NM , NS, ZE, PS, PM ,
PB} ,设定其相应的语言变量 ,各语言变量的隶属度函
数全部取为满足正态分布的高斯形函数 ,去模糊化方
法采用重心法。为了进行模糊化处理 ,必须将输入变
量从基本论域转换到相应的模糊集论域 ,从而引出量
化因子 Ke 和 Kec的概念。而经模糊控制算法给出的控
制量 u (精确量 ) , 还不能直接控制对象 , 须将其转换
到为控制对象所能接受的基本论域中去 , 所以又引出
控制量的比例因子 Ku 。规范化的过程即论域变化的
过程 ,实际变量 e和 e·, 输出量为 U, 与规范化的变量
E, E
·
和 u有如下关系 ,即 E = e
Ke
, E
·
= e·
Kec
, U = uKu 。
图 3 模糊神经网络控制器结构
在模糊神经网络中 ,各层输入输出映射关系如下
所述 。
1) 第一层 :输入层。有
net1
j = x1
j = xj
y1
j = f1
j ( net1
j ) = net1
j
2) 第二层 :模糊化层。有
net2
ij = -
( x2
i - cij ) 2
b2
ij
y2
ij = f2
ij ( net2
ij ) = exp ( net2
ij )
式中 cij , bij —分别表示高斯隶属度函数的中心
和宽度 (均值和方差 ) 。
3) 第三层 :模糊推理层。有
net3
j = ∏
2
i
x3
i
y3
j = f3
j ( net3
j ) = net3
j
4) 第四层 :归一化层。有
net4
j = x4
i
y4
j = f4
j ( net4
j ) = x4
i
∑
49
i = 1
x4
i
5) 第五层 :反模糊化层。有
net5
j = x5
i
y5
j = f5
j ( net5
j ) = ∑
49
i = 1
w i x5
i
上面的式中 xi
j 和 yi
j 分别表示第 i层的第 j个节点
的输入和输出量。
本文的模糊控制器的算法采用混合算法 , 该算法
集合了其它算法的优点 , 寻优性能大大提高。网络的
训练过程主要分为两个步骤 :一是采用遗传算法粗略
地优化网络的初始权重和隶属度函数参数 ;二是利用
误差反向传播的算法 (简称 BP算法 )进一步精确地优
·33·
2008年 7月 农 机 化 研 究 第 7期
化网络权重和隶属度函数参数。
2. 2 RB F神经网络辨识器的设计
RBF神经网络辨识器结构 ,如图 4所示。RBF神
经网络辨识器是一种单隐层的 3层前向网络 ,与多层
前向网络相比 ,它采用的是局部函数 ,在局部能起泛
化作用 ,而多层前向网络采用的函数是全局性的 ,学
习时相互影响大 。因此 ,这种 RBF神经网络可以大大
加快学习的速度 。
图 4 RBF神经网络辨识器结构
其中输入量 X = [ u, u_1, y _1, y _2 ], hj 为高斯基
函数 ,即
hj = exp - ‖xi - cj ‖2
2b2
j
式中 cj —网络节点 j的中心矢量;
bj —网络节点 j的基宽矢量。
网络的权向量为 W = [w1 , w2 , ? ? , w j, ? ? ,
wm ],辨识器的输出为
yM ( t) = ∑
m
j = 1
w j hj
辨识器的性能指标函数为
J2 = 1
2 [ y ( t) - yM ( t) ]2
根据最速梯度算法 , t时刻后的输出权值、节点中
心及节点基宽的调整公式如下
w i ( t + 1) =w i ( t) -η2
9Jc2
9w i ( t) +α2 △w i ( t)
cj ( t + 1) = cj ( t) -η2
9Jc2
9cj ( t) +α2 △cj ( t)
bj ( t + 1) = bj ( t) -η2
9Jc2
9bj ( t) +α2 △bj ( t)
式中 η2 —学习率;
α2 —动量因子。
Jacobian算法为
9y ( t)
9U ( t)≈ 9ym ( t)
9U ( t) = ∑
m
j = 1
w j hj
cji - x1
b2
j
RBF神经网络辨识器在整个控制系统中主要是
在线辨识动态悬架系统模型并为控制器的修正提供
实时 jacobian量。其事先也需要离线训练 , 训练的方
法与前面训练模糊神经网络控制器方法一样。
3 仿真验证
根据上述提出的神经网络自适应模糊控制方法 ,
通过 Matlab和 Simulink对建立的 1 /4 车二自由度的
半主动悬架进行了仿真研究 。本文采用的车型为江
铃的某种货车 ,各参数如表 1 所示。设汽车以 v =
20m / s驶过 B 级路面来进行仿真 。最后得到的仿真
结果比较如表 2所示。
表 1 某种轻型货车被动悬架参数数值表
簧载质量
M 2 /kg
非簧载质量
M 1 /kg
弹簧刚度 Ks/
kN·m - 1
轮胎刚度 Kt/
kN·m - 1
阻尼器系数 C /
N·s·m - 1
445 78 85. 9 610 4500
表 2 仿真结果比较
加速度
最大值 /m·s- 2
加速度
标准差 /m·s- 2
动挠度
最大值 /m
动挠度
标准差 /m
动载荷
最大值 /N
动载荷
标准差 /N
被动悬架 6. 125 2. 100 0. 0138 0. 0056 4760. 2 1515. 1
模糊控制
半主动悬架
5. 618 1. 791 0. 0156 0. 0061 5257. 8 1603. 8
性能改善 /% 8. 3 14. 7 - 13. 0 - 8. 9 - 10. 5 - 5. 9
神经网络自适应
模糊控制半主动
2. 761 0. 749 0. 0172 0. 0065 4905. 3 1544. 2
性能改善 /% 54. 9 64. 3 - 24. 6 - 16. 1 - 3. 0 - 1. 9
从表 2的数据可以清楚地看出模糊控制和本文 提出的神经网络自适应模糊控制的半主动悬架获得
·43·
2008年 7月 农 机 化 研 究 第 7期
的加速度性能指标都要优于被动悬架 ,而神经网络自
适应模糊控制的加速度性能指标又要明显地优于模
糊控制 。虽然在悬架动挠度和轮胎动载荷这两个性
能指标上有所增大但幅度不大 ,这也说明了本文提出
的方法能更好地利用悬架的工作空间 ,在保证安全性
的同时 ,能够大幅度地减小车身的加速度 ,满足了人
们对舒适性的要求。
参考文献 :
[ 1 ] 喻 凡 ,林 逸. 汽车系统动力学 [M ]. 北京 :机械工业
出版社 , 2005.
[ 2 ] 方锡邦 ,陈无畏. 模糊控制技术及其在汽车半主动悬架
中的应用 [ J ]. 机械工程学报 , 1999, 35 (3) : 98 - 100.
[ 3 ] 容一鸣 ,阳 杰. 汽车半主动悬架的神经网络控制及仿
真 [ J ]. 武汉理工大学学报 , 2003, 25 (1) : 65 - 67.
[ 4 ] 王 涛. 汽车半主动悬架神经网络自适应模糊控制的研
究 [D ]. 上海 :华东交通大学 , 2006.
Application of Neural - network Adaptive Fuzzy Control in Car
Sem i - active Suspension
HONG Jia - di, SHEN Xiao - ling
( East Central Jiaotong University, Nanchang 330013, China)
Abstract: The method of neural - network adaptive fuzzy control was brought forward in this paper to adjust damper coef2
ficient of adjustable damper on the sem i - active suspension. The simulation results indicated that the method may reduce
vertical acceleration of automobile’s body. It can increase stability of the automobile.
Key words: sem i - active suspension; fuzzy control adjustable damper coefficient
(上接第 31页 )
[ 3 ] 国家统计局北京调查总队. 北京市设施农业稳步发展
[ EB /OL ]. 2007 - 08 - 20. http: / /www. bjnw. gov. cn /.
[ 4 ] 北京市农村工作委员会. 关于发展设施农业的意见 [ EB /
OL ]. 2007 - 08 - 20. http: / /www. bjnw. gov. cn /.
[ 5 ] 丁为民.园艺机械化 [M ].北京 :中国农业出版社 , 2001: 2.
[ 6 ] 沈嘉胜. 蔬菜机械推广影响因素的调查与探析 [ J ]. 浙江
农村机电 , 2001 (1) : 23 - 25.
[ 7 ] 熊 波. 唐 朝. 北京市农机社会化服务体系建设现状
与思考 [ J ]. 北京农业 , 2007 (18) : 58 - 60.
[ 8 ] 陈树林. 发展设施农业机械 促进蔬菜产业增产增效 [ J ].
山东农机化 , 2004 (6) : 6.
Abstract ID :1003 - 188X( 2008) 07 - 0029 - EA
Analysis of Effect Factors on Application of Facility Agricultural
Machinery in Beijing
ZOU Lan, ZHUO Jie - qiang, YANG Ren - quan, CHENG Cun - ren
(Beijing AgriculturalMachinery Institute,Beijing 100096, China)
Abstract: Facility Agriculture is primary form of urban - typed modern agriculture which is the leading development di2
rection of agriculture in Beijing. On the foundation of construing the status on facility agriculture and application of facili2
ty agricultural machinery in Beijing, this article proposed the five effect factors on application of facility agricultural ma2
chinery in Beijing, including the technology development level of facility agricultural machinery, farmer’s purchasing
power, policies orientation, the knowledge level of machinery users, the development degree of socialized service organi2
zation of agriculturalmachinery and so on. In conclusion the implement measures of application system construction of fa2
cility agricultural machinery were put forward by author.
Key words: facility agriculture; facility agricultural machinery; application; factor
·53·
2008年 7月 农 机 化 研 究 第 7期
神经网络自适应模糊控制在汽车半主动悬架中的应用.pdf
