车辆悬架系统的神经网络控制算法

吴皓，刘淼

（201620 上海市 上海工程技术大学 机械与汽车工程学院）

0 引言

悬架是车架（或承载式车身）与车桥（或车轮）之间的一切传力连接装置的总称[1]，它的功用是把路面作用于车轮上的垂直反力（支撑力）、纵向反力（驱动力和制动力）和侧向反力以及这些反力所造成的力矩传递到车架（或承载式车身）上，以保证汽车的正常行驶。随着汽车行业的迅猛发展，悬架的结构形式也越来越丰富多样，但总的来说悬架系统都是由弹性元件、减震器、导向机构三大部分组成。王瑞[2]以车身加速度、悬架动挠度以及轮胎动载荷为车辆系统的评价指标，利用三维建模软件建立了悬架系统机械模型，结合仿真软件对其进行了仿真实验与分析；朱华[3]通过动力学模型研究半主动控制对车辆性能的改善；CROLLA和ABDEL-HADY[4]建立了悬架系统模型，将汽车的前轮数据作为反馈信号，研究不同车速下汽车前后轮的时滞性问题，实验证明半主动悬架的性能相比被动悬架性能更好。针对汽车悬架使用最优控制时评价指标难以客观选择加权系数的问题，武柏安[5]等提出了一种基于遗传算法的半主动悬架最优控制方法，结果显示，遗传算法确实能提高汽车的平顺性；KARNOOP 为汽车主动悬架的研发提供了一种有效的控制方法即架空方法，是在车辆的簧载质量上增加一个与绝对速度成正比的力而展开的研究方法；也有研究人员利用线性悬架模型在算点周围进行线性化，控制算法如LQG 和强度控制法从线性模型推导出来[6]。

由于汽车悬架固有的非线性特征，上述方法并不能很好地发挥半主动悬架的性能，为了改善汽车悬架系统的性能，科研人员尝试应用智能控制技术如模糊逻辑控制、神经网络控制及神经模糊控制技术等[7-8]。本文提出一种神经模糊适应性控制算法，并运用控制器控制悬架的振动，从而提高车辆的乘坐舒适性。

1 神经模糊适应性控制算法

神经模糊控制系统由再生神经网络与神经模糊网络组成，其具体如图1 所示。

图1 神经模糊控制系统结构图Fig.1 Neuro-fuzzy control system structure diagram

在网络中，

yd（t）——期望输出；

y（t）——系统的实际输出；

x1（t）——实际输出与预期输出间的误差；

x2（t）——实际输出与预期输出间的误差率。

神经模糊网络为适应性控制区，它在使用过程中具有学习与控制的能力，而再生神经网络的功能是确定车辆悬架模型的参数，所以在系统中只要给定x1（t）、x2（t）的数值，神经模糊控制器（如图2所示）就会按照一定的运行规则产生信号u（t）。例如，若x1（t）视为Xi，x2（t）视为Yi，那么u（t）即为Zi，其中的Xi、Yi、Zi均为模糊子集，L1、L2、L3为神经网络控制系统的系数，语句变量全集各自定义为

图2 神经模糊控制器示意图Fig.2 Schematic diagram of neuro-fuzzy controller

神经模糊控制器由4 个部分构成，其第1 层与第2 层类似于模糊语句的if 部分，第3 层是界面，最后一层是语句的then 部分，集合分别分为7 个子集，模糊集合按照一定的规则组成，在本文的研究中定义为如式（4）的函数。神经网络控制器的算法是基于梯度向下并通过误差信号传递的，利用误差传回算法能够有效地将成本函数降低到最小值，从而实现接触重量的改善。

2 再生神经网络悬架模型算法

再生神经网络处于隐藏层，它实际上是一个3层神经网络（含有局域反馈环），它会通过学习周围的环境，同时调整施加在自身身上的重量来改善自身的性能，其结构图如图3 所示。

图3 神经网络模型图Fig.3 Neural network model diagram

图3 中：I1(t)、I2(t)——输入信号；（t）——隐藏层的神经元输出；Sj(t)——隐藏层内神经元发生反应的的中输出。所以有式（5）—式（7），而隐藏层内神经元的激活函数为S形曲线函数。

其中：wijI，wjo，wjD——再生神经网络的重量；Xj（t）——神经元的输出P、q——输入神经元数量及反馈神经元数量

其目标函数可以根据误差信号函数定义为:

式中：e（t）——误差信号；E（t）——瞬态值。

对重量调整是连续与逐步的，直至系统到达稳定的状态。

将E（t）对重量矢量w求导可得：

对式（1）—式（3）分别求偏导后进行分析，得到再生公式：

计算出接触调整后，接触重量的校正值：

式中：η——斜率。

为求得斜率，需要对算法进行收敛性分析。根据式（8）、式（9）调整重量矢量参数w，建立函数如下：

由函数可知，其变量为ΔV（t），对其多次迭代后被确定下来。

根据它们的误差信号，e（t）可表示为

而多次迭代后可知，ΔV（t）＜0，即再生训练算法是收敛的。

3 实验结果与分析

为了证明本文提出的神经控制算法的有效性，制作了一辆带有磁流变液减振器的试验用车辆悬架，悬架由一个微处理器、多个加速传感器、多个减震器与一个12 V 的可控电流电源组成。将处理器分别装在有簧支持的质量体与无簧支持的质量体上，在车辆行驶时通过传感器接收来自悬架的振动信号，然后依据信号的振动与控制方案，车辆上的处理器通过控制磁流变减震器信号，控制悬架的阻尼。另外，通过控制阻尼道里的磁流变液的流动性，可以让减震器中的线圈产生磁场，从而改变车辆悬架的压缩性与阻尼器的阻尼力。

将载有基于神经网络控制的车辆主动悬架的车辆和安装常规被动悬架系统的车辆分别以30，40，50 km/h 的速度行驶在相同的路面（D 级路面）上，进行各种条件测试。表1 所列测试结果显示，采用基于神经网络控制的车辆主动悬架的车辆比安装常规被动悬架系统的车辆更能有效减轻振动能量的频谱密度。

表1 微车悬架道路试验结果（D 级路面）Tab.1 Road test results of micro-vehicle suspension(D-grade road surface)

图4 是车辆上安装基于神经网络控制的车辆主动悬架与安装常规被动悬架系统的车辆的振动能量频谱密度对比图。

图4 悬架的振动能量频谱密度图Fig.4 Spectral density diagram of vibration energy of suspension

从图4 可见，利用本文提出的神经网络控制可以改善车辆的悬架性能，尤其是在谐振峰上表现良好。

如果应用模糊控制理论改善减振器和悬架设计，具备神经网络控制的主动悬架系统将大大改善汽车驾乘人员的乘坐舒适性和驾驶员的操作稳定性，有效减少汽车在行驶过程中产生的打滑现象。

4 结论

为了提高车辆悬架系统的性能，本文提出了一种算法，为了验证该算法的有效性，制作了一辆带减振器的试验用车辆悬架，将载有基于神经网络控制的车辆主动悬架的车辆和安装常规被动悬架系统的车辆以不同的速度行驶在相同的路面上进行测试。实验结果表明，安装再生神经网络和运用神经模糊控制方法的车辆以不同速度行驶时，可以有效改善减震性能，从而大大提高驾乘人员的驾驶舒适性。此外本研究存在一定的局限性，本文使用的控制算法、结构设计、仿真试验等都局限于车辆悬架系统的特定参数，如果研究者在此基础上继续研究，并将这些数据合理改变运用到其他车型的悬架系统中，且继续进行建模、仿真甚至实车实验，本文提出的神经网络控制算法是否还能继续提高驾乘人员的乘坐舒适性则有待论证。