淺析人工神經(jīng)網(wǎng)絡(luò)理論在智能車輛中的應(yīng)用

趙娥++張學軍

文章編號：2095-6835（2016）17-0117-01

摘 要：人工神經(jīng)網(wǎng)絡(luò)是一門新興理論，近年來，其在智能車輛中得到了廣泛應(yīng)用。分析了人工神經(jīng)網(wǎng)絡(luò)的由來及其在智能車輛領(lǐng)域的研究動態(tài)，探討了人工神經(jīng)網(wǎng)絡(luò)在智能車輛中的具體應(yīng)用，指出了今后人工神經(jīng)網(wǎng)絡(luò)在智能車輛中的發(fā)展方向。

關(guān)鍵詞：車輛工程；智能控制；人工神經(jīng)網(wǎng)絡(luò)；運動模態(tài)

中圖分類號：TP273.5 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.17.117

人工神經(jīng)網(wǎng)絡(luò)是一種是使用大量簡單相連的人工神經(jīng)元來模擬人類大腦的一階特性的并行分布計算系統(tǒng)，可以通過電子線路或計算機程序?qū)崿F(xiàn)。近年來，該理論在智能車輛中得到了廣泛應(yīng)用。本文對人工神經(jīng)網(wǎng)絡(luò)的由來及其在智能車輛領(lǐng)域的研究動態(tài)進行了探討。

1 人工神經(jīng)網(wǎng)絡(luò)的由來

人工神經(jīng)網(wǎng)絡(luò)理論起源于20世紀50年代，它可以反映人類大腦功能的多個基本特性。作為一種并行分布式處理系統(tǒng)，可以接近任意非線性函數(shù)，具有自動知識獲得、聯(lián)想記憶、自適應(yīng)性、良好的容錯性和推廣能力。基于人工神經(jīng)網(wǎng)絡(luò)的特性，在處理車輛工程中的非線性辨識、非線性智能控制等問題受到了人們的廣泛關(guān)注。隨著智能車輛的飛速發(fā)展，為了滿足無人駕駛技術(shù)、智能懸架控制技術(shù)的發(fā)展需求，人工神經(jīng)網(wǎng)絡(luò)在車輛工程中的應(yīng)用也日新月異。

2 人工神經(jīng)網(wǎng)絡(luò)在智能車輛中的應(yīng)用

2.1 神經(jīng)網(wǎng)絡(luò)辨識器

四輪車輛的車身具有3個運動模態(tài)，分別為垂向運動模態(tài)、側(cè)傾運動模態(tài)及俯仰運動模態(tài)。這些運動模態(tài)的時域辨識能使懸架系統(tǒng)，特別是主動懸架系統(tǒng)面向主要運動模態(tài)。運用適當?shù)目刂撇呗钥商岣邞壹艿男阅埽覂H需消耗較少的能量。近年來，運動模態(tài)能量方法被用來辨識車身的運動模態(tài)。然而，這種方法需要測量整車狀態(tài)及路面輸入，這在現(xiàn)實中很難做到。曾有人提出了一種使用神經(jīng)網(wǎng)絡(luò)辨識車輛運動模態(tài)的方法，即通過一個10自由度整車動力學模型的各種激勵輸入，驗證了被訓練的神經(jīng)網(wǎng)絡(luò)的有效性。

2.2 神經(jīng)網(wǎng)絡(luò)與模糊控制的結(jié)合

自1965年Zadeh提出模糊集合論以來，模糊控制無論是在理論方面，還是在應(yīng)用方面都有較快的發(fā)展。目前，將兩種或多種控制方法相結(jié)合的復(fù)合控制方法往往能起到更好的控制效果。其中，由于模糊控制與神經(jīng)網(wǎng)絡(luò)存在互補性，所以，其成為了復(fù)合控制的研究熱點。

以往，有人建立了1/4車輛懸架模型，提出了車輛半主動懸架系統(tǒng)模糊控制器。為了調(diào)節(jié)阻尼系數(shù)值，利用Matlab工具箱建立了車輛半主動懸架及模糊控制器仿真模型；有人曾提出了一種適用于駕駛員座椅的新型神經(jīng)模糊控制器，采用了遺傳算法獲得最優(yōu)模糊系統(tǒng)，并以3自由度車輛座椅模型為研究對象，在不同路況激勵下進行了仿真。仿真結(jié)果表明，神經(jīng)模糊控制器具有較好的控制性能，能提高駕駛員的乘坐舒適性。

2.3 神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)PID控制的結(jié)合

PID控制器（比例-積分-微分控制器）是一個在工業(yè)控制應(yīng)用中常見的反饋回路部件，由比例單元、積分單元和微分單元組成。PID控制器簡單易懂，使用中不需精確的系統(tǒng)模型等先決條件，因此，成為了應(yīng)用最為廣泛的控制器。近年來，神經(jīng)網(wǎng)絡(luò)與PID的結(jié)合成為了研究熱點。

主動懸架系統(tǒng)的性能包括懸架的限位行程、乘坐舒適性、抓地力和功耗。此外，懸架參數(shù)的魯棒性是影響高度非線性電控懸架效果的重要問題之一。因此，曾有人提出了一種基于輸入/輸出反饋線性化的主動懸架動態(tài)神經(jīng)網(wǎng)絡(luò)非線性控制方法。通過仿真，結(jié)果證明了該控制器的魯棒性和有效性。此外，還有人提出了適用于公交車懸架系統(tǒng)的一種神經(jīng)網(wǎng)絡(luò)比例控制器。仿真結(jié)果表明，利用該控制器設(shè)計的懸架控制系統(tǒng)能夠適用于各種不確定的路況，能明顯提升乘坐舒適性。

3 人工神經(jīng)網(wǎng)絡(luò)在智能車輛中的應(yīng)用

根據(jù)上述分析可知，隨著智能車輛的快速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)在智能車輛領(lǐng)域?qū)⒊尸F(xiàn)出跨學科融合、應(yīng)用方式多樣化等特點。跨學科融合與多學科滲透是指神經(jīng)網(wǎng)絡(luò)與模糊控制、傳統(tǒng)PID控制等理論的高度融合與相互滲透，應(yīng)用方式多樣化是指在智能車輛控制中，人工神經(jīng)網(wǎng)絡(luò)既可以用來設(shè)計辨識器，又可以用來設(shè)計智能控制器。

參考文獻

[1]Nong Zhang.Real-time identification of vehicle motion-modes using neural networks.Mechanical Systems and Signal Processing，2015（05）.

[2]M. Zapateiro，N.Luo，H.R. Karimi，J.Veh.Vibration control of suspension systems using a proposed neural network.AASRI Procedia，2013（04）.

[3]Le Thanh Danh，Kyoung Kwan Ahn.Active pneumatic vibration isolation system using negative stiffness structures for a vehicle seat.Mechanical Systems and Signal Processing，2015（09）.

[4]Jimoh O. Pedroa，Muhammed Dangora，Olurotimi A.Intelligent feedback linearization control of nonlinear electrohydraulic suspension systems using particle swarm optimization.Applied Soft Computing，2014（24）.

[5]M. Zapateiro，N.Luo，H.R. Karimi，J.Veh.Vibration control of suspension systems using a proposed neural network.Journal of Sound and Vibration，2004（22）.

〔編輯：張思楠〕