基于遺傳算法的車輛半主動懸架控制系統參數優化

范養強，趙化剛，趙華杰

基于遺傳算法的車輛半主動懸架控制系統參數優化

范養強，趙化剛，趙華杰

（陜西重型汽車有限公司，陜西 西安 710200）

遺傳算法（Genetic Algorithm，GA）是一種基于自然群體遺傳演化機制的高效優化算法，它能模擬自然界生物進化過程，依據適者生存，優勝劣汰的進化規則，采用人工進化的方式對目標群體進行遺傳操作，不斷得到更優群體。文章根據遺傳算法基本思路，在MATLAB/Simulink中搭建了基于遺傳算法的車輛半主動懸架參數優化模型，利用該算法對半主動懸架控制系統參數進行了優化，并對優化結果進行了仿真分析，結果表明，優化后車輛簧載質量加速度均方根值降低31.1%、懸架動撓度均方根值降低11.2%、輪胎動載荷均方根值降低7.1%，車輛平順性得到提升。

半主動懸架；遺傳算法；平順性；優化

前言

平順性是車輛的重要品質之一，尤其對于重型精密儀器運輸車，由于其需要運輸不同貨物，載質量變化大，對平順性要求高，傳統被動懸架已無法滿足市場需求。半主動懸架能夠根據車輛運行狀態和載荷變化實時調整懸架阻尼特性，從而有效改善車輛平順性。

遺傳算法是一種基于自然群體遺傳演化機制的高效優化算法，它能模擬自然界生物進化過程，將問題域中的可能解看作是群體的一個個體或染色體，模擬達爾文的遺傳選擇和自然淘汰生物進化過程，對群體反復進行遺傳學操作（遺傳，交叉和變異），根據適應度函數對每個個體進行評價，依據優勝劣汰的進化規則，不斷得到更優的群體，同時以全局并行的搜索方式來搜索群體中的最優個體，求得滿足要求的最優解。

本文建立了二自由度1/4車半主動懸架力學模型和路面不平度模型，并結合半主動懸架控制策略，利用MATLAB/ Simulink搭建了車輛懸架系統平順性仿真模型，采用遺傳算法對控制系統參數進行了優化，并對優化結果進行了仿真分析。

1 二自由度1/4車半主動懸架動力學模型

本文主要對車輛平順性進行分析，控制目標為懸架系統減振器阻尼，根據分析需求，建立的二自由度1/4車半主動懸架動力學模型如圖1所示。

圖1 二自由度1/4車半主動懸架模型

根據圖1利用牛頓運動定律，得到動力學方程組：

根據車輛平順性分析需求，取狀態向量和輸出向量分別為：

其中A、B、C、D分別表示狀態矩陣、輸入矩陣、輸出矩陣、傳遞矩陣。

2 路面模型

GB7031-1986《車輛振動輸入——路面不平度表示》和GB7031-2005《機械振動——道路路面譜測量數據報告》標準均建議用位移功率譜密度來表示路面不平度，其擬合表達式為：

式中：

n—空間頻率單位為m-1，它是波長λ的倒數，表示每米長度中包含波長數；

n0—為參考空間頻率單位為m-1，一般取n0=0.1；

G（0）—路面不平度系數單位為m2/m-1，表示參考空間頻率n0下路面譜值；

w—頻率指數，是雙對數坐標上斜線的斜率，它決定路面功率譜密度的頻率結構。

對于C級路面，路面不平度系數為256×10-6m2/m-1，設定車速為60km/h，n0為0.1，在MATLAB中生成的隨機路面輪廓如圖2所示。

3 半主動懸架控制策略

針對精密儀器運輸車設計了一種阻尼切換式半主動懸架系統，其原理是根據車輛當前承載狀態以及空氣懸架氣囊剛度狀態，實時調整減振器阻尼，從而使車輛具有良好的K&C特性，提高車輛平順性，其控制思路如圖3所示。

圖3 半主動懸架控制策略示意圖

根據路面模型和二自由度1/4車半主動懸架動力學模型，結合控制策略在MATLAB/Simulink中搭建車輛平順性仿真模型如圖4所示。

圖4 控制系統仿真模型

4 基于遺傳算法的半主動懸架參數優化

4.1 遺傳算法運算流程

遺傳算法的基本思想是模仿自然界生物進化機制，使用“適者生存”的原則，通過選擇、交叉、變異等手段產生新的適應力更強的個體，并進行迭代，逐步趨近于最優[2]。其計算過程為：

（1）遺傳算法初始化

初始化主要包括確定個體編碼方式、產生初始種群以及設置優化參數等。遺傳算法的個體編碼方式主要有實數編碼和二進制編碼等[3]。由于實數編碼無需進行數值轉換且計算精度高，本文選取實數編碼作為編碼方式，初始種群在設定范圍內由函數隨機產生。遺傳算法的優化參數設置為：種群規模大小為40，交叉概率和變異概率分別設定為0.7和0.01，最大遺傳代數為40。

（2）將種群中每個個體依次賦值給仿真模型中半主動懸架控制器，并分別計算出反饋矩陣和系統的最優阻尼值。

（3）適應度函數如下式所示，式中rms（a）、rms（f）和rms（F）分別表示優化過程中簧載質量加速度、懸架動撓度和輪胎動載荷均方根值，rmsapas、rmsfpas和rmsFpas分別表示優化前簧載質量加速度、懸架動撓度和輪胎動載荷均方根值。

（4）根據個體適應度數值大小，選擇優良個體遺傳給下一代，若個體適應度函數值越大，則被選中的機會就越大，反之則會被淘汰。

（5）根據所選取的交叉和變異概率，對優良個體進行交叉和變異操作，產生新的種群，并轉至步驟（2）繼續運行。以此循環，直到進化代數或生成的種群滿足終止條件為止[4]，其運算流程如圖5所示。

4.2 半主動懸架參數優化

根據遺傳算法基本思路結合本文分析的實際問題，在MATLAB中編制算法程序，如圖6所示，并對控制系統參數表進行優化，優化過程如圖7和圖8所示。從優化過程可以看出，隨著遺傳代數的不斷增加，目標解逐步得到優化，且最終趨于穩定。

圖6 算法程序

圖7 種群進化過程

圖8 參數值及目標函數變化過程

4.3 優化結果分析

為了驗證控制系統參數優化結果的有效性，本文對優化前和優化后懸架的性能進行了仿真分析。根據平順性分析要求，仿真時車輛以60km/h車速在C級路面上行駛，仿真結束后輸出時域內簧載質量加速度、懸架動撓度以及輪胎動載荷的響應曲線如圖9~11所示。優化前后懸架各響應特性均方根值如表1所示。從圖9~11以及表1可以看出，經遺傳算法優化后車輛簧載質量加速度均方根值降低31.1%、懸架動撓度均方根值降低11.2%、輪胎動載荷均方根值降低7.1%，車輛平順性得到顯著提升。

圖9 車身加速度響應

圖10 懸架動撓度響應

圖11 輪胎動載荷響應

表1 優化前后懸架各響應特性均方根值對比

5 結語

（1）建立了二自由度1/4車半主動懸架動力學模型和路面不平度數學模型。根據半主動懸架控制策略，利用MATLAB/Simulink搭建了車輛懸架系統平順性仿真模型。

（2）根據遺傳算法基本思路，搭建了基于遺傳算法的車輛半主動懸架參數優化算法，利用該算法對半主動懸架控制系統阻尼參數進行了優化，并對優化結果進行了分析，結果表明：遺傳算法優化后車輛簧載質量加速度均方根值降低31.1%、懸架動撓度均方根值降低11.2%、輪胎動載荷均方根值降低7.1%，車輛平順性得到顯著提升。

[1] 寇發榮.基于EHA的汽車電－液主動懸架系統的仿真研究[J].系統仿真學報,2009,21(7):2085-2089.

[2] 梁永勤,畢鳳榮,石純放.基于遺傳算法的麥弗遜懸架參數優化研究[J].機械設計,2017,34(1):15-19.

[3] 湯建新,張騰,牛賽賽.半主動空氣彈簧懸架的PID優化控制與聯合仿真[J].汽車實用技術,2018(1):55-58.

[4] 陸建輝,周孔亢,侯永濤等.基于遺傳算法的廂式貨車平順性優化[J].機械工程學報,2017,53(20):121-130.

Parameter Optimization of Vehicle Semi-active Suspension Control System Based on Genetic Algorithm

Fan Yangqiang, Zhao Huagang, Zhao Huajie

( Shaanxi Heavy Duty Automobile Co, Ltd, Shaanxi Xi'an 710200 )

Genetic Algorithm is an efficient optimization algorithm based on the genetic evolution mechanism of natural population. It can simulate the evolution process of nature organisms, and according to the evolution rules of survival of the fittest, it adopts artificial evolution to carry out genetic manipulation on the target population, so as to obtain a better population. In this paper, according to the basic idea of genetic algorithm, the optimization model of vehicle semi-active suspension parameters based on genetic algorithm is built in MATLAB, and the parameters of semi-active suspension control system are optimized by using this algorithm, and the optimization results are analyzed. The results show that the root mean square value of vehicle sprung mass acceleration is reduced by 31.1%, the root mean square value of suspension dynamic deflection is reduced by 11.2%, and the root mean square value of the tire dynamic load is reduced by 7.1%, the vehicle ride comfort is optimized.

Semi-active suspension; Genetic algorithm; Ride comfort; Optimization

10.16638/j.cnki.1671-7988.2021.07.018

U463.4

A

1671-7988(2021)07-53-04

U463.4 文獻標示碼：A

1671-7988(2021)07-53-04

范養強，就職于陜西重型汽車有限公司，主要從事底盤應用技術開發工作。