一种LQR主动悬架优化方法技术

本发明专利技术一种LQR主动悬架优化方法，通过建立主动悬架四自由度模型和目标性能指标模型，从而得到作动力最优控制矩阵，以车辆状态参数作为输入，以车辆转向的外侧后轮与地面的滑移量为输出对BP神经网络进行训练，得到预测模型，根据预测模型的输出得到不同状态下的加权系数，进而得到不同状态下的作动力最优控制矩阵，通过主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对车辆状态参数进行调整，即改变预测模型的输入使得作动力最优控制矩阵发生改变，实现循环控制，解决了传统的LQR算法由于加权系数只能确定一组，尤其是正常工况和极限工况转换的情况下适应性不强的问题。况和极限工况转换的情况下适应性不强的问题。

【技术实现步骤摘要】
一种LQR主动悬架优化方法


[0001]本专利技术属于汽车工程
，具体涉及一种LQR主动悬架优化方法。

技术介绍

[0002]在车辆平顺性和操纵稳定性的优化过程中，主动悬架是继ESP系统和横摆力矩控制系统之后的又一主要优化方法，其主要原理是根据悬架配置的传感器，接收路面信息，由作动器输出主动力来调节车身位姿以改善车辆乘坐舒适性以及极限转向工况下的操纵稳定性，进而提高行驶过程中的安全性能。
[0003]车辆主动悬架控制方法主要有PID控制、LQR控制以及MPC控制，LQR是最优控制的一种，然而其存在权重系数为人为设定，具有一定的随机性，对路面适应性不强的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种LQR主动悬架优化方法，以克服现有技术主动悬架LQR控制过程中由于权重系数的随机性导致的对路面适应性不强的问题。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]一种LQR主动悬架优化方法，包括以下步骤：
[0007]步骤1)、根据主动悬架四自由度模型和目标性能指标模型，得到作动力最优控制矩阵；
[0008]步骤2)、以车辆状态参数为输入，以车辆转向的外侧后轮与地面的滑移量为输出，对BP神经网络进行训练，得到预测模型，根据预测模型的输出得到不同状态下的加权系数，由不同状态下的加权系数得到不同状态下的作动力最优控制矩阵；
[0009]步骤3)、主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对悬架性能指标进行优化。
[0010]进一步的，主动悬架四自由度模型的运动微分方程为：
[0011][0012][0013][0014][0015]其中m
wf
为左悬架非簧载质量，m
wr
为右悬架非簧载质量，m
hb
为车身质量，即簧载质量，I
hp
为车身侧倾转动惯量，K
sf
、K
sr
分别为左、右悬架刚度，K
tf
、K
tr
分别为左、右轮胎刚度，a为左轮到质心的距离，b为右轮到质心的距离，z
01
为左轮路面激励，z1为左悬架非簧载质量位移，z2为左车身位移，即左悬架簧载质量位移，z
02
为右轮路面激励，z3为右悬架非簧载质量位移，z4为右车身位移，即右悬架簧载质量位移,Uaf、Uar分别为左、右悬架作动器的作动力。
[0016]进一步的，主动悬架四自由度模型运动微分方程的矩阵形式为：
[0017][0018]其中为状态量，悬架作动力
[0019]U＝[U
af
,U
ar
]T
为控制量，w＝[w1,w2]T
为路面输入。
[0020]进一步的，目标性能指标J的积分函数为：
[0021][0022]其中q1、q2、q3、q4、p1、p2为加权系数。
[0023]进一步的，目标性能指标模型积分函数的矩阵形式为：
[0024][0025]其中J为目标性能指标。
[0026]进一步的，作动力最优反馈矩阵为：
[0027]U＝
‑
KX
[0028]其中K为最优控制反馈增益矩阵。
[0029]进一步的，所述最优控制反馈增益矩阵K由黎卡提方程求得：
[0030]K＝R
‑1(PB+N
T
)
[0031]其中P为黎卡提方程的解。
[0032]进一步的，所述车辆状态参数包括车身侧倾角、侧倾角速度、横摆角速度、侧向加速度以及质心侧偏角。
[0033]进一步的，根据预测模型预测侧滑概率，规定为侧滑和不侧滑两种情况，得到两种状态下不同的加权系数，进而分别得到两种状态下关于作动力的最优控制矩阵。
[0034]进一步的，主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对悬架性能指标进行优化进而改变车辆状态参数，新的车辆状态参数作为新的预测模型输入，实现循环控制。
[0035]与现有技术相比，本专利技术具有以下有益的技术效果：
[0036]本专利技术一种LQR主动悬架优化方法，通过建立主动悬架四自由度模型和目标性能指标模型，从而得到作动力最优控制矩阵，以车辆状态参数作为输入，以车辆转向的外侧后轮与地面的滑移量为输出对BP神经网络进行训练，得到预测模型，根据预测模型的输出得到不同状态下的加权系数，进而得到不同状态下的作动力最优控制矩阵，通过主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵悬架性能指标进行优化进而对车辆状态参数进行调整，即改变预测模型的输入使得作动力最优控制矩阵发生改变，实现循环控制，解决了传统的LQR算法由于加权系数只能确定一组，尤其是正常工况和极限工况转换的情况下适应性不强的问题，能够在极限工况下较好的抑制车辆的侧滑倾向，大幅度提高了车辆的安全性和操控稳定性。
附图说明
[0037]图1为BP神经网络结构示意图。
[0038]图2为BP神经网络训练过程中的梯度。
[0039]图3为车身侧倾角仿真结果图。
[0040]图4为侧倾角速度仿真结果图。
[0041]图5为横摆角速度仿真结果图。
[0042]图6为侧向加速度仿真结果图。
[0043]图7为质心侧偏角仿真结果图。
具体实施方式
[0044]下面结合附图对本专利技术做进一步详细描述：
[0045]如图1所示，一种LQR主动悬架优化方法，包括以下步骤：
[0046]步骤1)，建立主动悬架四自由度模型(即左右半车模型)；
[0047]其微分方程为；
[0048][0049][0050][0051][0052]其中m
wf
为左悬架非簧载质量，m
wr
为右悬架非簧载质量，m
hb
为车身质量，即簧载质量，I
hp
为车身侧倾转动惯量，K
sf
、K
sr
分别为左、右悬架刚度，K
tf
、K
tr
分别为左、右轮胎刚度，a为左轮到质心的距离，b为右轮到质心的距离，z
01
为左轮路面激励，z1为左悬架非簧载质量位移，z2为左车身位移，即左悬架簧载质量位移，z
02
为右轮路面激励，z3为右悬架非簧载质量位移，z4为右车身位移，即右悬架簧载质量位移,为左轮胎的加速度，为左车身加速度，为右轮胎加速度，为右车身加速度，Uaf、Uar分别为左、右悬架作动器的作动力。
[0053]采用滤波白噪声的时域表达式作为路面输入模型，左、右轮处路面输入方程为：
[0054][0055][0056]以为状态量，为左轮胎速度，为左车身速度，为右轮胎速度，为右车身速度，悬架作动力U＝[U
af
,U
ar
]T
为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种LQR主动悬架优化方法，其特征在于，包括以下步骤：步骤1)、根据主动悬架四自由度模型和目标性能指标模型，得到作动力最优控制矩阵；步骤2)、以车辆状态参数为输入，以车辆转向的外侧后轮与地面的滑移量为输出，对BP神经网络进行训练，得到预测模型，根据预测模型的输出得到不同状态下的加权系数，由不同状态下的加权系数得到不同状态下的作动力最优控制矩阵；步骤3)、主动悬架四自由度模型根据不同状态下的作动力最优控制矩阵对悬架性能指标进行优化。2.根据权利要求1所述的一种LQR主动悬架优化方法，其特征在于，主动悬架四自由度模型的运动微分方程为：模型的运动微分方程为：模型的运动微分方程为：模型的运动微分方程为：其中m
wf
为左悬架非簧载质量，m
wr
为右悬架非簧载质量，mh
b
为车身质量，即簧载质量，Ih
p
为车身侧倾转动惯量，K
sf
、K
sr
分别为左、右悬架刚度，K
tf
、K
tr
分别为左、右轮胎刚度，a为左轮到质心的距离，b为右轮到质心的距离，z
01
为左轮路面激励，z1为左悬架非簧载质量位移，z2为左车身位移，即左悬架簧载质量位移，z
02
为右轮路面激励，z3为右悬架非簧载质量位移，z4为右车身位移，即右悬架簧载质量位移,Uaf、Uar分别为左、右悬架作动器的作动力。3.根据权利要求2所述的一种LQR主动悬架优化方法，其特征在于，主动悬架四自由度模型运...

【专利技术属性】
技术研发人员：周辰雨，何清硕，李杨，易莎，赵轩，余强，朱国华，
申请(专利权)人：长安大学，
类型：发明
国别省市：