基于多智能体的主动悬架分布式协调控制方法技术

基于多智能体的主动悬架分布式协调控制方法涉及主动悬架系统控制领域，解决了主动悬架系统中存在的多执行器耦合、工程应用时的算力需求、乘坐舒适性要求等问题，该方法利用重新定义控制输入及其约束条件，将七自由度整车模型分解为七个子系统，建立基于图论的主动悬架降维控制模型，以简化模型维度；然后提出基于多智能体的主动悬架快速模型预测控制方法和基于RBF神经网络的第i个智能体快速优化求解方法。本发明专利技术的控制方法在降低主动悬架控制器设计难度以及提高算法实时性的同时，实现了不同路面等级下，车身垂向、俯仰和侧倾加速度的快速降低，有效提高了整车的舒适性和操稳性。性。性。

【技术实现步骤摘要】
Structures,2020,31(9):1157
‑
1170.】中提出了一种受输入约束的磁流变阻尼器半主动悬架系统的显式模型预测控制方法，有效的改善了配备有磁流变阻尼器的半主动悬架系统车辆的平顺性。其中，模型预测控制(Model Predictive Control,MPC)方法凭借其能在线处理系统状态、输出和控制输入的软硬约束，并且有较高的灵活性和容错性，能够实现模型降维，减少计算量，提高控制效率等诸多优点被众多学者广泛应用在处理大型复杂系统等方面。
[0005]随着汽车
逐渐智能化、网联化、电动化和共享化，人们对算力需求、乘坐舒适性和行驶安全性等性能指标的要求也越来越高。多智能体系统(Multi
‑
Agent System,MAS)是指由多个可执行网络计算的Agent组成的集合，其中每个Agent通过协作完成某些任务或达到某些特定目标，目前已获得广泛应用。MAS能够通过网络与其他Agent进行通信、交互、协作等方式共同完成复杂问题求解。因此，本专利技术提出了一种基于多智能体的主动悬架分布式协调控制方法。

技术实现思路

[0006]为了解决主动悬架系统中存在的多执行器耦合、工程应用时的算力需求、乘坐舒适性以及行驶安全性要求等问题，本专利技术以实现降低整个系统控制器设计的难度以及提高实时性为目的，权衡系统的性能指标和计算效率，提出了一种基于多智能体的主动悬架分布式协调控制方法，以有效抑制由不平路面引起的车身的俯仰与侧倾运动。
[0007]本专利技术解决技术问题所采取的技术方案如下：
[0008]基于多智能体的主动悬架分布式协调控制方法，其方法包括如下步骤：
[0009]步骤一、根据CarSim汽车模型输出的簧下质量垂向振动位移z
u1
、z
u2
、z
u3
、z
u4
，簧下质量垂向振动速度车身垂向位移z
s
，车身垂向速度车身侧倾角车身侧倾角速度车身俯仰角θ，车身俯仰角速度通过整车七自由度理想模型，获得簧下质量垂向振动加速度理想值车身垂向加速度理想值车身侧倾角加速度理想值车身俯仰角加速度理想值
[0010]步骤二、将步骤一中得到的簧下质量垂向振动加速度理想值车身垂向加速度理想值车身侧倾角加速度理想值和车身俯仰角加速度的理想值以及CarSim汽车模型输出的簧下质量垂向振动加速度车身垂向加速度车身侧倾角加速度车身俯仰角加速度做差值运算，可求得系统的输出偏差值运算，可求得系统的输出偏差值运算，可求得系统的输出偏差将CarSim汽车模型输出的簧下质量垂向振动位移z
u1
、z
u2
、z
u
、3z
u
，簧下质量垂向振动速度车身垂向位移z
s
，车身垂向速度车身侧倾角车身侧倾角速度车身俯仰角θ，车身俯仰角速度来自其他相邻智能体的状态信息和系
统的输出偏差e
y1
、e
y2
、e
y3
、e
y4
、e
y5
、e
y6
、e
y7
，共同输入给基于多智能体的主动悬架快速模型预测控制模块，该模块包括基于图论的主动悬架降维控制模型和基于RBF神经网络的第i个智能体快速模型预测控制两个部分，i＝1,2，
…
，7，其中基于RBF神经网络的第i个智能体快速模型预测控制模块包括第i个智能体预测模型、第i个智能体的多目标优化函数和约束条件、基于神经网络的第i个智能体快速优化求解；通过基于多智能体的主动悬架快速模型预测控制模块获得预测时域内的悬架作动器控制力u1、u2、u3、u4，与车轮受到的路面激励共同输入给CarSim汽车模型；
[0011]步骤三、通过CarSim汽车模型，获得汽车的实际运动状态信息，包括汽车簧下质量垂向振动位移z
u1
、z
u2
、z
u3
、z
u4
，簧下质量垂向振动速度簧下质量垂向振动加速度汽车车身垂向位移z
s
，车身垂向速度车身垂向加速度车身侧倾角车身侧倾角速度车身侧倾角加速度车身俯仰角θ，车身俯仰角速度俯仰角加速度
[0012]本专利技术的有益效果如下：
[0013]1)本专利技术根据主动悬架系统的工作原理，利用重新定义控制输入及其约束条件，将七自由度整车模型的七个子系统看作七个智能体，建立基于图论的主动悬架降维控制模型，以简化模型维度。
[0014]2)本专利技术考虑其他相邻智能体状态对自身智能体的影响，提出基于多智能体的主动悬架分布式协调控制方法，通过各智能体之间的协作实现簧下质量垂向振动加速度车身垂向加速度车身侧倾角加速度车身俯仰角加速度对其理想值的跟随，有效权衡了系统的性能指标和工程应用时对算法的算力要求。
[0015]3)本专利技术考虑模型预测控制算法中，由于二次规划求解过程涉及高维矩阵求逆运算从而导致该方法难以工程实时应用的问题，利用RBF神经网络结构简单、可以任意精度逼近任意的非线性函数，且具有全局逼近能力的优点，提出基于RBF神经网络的第i个智能体快速优化求解方法，快速求得模型预测控制算法中的滚动优化解，有效提高了算法的计算效率，实现了算法工程应用的目标。
[0016]4)本专利技术所提方法简单易于实现，适用面广，适宜广泛推广应用。
附图说明
[0017]图1是本专利技术基于图论的主动悬架系统拓扑结构示意图。
[0018]图2是本专利技术基于多智能体的主动悬架分布式协调控制方法原理框图。
[0019]图3是本专利技术基于多智能体的主动悬架快速模型预测控制原理框图。
具体实施方式
[0020]下面结合附图和具体实施例对本专利技术作进一步详细说明。
[0021]如图1所示，本专利技术基于多智能体的主动悬架分布式协调控制方法中，将7自由度整车模型的7个子系统看作7个智能体，其中智能体1，2，3，4为四个悬架的垂向运动子系统，智能体5为车身的垂向运动子系统，智能体6为车身的侧倾运动子系统，智能体7为车身的俯
仰运动子系统。根据7个子系统的硬件连接和通信拓扑，构建基于图论的主动悬架控制系统的拓扑结构示意图。
[0022]如图2所示，本专利技术基于多智能体的主动悬架分布式协调控制方法包括：步骤一、根据CarSim汽车模型输出的簧下质量垂向振动位移z
u1
、z
u2
、z
u3
、z
u4
，簧下质量垂向振动速度车身垂向位移z
s
，车身垂向速度车身侧倾角车身侧倾角速度车身俯仰角θ，车身俯仰角速度通过整车七自由度理想模型，获得簧下质量垂向振动加速度理想值车身垂向加速度理想值车身侧倾角加速度理想值车身俯仰角加速度理想值步骤二、将步骤一中得到的簧下质量垂向振动加速度理想值车身垂向加速度理想值车身侧倾角加速度理想值和车身俯仰角加速度的理想值以及CarSim汽本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多智能体的主动悬架分布式协调控制方法，其特征在于，该方法包括如下步骤：步骤一、根据CarSim汽车模型输出的簧下质量垂向振动位移z
u1
、z
u2
、z
u3
、z
u4
，簧下质量垂向振动速度车身垂向位移z
s
，车身垂向速度车身侧倾角车身侧倾角速度车身俯仰角θ，车身俯仰角速度通过整车七自由度理想模型，获得簧下质量垂向振动加速度理想值车身垂向加速度理想值车身侧倾角加速度理想值车身俯仰角加速度理想值步骤二、将步骤一中得到的簧下质量垂向振动加速度理想值车身垂向加速度理想值车身侧倾角加速度理想值和车身俯仰角加速度的理想值以及CarSim汽车模型输出的簧下质量垂向振动加速度车身垂向加速度车身侧倾角加速度车身俯仰角加速度做差值运算，可求得系统的输出偏差做差值运算，可求得系统的输出偏差做差值运算，可求得系统的输出偏差将CarSim汽车模型输出的簧下质量垂向振动位移z
u1
、z
u2
、z
u3
、z
u4
，簧下质量垂向振动速度车身垂向位移z
s
，车身垂向速度车身侧倾角车身侧倾角速度车身俯仰角θ，车身俯仰角速度来自其他相邻智能体的状态信息和系统的输出偏差e
y1
、e
y2
、e
y3
、e
y4
、e
y5
、e
y6
、e
y7
，共同输入给基于多智能体的主动悬架快速模型预测控制模块，通过基于多智能体的主动悬架快速模型预测控制模块获得预测时域内的悬架作动器控制力u1、u2、u3、u4，与车轮受到的路面激励共同输入给CarSim汽车模型；步骤三、通过CarSim汽车模型，获得汽车的实际运动状态信息，包括汽车簧下质量垂向振动位移z
u1
、z
u2
、z
u3
、z
u4
，簧下质量垂向振动速度簧下质量垂向振动加速度汽车车身垂向位移z
s
，车身垂向速度车身垂向加速度车身侧倾角车身侧倾角速度车身侧倾角加速度车身俯仰角θ，车身俯仰角速度俯仰角加速度2.如权利要求1所述基于多智能体的主动悬架分布式协调控制方法，其特征在于，步骤一所述整车七自由度理想模型的实现过程如下：车辆模型的七个自由度分别是车身垂向运动、车身俯仰运动、车身侧倾运动、4个车轮的垂向运动，车辆模型由车身和4个车轮组成，每个车轮与车身通过一个主动悬架相连；主动悬架中的弹簧与阻尼器在建模过程中均视为线性元件，主动悬架的执行机构为具有饱和特征的力作动器；在俯仰角和侧倾角较小时，七自由度车辆模型的动力学微分方程如下：车身四个端点处的垂向位移：
式中：z
s1
、z
s2
、z
s3
、z
s4
为簧上质量垂向振动位移；z
s
为车身垂向位移；为车身侧倾角；θ为车身俯仰角；L
f
为簧上质量质心距离前轴的距离；L
r
为簧上质量质心距离后轴的距离；T
f
为簧上质量质心到前轮的距离；T
r
为簧上质量质心到后轮的距离；车身质心处的垂向运动：式中：m
s
为车身质量，F
s1
、F
s2
、F
s3
、F
s4
为悬架的弹簧和阻尼器合力，u1、u2、u3、u4为悬架作动器控制力；车身俯仰运动：式中，I
θ
为悬架的簧上质量俯仰角转动惯量；车身侧倾运动：式中，为悬架的簧上质量侧倾角转动惯量；非悬架质量垂向运动即4个车轮的垂向运动：式中，m
u1
、m
u2
、m
u3
、m
u4
为簧下质量；z
u1
、z
u2
、z
u3
、z
u4
为簧下质量垂向振动位移；k
u1
、k
u2
、k
u3
、k
u4
为轮胎弹性系数；q1、q2、q3、q4为车轮受到的路面激励；悬架中弹簧和阻尼器合力：其中：c
s1
、c
s2
、c
s3
、c
s4
为悬架减振器的阻尼系数；k
s1
、k
s2
、k
s3
、k
s4
为悬架弹簧刚度；其中，整车七自由度模型的7个自由度分别指z
s
、θ、z
u1
、z
u2
、z
u3
、z
u4
；定义整车七自由度模型的输出理想值如下：
式中，式中，式中，i＝1,2,
…
,7，采用仿真实验确定k
i1
＝0.25，k
i2
＝2。3.如权利要求1所述基于多智能体的主动悬架分布式协调控制方法，其特征在于，步骤二所述基于多智能体的主动悬架快速模型预测控制模块包括基于图论的主动悬架降维控制模型和基于RBF神经网络的第i个智能体快速模型预测控制模块；所述基于图论的主动悬架降维控制模型实现过程如下：1)主动悬架控制模型分解重新定义车身质心处垂向运动(2)、车身俯仰运动(3)和车身侧倾运动(4)中的控制输入分别为u5、u6、u7，满足如下的控制输入约束条件：将七自由度整车模型整理为如下形式：将七自由度整车模型整理为如下形式：将七自由度整车模型整理为如下形式：将七自由度整车模型整理为如下形式：将七自由度整车模型整理为如下形式：将七自由度整车模型整理为如下形式：将七自由度整车模型整理为如下形式：式中，式中，
选取系统的状态向量为选取系统的状态向量为系统输出系统输出控制输入为u
i
，将七自由度整车模型(9)
‑
(15)整理为如下形式：(15)整理为如下形式：式中，A
i
＝[0,1；a
i1
,a
i2
]，C
i
＝[a
i1 a
i2
],ω
i
＝[0 1]
T
,B5＝B6＝B7＝[0 1]
T
,λ
i
＝1，
D5＝D6＝D7＝1；令系统的输出偏差根据式(7)、(16)、(17)，可得：e
yi
＝γ
i
x
i
+D
i
u
i
+λ
i
h
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)通过重新定义车身质心处垂向运动(2)、车身俯仰运动(3)和车身侧倾运动(4)的控制输入及其约束条件(8)，将整车七自由度模型(1)
‑
(6)整理成了7个降维子系统(18)、(19)的相互协调工作；2)基于图论的主动悬架降维控制模型将降维后的第i个子系统(18)、(19)看作第i个智能体，其中，智能体1,2,3,4为四个悬架子系统，智能体5为车身垂向运动子系统，智能体6为车身侧倾运动子系统，智能体7为车身俯仰运动子系统；根据七个子系统的硬件连接结构和通信拓朴，基于图论和矩阵论基础，可得七个智能体的邻接矩阵A
l
、入度矩阵D
r
、拉普拉斯矩阵L分别为：式中，A
l
为邻接矩阵，表示系统中各子系统的关联关系，矩阵元素a
ij
为第i个智能体与第j个智能体之间的关系，关联则为1，非关联则为0；D
r
＝diag(d1,d2,...,d7)为入度矩阵，满足L为拉普拉斯矩阵，L＝D
r
‑
A
l
；由基于图论的主动悬架降维控制模型可知，通过考虑其自身智能体和相邻智能体的状态信息，设计基于RBF神经网络的第i个智能体快速模型预测控制模块，可实现整车主动悬架系统输出对其输出理想值的快速跟随；所述基于RBF神经网络的第i个智能体快速模型预测控制模块的实现过程如下：1、第i个智能体的预测模型采用前向欧拉法将第i个智能体的状态方程(18)和输出偏差方程(19)离散化，可得：x
i
(k+1)＝(I+TA
i
)x
i
(k)+TB
i
u
i
(k)+Tω
i
h
i
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)e
yi
(k)＝γ
i
x
i
(k)+D
i
u

【专利技术属性】
技术研发人员：张袅娜，杨生，秦喜文，徐佳森，姜春霞，姜长泓，吴光仡，卓子昌，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：