基于神经网络的汽车半主动悬架控制器的设计
年第 期
深 圳 职 业 技 术 学 院 学 报
,
基于神经 网络的汽车半主动悬架控制器 的设计
毖卜 浩
深圳职业技术学院 汽车与交通学院 , 广东 深圳
摘 要 以 汽车半主动 惫架为研究对 象 , 建立 了汽车二 自由度 车体模型 , 提 出了一种汽车半主动惫架
的神经 网络控制方法 , 设计 了神经 网络拉制器 , 并利用 进行仿真 。 仿真结果表明 , 该神经 网络控制
器用于半主动悬架的车身加速度和车身重心 高度位移控制是行之有效的 。
关键词 半主动 悬架 神经 网络
中图分类号 开 文献标识码 文章编号 一 侧 一 一
二 自由度的 车体模型基本结构 。
封封封
‘
一习,。门一
图 半主动愚架控制模型
图中 , 中为簧载质量 为非簧载质量 为悬
架弹簧刚度 为轮胎刚度 变量 。 , , 和 分
别代表路面激励 、 非簧载质量及 簧载质量 的位移 。
以 为连续可调阻尼器阻尼力 , , 二 丸 一 名为
悬 挂质量与非悬挂质量 间的相对速度 , 为阻尼器
的阻尼系数 , 戈。 为路面干扰 , 则系统振动方程为
凡一
一 , ,一一
,︸凡“一
汽车悬架安装在车桥和车轮之间 , 用来吸收
汽车在高低不平 的路面上行驶所产生 的颠簸力 ,
它对汽车的操纵稳定性和 乘坐舒适性都有很大的
影响 。 根据悬架系统的工 作原理 不 同 , 汽车悬架
可分为被动悬架 详 、 半主动悬
架 一 那 及主 动悬架
伴 种 ’ 。 被动悬架属于机械式悬架 ,
由于阻尼参数不可任意选择和调节 , 减振性能不
好 , 限制了悬架性能的进一步提高 。 与传统的弹
簧阻尼 悬架 比较 , 主动悬架能提供优 良的减振性
能 , 但能耗大 , 设备复杂 , 安全性较差 。 而 半主
动悬架与主动悬架相 比 , 减振性能稍差 , 但 结构
简单 , 能耗小 , 易于控制 。 由于 半主动悬架的非
线性 , 以半主动悬架为对象的控制方法大部分以
模糊控制方法为主 , 也有神经 网络和模糊控制
方法结合的报道 , 但控制方法应 以简单实用为
宜 。 本文利用改进 的神经 网络控制方法对悬架系
统控制进行 了研究 。
系统模型的建立
由于现代汽车越来越多地采用独立悬架 , 因
此对半主动悬架系统的研究大都是针对二 自由度
汽车模型进行 的 , 它忽略 了车辆 的横 向振动
和前后 的俯仰振动 , 只 考虑车辆垂直方 向的振动 ,
这种分析方法简单且不失研究的重要性 。 图 是
卜 ,
, ‘ , , 、
十 , ·
式中 , 二 。
改进的神经 网络算法
标准 算法
设有一个标准 的 层 网络 , ‘为输入 本
收 日翔 一 一
作 , 介 邱浩 一 , 男 , 江苏扬州人 , 讲师 , 博士 , 主要研究方向为汽车电器产品的开发和故障诊断 。
第 期 邱 浩 基于神经 网络 的汽车半主动悬架控制器 的设计
‘为单元 的闽值 为输 出样本 界为期望输
出样本 冲为学习率 刀 为每一
层的输入 占为逆传播的误差 是网络的
作用 函数 。 我们选用 形 曲线 , 而 巩 是第 个单
元到第 单元联接的权系数 , 是 的
导数 , 正 向播时是从输入层一层一层地输出 , 上
一层 的输出作下一层的输入 。 于是有
提高学习率 , 不可 以减小陷入局 部最小点的概率 ,
相 当于模拟退火算法 。
, ‘, 。‘, 、,
卫止斋十 、
不
计算公式中网络输 出中的每一个参数 的偏导
“泞王 动 丫一 ‘ 一 吞
‘
正 向传播 叭 艺巩 · ‘ 十
乙 “
—一
学习过程 巩 巩 斤·
氏· ,
“矛乞 动
‘
不 ‘ 一 吞
不
矿 哪 , 认 , 入, 不
飒
兀舀牙 ,
叭几
不
八 毋 , ‘, 入, 不 ‘ 一 ‘ 丫一 吞
不 不, ‘ 一 石
、,了、尹、、产、产,白内︸︶、吸、、、了、
对于输 出节“ 药 仇一 分’
巨 ·
小 一 , “ ‘ 了
不
”于非输出节“ 弓 巨唯矾
对于 网络 , 其收敛过程存在着 个很大
的缺 陷 收敛速度慢和存在所谓 “ 局部最 小值 ”
问题 。 在学习过程中有时会发现 , 当学习反复进
行到一定次数后 , 虽然网络 的实际输出与 希望输
出还存在很大的误差 , 但无论再如何学习下 去 ,
网络全局 误差 的减小速度都变得十分缓慢 , 或者
根本不再变化 。 这种现象就是因网络收敛于局 部
极小点所致 。 网络全局误差 函数 是一个 以
函数为 自变量 的非线性函数 , 这就意味着 由 构
成 的连接权空间不是只有一个极小点的抛物面 ,
而 是 存在 多个 局 部极 小点 的超 曲面 。 因此 ,
网络 的收敛过程 , 很可 能在遇到局 部极小极值便
被 “ 冻结 ” 住 , 而无法最终收敛于全局最小点 ,
也就无法对学习模式准确记忆 。 导致 网络缺
陷的原因 , 是 由于 学习规则采用 了按误差 函
数梯度下 降的方 向进行收敛 。
改进 的 即 算法
基于标准 算法 的缺 陷 , 本文给出一种改
进 的 网络 。 经仿真证 明 , 此 网络在提高学习
速度和减小 陷入 局 部 最 小点方面有着较好 的改
进 。 将网络 的作用函数改写成 式 , 式中 ‘ ,
入分别表示神经元输 出范 围的上下 限 不表示神
经元 的节 点温度 。 , 和 入可 以加速其收敛速度 ,
偏导确定了 , 下一 步就是使误差项最小 。 对于
输出节点 , 误差是 由输出层每一 个神经 元 的输 出与
希望输出的差值得到的
氏一 , · , 仇一 动
氏, · 几, , 一 动
民 · , 仇一 斡
民 · 人仇一 乙
对于非输出节点
口
“ ‘ , ‘ 艺戊一 ,
氏
氏
氏
口
‘ 艺氏,
口
左艺民
石艺民
输 出层 和 中间层 的误 差 项 和 增 量 项 被 计 算 出
来 , 则输出层和 中间层 的神经元修正 为
△。‘ 从“ 氏“ ‘ , “ △。, 一
输 出层和 中间层之 间的连接权 以及 中间层和输
入层之 间的连接权可修正 为
△ 粉, “二 氏 , 双 , “ 二 △ 一
中间层和输 出层 的各神经 元 的上 层 、 下 层及温
深圳职业技术学院学报 第 卷
度修正 为
△ 场 氏‘ △ ‘ 一 ‘
叭 冲乙凡 乙叭 一
△不 铸么 △不 一
式中 专为学习率 为惯性系数 。 学习率
叮的大小影响学 习 的速度 , 而 惯性系数反映 了前
一 次学习对本次学习的影响 。
算法实现步骤如下
输入样本 和
求每个神经元 的 和
求 和 占
调整 。‘ , 巩 , ‘ , 几及 不,
重复 一 , 直到性能指标满足要求为
止
返 回 输入新的样本 。
神经网络控制器的设计
悬架系统的性能指标
评定一个悬架系统性能的好坏 , 不论是主动
或是半主动悬架系统 , 要求它能动态的改变阻尼
力 , 尽可能地削弱通过悬架传递到车体上 的路面
信号的大小 。 在本文 中 , 我们要用合适 的神经 网
络控制器 , 使半主动悬架的输出响应 尽量接近
参考模型 的响应 ‘ 。
根据汽车整车性能对悬架的要求 , 通常用 以
下 个参数来评价悬架 的优劣 , 即
车身垂直加速度 舒适性及行驶平顺性 ,
凡 。
车轮相对动载 安全性 , 一 。 。
悬架弹簧行程 , 即悬架动挠度 汽车重心
高度位移 , 凡 一 凡 。
在本文中 , 我们 的控制 目标主 要集中在车身
垂直加速度上 , 因为它直接影响汽车的舒适性及
行驶平顺性 。 因此 , 把参考模型的车身垂直加速
度作为实际模型 的参考值 , 控制系统原理 图如图
所示 。
神经 网络控制器的设计
由于具有单隐层 的 层 网络能逼近任意非
线性函数 , 因此设计的控制器采用 层 网络 ,
控制器每层节点数分别为 , , , 其中隐层神经
元的传递 函数和输 出层神经元传递函数取式 中
的 。 图 为控制器 网络 的具体结构 , 儿 为参考
模型的输出 “ 为神经 网络控制器 的输出 , 包括 凡 、
凡 为控制系统的输出 , ’
即振动加速度 丸 。
为了验证本控制器 的有效性 , 同时对车身加速
度和车身重心 高度位移进行仿真 。 儿 以被动悬架簧
载质量垂直方 向振动加速度信号乘以衰减因子的形
式给出 , 衰减 因子取为 。 车辆模型由式 给
出 。 控制器 的训练 由离线训练和在线训练组成 。 当
控制器通过本文 的算法完成离线训练后 , 代入
控制系统 。 与离线训练一样 , 根据控制误差 二 一为 ,
和 办 作为控制器 的输入信号来实时修正
控制器的参数 , 以适应对象特性的变化 。 路面激励
分别采用正 弦和有 限带宽 白噪声两种输入 来分
别对车身重心 高度位移和车身加速度进行仿真 。
,
仿真实例
采 用 某 车 型 的 模 型 参 数 , 二 ,
, , , 州 ,
。 假设车轮与地面时刻保持接触 , 且
以 通过 级路面 , 系统仿真步长为 ,
仿真对象为二 自由度 车体半主动悬 架 。
仿真 车身加速度仿真 。 输入信号为有限带
宽白噪声 , 取 中的 一
, 经积分后带入车辆模型 。 图 为使用本控制
器和不使用本控制器 的车身加速度均方根值仿真结
果 。 从图 可 以看出 , 经 过神经 网络控制器控制的
车身加速度明显低于另一个 , 即舒适性有大大改善 。
、 不使 用 神经 网 峪控 制韶
女蔽石毒石而石
犷,︼习彩极珊侧侧属
参参 考考考 车 辆辆
模模 型型型 模 型型
时间
图 控制 系统原理 图 图 车身加速度均方根值仿真结 果
第 期 邱 浩 基于神经 网络 的汽车半主动悬架控制器 的设计
仿真 输入信号为周期 , 振幅为 的
一个周期的正 弦信号 , 从 图 可 以看出 , 没有使
用神经 网络控制器 的悬架虽然车身重心 高度位移
随着时间在减小 , 但是减幅不大 。 经过神经 网络
控制器控制的车身重心高度位移 , 在 左右振幅
就衰减为 , 而且超调量小 , 大大改善了悬架的
舒适性 。
不使用 神 络控制器
。︸理骤
便用 神 经 网 峪控 制器
一 , 岔一寸一嘴 日
时间
图 车身重心 高度位移仿真结 果
参考文献
【 〕 张梅霞 , 陈思忠 汽车可控悬架发展综述 〔〕 北京汽
车 , 一
一 「」 仆 一
, 介 , , 一 ,
【 崔晓利 , 陈 龙 , 李德超 基于神经 网络的半主动悬
架 自适应模糊控制研究 「 交通与计算机 , ,
一
王 辉 , 朱思洪 半主动空气悬架神经 网络 自适应控
制的仿真研究【 中国机械工程 , ,
一
【 邱 浩 , 王道波 , 张焕春 基于神经 网络的飞控系统
传感器故障诊断的研究【 数据采集与处理 , ,
一
【 」 陈 翔 , 张林燕 汽车可控悬架及其控制策略的研 究
动态 〕 公路与汽运 , , 一
而 一
反为 初 加 , , , 万 , 口
五 而 一 一 一
而 一 ,
,
而 一
而 一
责任编辑 王璐
基于神经网络的汽车半主动悬架控制器的设计.pdf
