时滞半主动悬架大系统递阶控制研究

建立了含时滞半主动悬架整车数学模型,解决了传统半主动悬架整车模型无法考虑时滞的难题;设计了模糊神经网络自适应子控制策略及大系统递阶协调控制策略,开发了以ARM单片机为核心元件的半主动悬架控制器。在仿真的基础上进行了实车道路试验,结果表明,模糊神经网络自适应子系统控制器改善了车辆的局部性能,递阶控制协调了车辆的整体性能,调整了车辆行驶姿态,二者联合控制,提高了半主动悬架控制的有效性、实时性,协调了车辆安全性与平顺性之间的矛盾。研究结果为整车半主动悬架系统时滞及其控制研究提供了新的方法。     

基于神经网络的半主动悬架自适应模糊控制研究

在建立了五自由度车辆半主动悬架系统模型的基础上，将神经网络与模糊控制结合起来，提出一种基于神经网络的自适应模糊控制半主动悬架系统，其控制器由模糊神经网络控制器和模糊网络组成，采用快速的变斜率梯度下降算法学习，具有自适应学习功能。仿真计算表明，与被动悬架相比，神经网络自适应模糊控制性能明显优于一般的Fuzzy控制，半主动悬架系统在减小振动，提高车辆平顺性方面优于被动悬架，且车轮动载荷和悬架动挠度也得到明显改善。台架试验同样表明了半主动悬架的优良减振性能。     

汽车半主动悬架的非线性神经网络自适应控制研究*

分析了汽车悬架的非线性特性,提出了基于神经网络的自适应控制策略,设计了神经辨识器和控制器,并通过一个补偿网络,来进行后悬架的预见控制。仿真计算表明,神经网络自适应控制的半主动悬架具有明显的减振效果,而加有后悬架预见控制其效果更佳。为验证仿真结果,还进行了台架试验。试验结果亦表明了半主动悬架的优良减振性能。     

基于多体模型的汽车半主动悬架控制方法研究

针对半主动悬架控制中的两个重要问题——系统模型的建立和控制策略的确定进行了深入的研究,建立了汽车的多体动力学方程,提出了半主动悬架模糊神经网络控制方法,设计了控制系统,应用遗传算法优化了控制器的参数和结构,用基于变尺度的BFGS算法优化神经网络权值,在仿真研究的基础上进行了试验研究,结果表明提出的方法能明显改善悬架性能。     

悬架不确定性的滑模半主动控制分析

在电流变液特性试验的基础上,提出基于电流变阻尼悬架的滑模半主动控制。依据滑模控制理论,采用极点配置法确定滑模切换面参数,应用比例切换的控制方法和等速趋近率确定控制律并改善滑模运动的动态品质,同时采用RBF神经网络算法优化滑模控制效果。针对悬架质量参数和车速不确定性,运用MATLAB/SIMULINK进行了悬架半主动控制的建模和仿真分析。仿真结果显示,与被动悬架相比基于RBF神经网络的滑模半主动控制能有效改善悬架性能,对于悬架的不确定性有较好的自适应性。     

含时滞半主动悬架及其控制系统

建立了含时滞的半主动悬架的数学模型,提出了含时滞的半主动悬架临界时滞求取的理论分析及计算方法, 并设计了可调阻尼减振器及半主动悬架控制系统。在仿真计算基础上,进行了半主动悬架系统1／4模型台架试验, 分析了时滞对半主动悬架及其控制动态特性的影响,计算和试验结果基本吻合,为半主动悬架系统失稳机理及稳定性控制研究奠定了基础。     

汽车磁流变半主动悬架混合天棚控制仿真

设计开发有效的控制策略是实现半主动悬架功能的关键。在分别对天棚控制和地棚控制半主动悬架的工作域分析的基础上,兼顾天棚控制和地棚控制各自优点,提出并设计了一种混合天棚半主动悬架控制算法,建立了汽车半主动悬架系统动力学模型,进行了磁流变减振器的力学试验建模,开展了磁流变半主动悬架的混合天棚控制仿真分析。结果表明,相对于被动悬架,混合天棚控制半主动悬架的簧载质量加速度降低了9.4%,悬架动挠度降低了20%,轮胎动载荷降低了3.2%。混合天棚控制半主动悬架不仅能够降低簧载质量加速度,同时明显减小了悬架动挠度和轮胎动载荷,提高了汽车的平顺性和操纵稳定性。     

车辆半主动悬架神经网络控制研究

建立了车辆半主动悬架的1／4车辆模型，研究中主要以车身垂直加速度为主要控制目标。在仿真研究阶段，以白噪声、正弦渡和锯齿波为路面激励；与被动悬架进行对比分析了车身加速度、悬架动挠度、车轮动载荷三项指标，通过对振动响应量的均方根值分析，可以得出半主动悬架优于被动悬架，其中神经网络控制效果最好，表明神经网络自适应控制策略应用于丰主动悬架控制是可行的和有效的。     

基于模糊动态模型的半主动悬架控制系统设计及稳定性分析

在可调减振器性能试验的基础上,建立1/4悬架模糊动态模型,提出一种基于模糊动态模型的半主动悬架控制系统及稳定性分析方法.利用Lyapunov稳定性定理,分析每个模糊子空间闭环系统的稳定性,根据每个模糊子系统稳定性条件,给出模糊控制系统全局稳定的充分条件.以半主动悬架系统仿真计算为基础,开发出以80C51单片机为核心的控制器,研制1/4车辆半主动悬架1:1台架试验系统,并进行台架试验.计算和试验结果基本吻合,基于模糊动态模型的半主动悬架控制系统稳定、有效,为半主动悬架系统的失稳机理及稳定性控制进一步研究奠定了基础.     

半主动空气悬架自适应小波消噪与试验

为了消除半主动空气悬架系统因非线性、参数时变性及模型的不确定性带来的噪声干扰,研究了半主动空气悬架小波消噪的工作机理,设计了半主动空气悬架的小波消噪神经元自适应控制器,建立了基于小波降噪的半主动空气悬架的动力学模型。在仿真的基础上,进行了台架试验研究,分析了小波降噪的有效性。结果表明,基于小波消噪的神经元自适应控制的半主动空气悬架,改善了车辆质心加速度及俯仰角加速度,提高了整车综合性能。     

基于磁流变减振器的汽车半主动悬架非线性控制方法

考虑磁流变减振器阻尼力和悬架弹性元件非线性特性,建立车辆半主动悬架非线性动力学模型。应用微分几何非线性控制,经过适当的非线性状态和反馈变换,实现半主动悬架非线性系统的精确线性化,并对系统实施非线性状态反馈控制;根据预定的控制目标及模糊控制策略调节控制参数,设计模糊控制器,对悬架系统进行了控制仿真研究;利用神经网络模式识别能力对输入数据处理辨别,设计控制网络层,从而达到提高悬架工作性能,改善汽车行驶舒适性的目的。将三种非线性控制方法的仿真结果进行分析比较表明:经模糊控制或神经网络控制后的悬架承受的冲击响应小、振动强度低,比微分几何控制能获得更优异的性能。     

汽车半主动悬架系统神经网络模型研究

基于磁流变减振器的汽车悬架系统具有明显的滞后非线性,系统中的非线性阻尼和非线性刚度等对其动力学行为产生了很大的影响。本文利用系统识别理论建立了磁流变减振器的神经网络模型,该模型可根据半主动悬架系统的控制力求得控制电流,具有良好的辩识能力。     

某越野汽车磁流变半主动悬架变论域模糊控制

为了解决半主动悬架传统变论域模糊控制器过度依赖经验规则的问题,提出了一种基于模糊神经网络的变论域T-S模糊控制策略。首先,根据磁流变减振器阻尼特性的实验结果,建立基于自适应模糊神经网络的减振器阻尼力模型及1/2车辆半主动悬架动力学模型;其次,建立悬架系统T-S模糊控制器,同时为了实时调节T-S模糊控制器变量的论域,采用模糊神经网络结构描述伸缩因子的变化。仿真结果表明,笔者提出的变论域模糊控制策略能够有效提高车辆行驶平顺性和操作稳定性。     

Intelligent semi-active vibration control of eleven degrees of freedom suspension system using magnetorheological dampers

A novel intelligent semi-active control system for an eleven degrees of freedom passenger car’s suspension system using magnetorheological (MR) damper with neuro-fuzzy (NF) control strategy to enhance desired suspension performance is proposed. In comparison with earlier studies, an improvement in problem modeling is made. The proposed method consists of two parts: a fuzzy control strategy to establish an efficient controller to improve ride comfort and road handling (RCH) and an inverse mapping model to estimate the force needed for a semi-active damper. The fuzzy logic rules are extracted based on Sugeno inference engine. The inverse mapping model is based on an artificial neural network and incorporated into the fuzzy controller to enhance RCH. To verify the performance of the NF controller (NFC), comparisons with existing semi-active techniques are made. The typical control strategy are linear quadratic regulator (LQR) and linear quadratic Gaussian (LQG) controllers with clipped optimal control algorithm, while inherent time-delay and non-linear properties of MR damper lie in these strategies. Simulation results demonstrated that the NFC has better control performance and less control effort than the optimal in improving the service life of the suspension system and the ride comfort of a car.     

Semi-active vibration control of an eleven degrees of freedom suspension system using neuro inverse model of magnetorheological dampers

A semi-active controller-based neural network for a suspension system with magnetorheological (MR) dampers is presented and evaluated. An inverse neural network model (NIMR) is constructed to replicate the inverse dynamics of the MR damper. The typical control strategies are linear quadratic regulator (LQR) and linear quadratic gaussian (LQG) controllers with a clipped optimal control algorithm, while inherent time-delay and non-linear properties of MR damper lie in these strategies. LQR part of LQG controller is also designed to produce the optimal control force. The LQG controller and the NIMR models are linked to control the system. The effectiveness of the NIMR is illustrated and verified using simulated responses of a full-car model. The results demonstrate that by using the NIMR model, the MR damper force can be commanded to follow closely the desirable optimal control force. The results also show that the control system is effective and achieves better performance and less control effort than the optimal in improving the service life of the suspension system and the ride comfort of a car.