車輛懸架系統的神經網絡控制算法

吳皓，劉淼

（201620 上海市 上海工程技術大學 機械與汽車工程學院）

0 引言

懸架是車架（或承載式車身）與車橋（或車輪）之間的一切傳力連接裝置的總稱[1]，它的功用是把路面作用于車輪上的垂直反力（支撐力）、縱向反力（驅動力和制動力）和側向反力以及這些反力所造成的力矩傳遞到車架（或承載式車身）上，以保證汽車的正常行駛。隨著汽車行業的迅猛發展，懸架的結構形式也越來越豐富多樣，但總的來說懸架系統都是由彈性元件、減震器、導向機構三大部分組成。王瑞[2]以車身加速度、懸架動撓度以及輪胎動載荷為車輛系統的評價指標，利用三維建模軟件建立了懸架系統機械模型，結合仿真軟件對其進行了仿真實驗與分析；朱華[3]通過動力學模型研究半主動控制對車輛性能的改善；CROLLA和ABDEL-HADY[4]建立了懸架系統模型，將汽車的前輪數據作為反饋信號，研究不同車速下汽車前后輪的時滯性問題，實驗證明半主動懸架的性能相比被動懸架性能更好。針對汽車懸架使用最優控制時評價指標難以客觀選擇加權系數的問題，武柏安[5]等提出了一種基于遺傳算法的半主動懸架最優控制方法，結果顯示，遺傳算法確實能提高汽車的平順性；KARNOOP 為汽車主動懸架的研發提供了一種有效的控制方法即架空方法，是在車輛的簧載質量上增加一個與絕對速度成正比的力而展開的研究方法；也有研究人員利用線性懸架模型在算點周圍進行線性化，控制算法如LQG 和強度控制法從線性模型推導出來[6]。

由于汽車懸架固有的非線性特征，上述方法并不能很好地發揮半主動懸架的性能，為了改善汽車懸架系統的性能，科研人員嘗試應用智能控制技術如模糊邏輯控制、神經網絡控制及神經模糊控制技術等[7-8]。本文提出一種神經模糊適應性控制算法，并運用控制器控制懸架的振動，從而提高車輛的乘坐舒適性。

1 神經模糊適應性控制算法

神經模糊控制系統由再生神經網絡與神經模糊網絡組成，其具體如圖1 所示。

圖1 神經模糊控制系統結構圖Fig.1 Neuro-fuzzy control system structure diagram

在網絡中，

yd（t）——期望輸出；

y（t）——系統的實際輸出；

x1（t）——實際輸出與預期輸出間的誤差；

x2（t）——實際輸出與預期輸出間的誤差率。

神經模糊網絡為適應性控制區，它在使用過程中具有學習與控制的能力，而再生神經網絡的功能是確定車輛懸架模型的參數，所以在系統中只要給定x1（t）、x2（t）的數值，神經模糊控制器（如圖2所示）就會按照一定的運行規則產生信號u（t）。例如，若x1（t）視為Xi，x2（t）視為Yi，那么u（t）即為Zi，其中的Xi、Yi、Zi均為模糊子集，L1、L2、L3為神經網絡控制系統的系數，語句變量全集各自定義為

圖2 神經模糊控制器示意圖Fig.2 Schematic diagram of neuro-fuzzy controller

神經模糊控制器由4 個部分構成，其第1 層與第2 層類似于模糊語句的if 部分，第3 層是界面，最后一層是語句的then 部分，集合分別分為7 個子集，模糊集合按照一定的規則組成，在本文的研究中定義為如式（4）的函數。神經網絡控制器的算法是基于梯度向下并通過誤差信號傳遞的，利用誤差傳回算法能夠有效地將成本函數降低到最小值，從而實現接觸重量的改善。

2 再生神經網絡懸架模型算法

再生神經網絡處于隱藏層，它實際上是一個3層神經網絡（含有局域反饋環），它會通過學習周圍的環境，同時調整施加在自身身上的重量來改善自身的性能，其結構圖如圖3 所示。

圖3 神經網絡模型圖Fig.3 Neural network model diagram

圖3 中：I1(t)、I2(t)——輸入信號；（t）——隱藏層的神經元輸出；Sj(t)——隱藏層內神經元發生反應的的中輸出。所以有式（5）—式（7），而隱藏層內神經元的激活函數為S形曲線函數。

其中：wijI，wjo，wjD——再生神經網絡的重量；Xj（t）——神經元的輸出P、q——輸入神經元數量及反饋神經元數量

其目標函數可以根據誤差信號函數定義為:

式中：e（t）——誤差信號；E（t）——瞬態值。

對重量調整是連續與逐步的，直至系統到達穩定的狀態。

將E（t）對重量矢量w求導可得：

對式（1）—式（3）分別求偏導后進行分析，得到再生公式：

計算出接觸調整后，接觸重量的校正值：

式中：η——斜率。

為求得斜率，需要對算法進行收斂性分析。根據式（8）、式（9）調整重量矢量參數w，建立函數如下：

由函數可知，其變量為ΔV（t），對其多次迭代后被確定下來。

根據它們的誤差信號，e（t）可表示為

而多次迭代后可知，ΔV（t）＜0，即再生訓練算法是收斂的。

3 實驗結果與分析

為了證明本文提出的神經控制算法的有效性，制作了一輛帶有磁流變液減振器的試驗用車輛懸架，懸架由一個微處理器、多個加速傳感器、多個減震器與一個12 V 的可控電流電源組成。將處理器分別裝在有簧支持的質量體與無簧支持的質量體上，在車輛行駛時通過傳感器接收來自懸架的振動信號，然后依據信號的振動與控制方案，車輛上的處理器通過控制磁流變減震器信號，控制懸架的阻尼。另外，通過控制阻尼道里的磁流變液的流動性，可以讓減震器中的線圈產生磁場，從而改變車輛懸架的壓縮性與阻尼器的阻尼力。

將載有基于神經網絡控制的車輛主動懸架的車輛和安裝常規被動懸架系統的車輛分別以30，40，50 km/h 的速度行駛在相同的路面（D 級路面）上，進行各種條件測試。表1 所列測試結果顯示，采用基于神經網絡控制的車輛主動懸架的車輛比安裝常規被動懸架系統的車輛更能有效減輕振動能量的頻譜密度。

表1 微車懸架道路試驗結果（D 級路面）Tab.1 Road test results of micro-vehicle suspension(D-grade road surface)

圖4 是車輛上安裝基于神經網絡控制的車輛主動懸架與安裝常規被動懸架系統的車輛的振動能量頻譜密度對比圖。

圖4 懸架的振動能量頻譜密度圖Fig.4 Spectral density diagram of vibration energy of suspension

從圖4 可見，利用本文提出的神經網絡控制可以改善車輛的懸架性能，尤其是在諧振峰上表現良好。

如果應用模糊控制理論改善減振器和懸架設計，具備神經網絡控制的主動懸架系統將大大改善汽車駕乘人員的乘坐舒適性和駕駛員的操作穩定性，有效減少汽車在行駛過程中產生的打滑現象。

4 結論

為了提高車輛懸架系統的性能，本文提出了一種算法，為了驗證該算法的有效性，制作了一輛帶減振器的試驗用車輛懸架，將載有基于神經網絡控制的車輛主動懸架的車輛和安裝常規被動懸架系統的車輛以不同的速度行駛在相同的路面上進行測試。實驗結果表明，安裝再生神經網絡和運用神經模糊控制方法的車輛以不同速度行駛時，可以有效改善減震性能，從而大大提高駕乘人員的駕駛舒適性。此外本研究存在一定的局限性，本文使用的控制算法、結構設計、仿真試驗等都局限于車輛懸架系統的特定參數，如果研究者在此基礎上繼續研究，并將這些數據合理改變運用到其他車型的懸架系統中，且繼續進行建模、仿真甚至實車實驗，本文提出的神經網絡控制算法是否還能繼續提高駕乘人員的乘坐舒適性則有待論證。