主动悬架控制算法总结报告

主动悬架控制算法总结报告主动悬架控制算法总结报告悬架系统的作用就是将轮胎所承受的各种力和力矩传递给车架和车身，并能吸收、缓和路面传来的振动和冲击，减少驾室内的噪声，增加乘客的舒适性以及保持汽车良好的操作性和平稳的行驶性。

汽车悬架性能将影响汽车的操纵稳定性和行驶平顺性，在悬架设计中不可能同时使上述性能指标均达到最优。

在悬架参数设计中，往往是在保证操纵稳定性的前提下，尽可能改善汽车的行驶平顺性，或者是将悬架设计成主动控制悬架，使其能根据不同的载荷、不同的行驶工况来自动调节悬架参数(刚度、阻尼)。

由于在悬架系统硬件设计不变的情况下，不同的控制律会导致不同的控制效果;而且半主动悬架与全主动悬架相比仅仅是控制对象能量消耗方式不同，因此半主动悬架的控制律设计完全可以基于主动悬架的控制策略来进行，只需根据消耗能量的情况进行适当的修正。

从七八十年代开始，人们不断尝试将各种控制方法和控制概念引入到智能悬架的控制律设计中，在主动悬架及其相关技术方面每年都有大量的文献和成果问世。

有效地改善了悬架系统的性能和控制质量。

国外一些工业发达国家虽然己经在某些车型上应用了主动悬架产品，但在控制算法的改进，系统稳定性的增强，性能价格比的提高等方面仍有大量工作要做。

目前国内的研究尚处于悬架系统控制算法的优化设计、理论分析及计算机仿真研究阶段。

各种现代控制方法在汽车悬架控制中的应用也只是处于初级理论探索和仿真阶段。

主动悬架控制理论实质上是经典控制理论，现代控制理论与汽车动力学理论相结合的产物。

在过去的几十年中，国内外许多学者在主动悬架控制理论方面进行了大量的研究。

国外有影响的学者有Karnopp[1]，Thompson[2]，Crolla和Langlois等人。

研究的控制理论内容涉及天棚阻尼控制理论，随机最优控制理论，变结构控制理论，预瞄控制理论等。

随着现代控制理论的发展与渗透，自适应控制理论，模糊控制，H无穷控制理论，神经网络控制等也日显其优越性。

国1主动悬架控制算法总结报告内，丁科等人对主动悬架的神经网络控制进行了研究。

何渝生等将LQG最优控制理论应用于主动控制。

从总体上看，系统建模的合理化、控制理论复杂化和控制过程的实用有效化是当今主动悬架开发研究的一大特点，这些研究极大地丰富了汽车悬架控制的理论基础，有力地推动了主动悬架在汽车上应用的进程。

不同的控制策略，将会导致不同的悬架特性和减振效果。

悬架系统控制理论的发展主要经历了两个阶段:第一阶段从20世纪60年代至90年代，为主动悬架的经典PID控制和线性最优控制研究时期;第二阶段从20世纪90年代初至今，主要为主动悬架预见控制和智能控制等高级控制理论的兴起和发展阶段。

到目前为止，主动悬架控制理论发展的第一阶段已经结束。

作为发展的高潮时期，第二阶段的理论正处于研究和探讨之中。

下面简要介绍一些常见的主动悬架控制策略和方法。

1. 天棚阻尼器控制方法[3]天棚原理是E.K.Bender[4]在60年代提出的，它的设计思想广泛用于主动和半主动悬架中，通常天棚控制被当作其它控制策略参照比较的对象。

天棚阻尼器控制设想将系统中的阻尼器移至车体与某固定的天棚之间。

就主动悬架而言，也就是要求由执行机构产生一个与车体的上下振动绝对速度成比例的控制力来衰减车体的振动。

传统的被动悬架可以认为是带阻尼器的双质量振动系统，当考虑到带宽和系统的共振特性时，传统被动悬架性能不能令人满意。

但带天棚阻尼器的车辆悬架，只要合理选择参数，可彻底消除系统共振现象。

2. 自适应、自校正控制方法自适应控制是一种实时调节控制器的方法，其研究对象是具有一定不确定性的系统。

这里所谓的“不确定性”是指描述被控对象及其环境的数学模型不是完全确定的，其中包含一些未知因素和随机因素。

在悬架控制系统的设计中，自适应控制能自动监测系统参数的变化，并实时地调节控制策略，从而使系统具有良好的性能。

目前，比较完善的自适应理论有模型参考自适应控制和自校正控制。

前者可对控制器的参数进行直接更新，而后者是采用参数估计的方式间接地对控制器进行更新[5]。

Sunwoo等[6]以理想的天棚阻尼控制为参考模型，采用了主动悬架的模型参考自适应控制方法。

仿真结果表明，当悬架自身参数发生变化时，系统依然具有良好的性能。

文献[7]将非线性“滑模”控制规则应用于电液主动2主动悬架控制算法总结报告悬架系统中。

文中采用了精确的悬架系统模型，通过自适应控制使车辆的行驶特性得到改善。

孙建民[8]把LMS自适应控制策略应用在主动悬架系统中，在2自由度的悬架系统试验台上进行了试验，验证了该方法的可行性。

但是，自适应控制仅适合于悬架参数在某一特定范围内缓慢变化的情况。

当系统参数的变化超出特定的范围时，系统的控制效果将会变差。

3. 预见控制方法主动悬架的预见控制能够根据车辆目前的行驶状态和未来干扰等因素来提前给出调节作用，使悬架系统最有效地抵消外部干扰所引起的振动[9-10]。

预见控制的实现方法有两类，一类是将前轮悬架的状态信息反馈给后轮悬架，另一类是通过测量车轮前方道路来获得实时的路况信息，并将此信息作为主动悬架设计的重要依据。

刘少军、何将三等[11-12]研究了最优预见控制算法，并成功地应用在了主动悬架半车模型控制中。

文献[13-14]对随机路面下的主动悬架最优预见控制进行了研究。

Kim[15]将路面感知算法应用于主动悬架的预见控制中，对7自由度整车的仿真结果表明了该方法的有效性和实用性。

Marzbanrad[16]等对悬架系统的随机最优预见控制进行了研究。

通过在车身的不同位置安装传感器，来测量车辆行驶的路面信息和车身速度。

仿真结果表明，预见控制能够提高悬架系统性能，并减少车辆能耗。

实际上，预见控制也有其不足之处:?预见控制是在假定悬架系统是线性时不变系统的情况下制定的，并没有对车辆参数的时变性加以研究;?预见控制要求车辆装备特制的预见传感器，虽然在技术上是可行的，但考虑到实车的制造成本、车辆工作环境对传感器使用寿命的影响等实际问题，要将预见控制应用于实际还有很多问题有待解决。

4. 模糊控制方法自90年代以来，模糊控制方法被应用在车辆悬架系统中。

有人利用MATLAB(SIMULINK)语言，来实现模糊控制系统的仿真。

2003年，刘宏伟等人[17]以1/4车辆模型为仿真对象，建立模糊控制器，并模拟B级路面为随机输入，对模型进行了计算机仿真,试验表明当系统模型的结构参数发生改变时，该控制器能表现出良好的鲁棒性。

2004年，雷海蓉[18]以空气悬架系统为研究对象，采用模糊控制的基本理论，应用Matlab软件以及Simulink模块，建立了1/4车辆3主动悬架控制算法总结报告模型和模糊控制器，通过对模糊控制系统的仿真分析，探索了电控空气悬架控制系统的设计思路与方法，并编制了模糊控制算法。

2005年，王宏杰[19]以空气悬架系统为研究对象，采用模糊控制理论，设计了自调整模糊控制器，通过Matlab软件建立控制器模型，编制模糊控制算法。

通过仿真分析，可以看出，悬架性能逐步被改善。

其中具有代表性的是日本德岛大学芳村敏夫教授的研究工作。

应用模糊控制能减少控制器的存储空间，降低成本，缩短半主动悬架的延时，使控制更加及时，提高悬架系统的可靠性。

模糊理论应用于汽车悬架主动控制的步骤，以系统的某些状态量为输入，输入量首先经过模糊化，再按一定的模糊规则进行模糊推理，将得到的结果经过模糊化后得到精确值作为输出来控制悬架。

为了使模糊控制器具有良好的自适应性和鲁棒性，许多专家致力于模糊控制器自动设计的研究。

例如，宋晓琳、郭建华[20-21]等将免疫算法、遗传算法与模糊控制相结合，对模糊规则进行了优化。

仿真结果表明，具有模糊控制器的主动悬架能够有效地改善车辆行驶的平顺性和操纵稳定性，并具有较好的适应性和鲁棒性。

5. 神经网络控制方法神经网络的应用已渗透到自动控制领域的各个方面，包括系统辨识、系统控制、优化计算以及控制系统的故障诊断与容错控制等。

传统的辨识方法对于非线性系统的识别较困难，而神经网络却提供了一个有力的工具。

神经网络系统辨识实际上选择一个适当的神经网络模型来逼近实际系统。

由于神经网络对非线性函数具有任意逼近和自学习能力，所以神经网络系统辨识为非线性系统的辨识提供了一种简单而有效的一般性方法。

可以建立一种神经网络自适应控制结构，其中有两个子神经网络，其一对系统进行在线辨识。

在对被控对象进行在线辨识的基础上，应用另一个具有控制作用的神经网络，通过对控制网络的权系数进行在线调整，控制器经过学习，对悬架系统进行在线控制，使系统输出逐渐向期望值接近[22-23]。

具有神经网络自适应控制的主动悬架能很好地减少车辆振动，提高行驶平顺性和稳定性[24]。

日本农业工程大学的Moran和Nagai利用神经网络对实际的非线性悬架作了辨识与控制[25-27]，并与线性控制器进行比较，结果表明了神经网络控制的优越性。

Guleza等人[28]针对8自由度非线性悬架系统设计了CBA神经网络控制4主动悬架控制算法总结报告器，时域和频域的仿真结果表明设计得到的主动悬架极大地改善了乘坐舒适性，而且能耗很低。

Yildirim[29]针对1/4车悬架系统设计了神经网络控制器。

与传统的PD、PI、PID控制器进行比较，结果表明设计得到的主动悬架系统展现出了良好的乘坐舒适性和鲁棒性。

王磊[30]提出了一种基于RBF神经网络在线辨识的单神经元PID自适应控制方法，并将此制策略应用于车辆主动悬架1/4车模型。

仿真结果表明，这种控制策略能够使乘坐舒适性得到明显改善。

黄剑鸣、富丽娟[31]建立了车辆主动悬架再生神经网络模型，并提出了一种神经模糊适应性控制算法。

对一辆装有磁流变液减振器的模糊神经控制系统的微车，在各种速度与路面条件下进行测试，结果表明神经控制算法在减小微车振动方面表现出了良好的性能。

学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的。

然而神经网络学习速度较慢，不适合应用在实时控制中;此外，如何获取神经网络的训练样本和改进训练策略等问题还有待于进一步研究和解决。

6. 反馈控制方法[32] 这种控制方法实现了执行机构实时连续调节，对控制系统的稳定性、精确性和反应速度要求较高，需要测量的信息和计算量较大，通常采用最优控制算法和自适应控制算法，将悬架处理成跟踪问题或随机干扰滤波器问题。

7. 线性最优控制方法上世纪60年代，线性最优控制理论已被应用于车辆悬架系统的研究中。

线性二次型调节器控制理论(简称LQR)和线性二次高斯型控制理论(简称LQG)是主动悬架设计人员常用的方法。

理论上讲，LQR和LQG主动悬架大幅度地改善了车辆的性能，且具有较大的稳定裕量。

但主动悬架对模型摄动时基本不具备鲁棒性，在激励频率大于60Hz时，系统极易变得不稳定。