一种基于云计算的自适应半主动悬架多模态集成控制方法及系统技术方案

本发明专利技术公开了一种基于云计算的自适应半主动悬架多模态集成控制方法及系统，首先集成一种改进天棚阻尼控制和

【技术实现步骤摘要】
一种基于云计算的自适应半主动悬架多模态集成控制方法及系统


[0001]本专利技术涉及一种汽车半主动悬架系统集成控制策略，尤其涉及一种基于云计算的自适应半主动悬架多模态集成控制方法及系统，本专利技术旨在提高乘坐舒适性，同时保证行车安全性，属于汽车悬架系统

。

技术介绍

[0002]近年来，半主动悬架因其能实现大部分主动悬架实现的效果，且半主动悬架耗能较小，可靠度高，减振效果较好，成本较低等优点，逐渐成为车辆悬架系统的热门选择
。
半主动悬架通过改变阻尼来实现更好的控制效果，因此，半主动悬架控制算法的研究是实现其功能的重要一环
。
许多专家对算法进行了大量的研究，包括
PID
控制
、
模糊控制
、
滑模控制
、
天棚阻尼控制
、
使用粒子群算法
、
神经网络优化的控制算法等半主动悬架控制方法
。
此外，
LQG
理论作为现代控制理论中最早
、
最成熟的控制算法之一，也得到了深入的研究
。
[0003]然而单一的控制算法一般有其局限性，往往在某一工况下效果较好，其他工况控制效果不好，甚至导致结果的恶化，难以满足多工况下的控制需求
。
在传统
LQG
控制器设计中，性能指标的加权系数决定了汽车在当前条件下的各性能间的最佳平衡，权重系数一旦确定便不再更改
。
而实际中需要考虑的因素来自多个方面，如不同路面的不平度
、
车辆行驶速度
、
车载质量
、
甚至还可能包括不同驾驶员偏好等，因此无法根据速度
、
道路条件
、
道路不平度实现动态自适应调节，无法保证悬架系统始终处于最佳阻尼状态，且传统的权重选择过于依赖设计者的经验
。
虽然使用粒子群算法
、
神经网络优化等控制算法，控制效果较好，但算法结构复杂，实时计算量大，耗时长，成本较高
。
同时，在上述算法中均没有考虑驾驶风格的个体差异
。
[0004]因此，研究一种考虑驾驶员的特征并将其分类为不同的模式
、
计算耗时短
、
使用方便
、
能够随路面条件
、
车速
、
道路不平度的变化实现在全频段动态自适应调节阻尼，保持最佳阻尼状态的集成控制方法是有价值的
。

技术实现思路

[0005]专利技术目的：本专利技术的目的是针对现有技术中存在的问题，提出一种基于云计算的自适应半主动悬架多模态集成控制方法
。
[0006]技术方案：一种基于云计算的自适应半主动悬架多模态集成控制方法，包括以下步骤：
[0007]步骤一
、
构建
1/4
车辆半主动悬架仿真模型；
[0008]步骤二
、
确定半主动悬架模型的状态变量，输出变量和状态空间方程表达式；
[0009]步骤三
、
构建一种新型可变阻尼天棚阻尼控制器；
[0010]步骤四
、
构建
LQG
控制器；
[0011]步骤五
、
设计一种分频控制规律；
[0012]步骤六
、
运用遗传算法
(GA)
对
LQG
权重系数进行优化；
[0013]步骤七
、
构建机器学习数据集
。
基于
LQG
最优解构造可能的加权空间，在加权空间中，生成每个性能指标的随机加权系数，对
1/4
车辆模型进行
LQG
控制，利用这些随机加权值，不同的道路等级和行驶速度自动记录模拟数据，从这些模拟中构建机器学习数据集，并上传到云数据库；
[0014]步骤八
、
性能模式分类
。
使用
K
均值聚类算法将
LQG
控制半主动悬架分为三种性能模式：安全模式
、
综合模式和舒适模式，确定各性能模式的最优权重矩阵，形成最优解集，上传到云数据库；
[0015]步骤九
、
通过
LPV
方法设计可重构半主动悬架控制器；
[0016]步骤十
、
云系统决策
。
对道路条件
、
车速
、
模式需求进行在线识别，通过云系统对调度参数进行决策，实现实时自适应半主动悬架控制；
[0017]本专利技术以四分之一车辆两自由度半主动悬架模型为研究对象，以车身垂直加速度
、
悬架动挠度等悬架性能改善的主要性能指标为输出
。
[0018]进一步地，如上所述的方法，所述步骤一建立四分之一车辆两自由度半主动悬架的仿真模型为：
[0019][0020][0021]式中：
m
s
为悬架簧载质量，
z
s
为簧载质量的垂直位移，
k
s
为减振器的刚度系数，
z
u
为非簧载质量的垂直位移，
c0为减振器阻尼系数，
u
为可调阻尼输出的阻尼力，
m
u
为悬架非簧载质量，
k
t
为轮胎的刚度系数，
z
r
为路面的垂直位移
。
[0022]进一步地，如上所述的方法，所述步骤二中半主动悬架模型的状态变量，输出变量和状态空间表达式方程如下：
[0023]选取路面输入
z
r
作为输入向量，定义模型状态变量
X
为：
[0024][0025]式中：
T
为矩阵转置符号；
[0026]选取模型的输出变量
Y
为：
[0027][0028]半主动悬架模型的状态空间表达式为：
[0029][0030]式中：
X
为状态变量；
Y
为输出变量；
A
为系统矩阵；
B
为控制矩阵；
G
为扰动矩阵；
C
为输出矩阵；
D
为传递矩阵；
U
为控制力矩阵，
U
＝
[u
f u
r
]T
，
u
f
、u
r
为前后悬架的控制力；
W
为路面输入矩阵
。
[0031]其中：其中：
[0032]在低频工况下，传统的开关天棚阻尼控制可以表现出良好的乘坐舒适性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于云计算的自适应半主动悬架多模态集成控制方法
,
其特征在于，包括如下步骤：步骤一
、
建立
1/4
车辆半主动悬架模型；步骤二
、
确定半主动悬架模型的状态变量，输出变量和状态空间方程表达式；步骤三
、
构建一种新型可变阻尼天棚阻尼控制器；步骤四
、
构建
LQG
控制器；步骤五
、
设计一种分频控制规律；步骤六
、
运用遗传算法
(GA)
对
LQG
权重系数进行优化；步骤七
、
构建机器学习数据集；基于
LQG
最优解构造可能的加权空间，在加权空间中，生成每个性能指标的随机加权系数，对
1/4
车辆模型进行
LQG
控制，利用这些随机加权值，不同的道路等级和行驶速度自动记录模拟数据，从这些模拟中构建机器学习数据集，并上传到云数据库；步骤八
、
性能模式分类；使用
K
均值聚类算法将
LQG
控制半主动悬架分为三种性能模式：安全模式
、
综合模式和舒适模式，确定各性能模式的最优权重矩阵，形成最优解集，上传到云数据库；步骤九
、
通过
LPV
方法设计可重构半主动悬架控制器；步骤十
、
云系统决策，对道路条件
、
车速
、
模式需求进行在线识别，通过云系统对调度参数进行决策，实现实时自适应半主动悬架控制
。2.
根据权利要求1所述的一种基于云计算的自适应半主动悬架多模态集成控制方法，其特征在于，所述步骤一建立四分之一车辆两自由度半主动悬架模型为：其特征在于，所述步骤一建立四分之一车辆两自由度半主动悬架模型为：式中：
m
s
为悬架簧载质量，
z
s
为簧载质量的垂直位移，
k
s
为减振器的刚度系数，
z
u
为非簧载质量的垂直位移，
c0为减振器阻尼系数，
u
为可调阻尼输出的阻尼力，
m
u
为悬架非簧载质量，
k
t
为轮胎的刚度系数，
z
r
为路面的垂直位移
。3.
根据权利要求1所述的一种基于云计算的自适应半主动悬架多模态集成控制方法，其特征在于，所述步骤二中半主动悬架模型的状态变量，输出变量和状态空间表达式如下：选取路面输入
z
r
作为输入向量，定义状态变量
X
为：式中：
T
为矩阵转置符号；选取输出变量
Y
为：半主动悬架模型的状态空间表达式为：
式中：
W
＝
z
r
4.
根据权利要求1所述的一种基于云计算的自适应半主动悬架多模态集成控制方法，其特征在于，所述步骤三中构建一种新型可变阻尼天棚阻尼控制器的方法如下：步骤
31
：给出设计控制律时应该考虑的悬架系统的重要参数，最小化簧载质量加速度，这里是的最小值；道路抓地力是指车辆在高速行驶时保持稳定的能力，因此，它被视为动态力与静态力的比率
RTF
；式中：
D
force
＝
k
t
(z
u
‑
z
r
)
；
S
force
＝
(m
s
+m
u
)g
；式中：
g
是重力加速度，
RTF
的大小应小于1；振动空间是簧载质量和非簧载质量之间的总距离，用
L
表示：
L
＝
z
s
‑
z
u
相对悬架挠度
(RSD)—
它是簧载质量和非簧载质量
(z
s
‑
z
u
)
与振动空间
(L)
的相对运动的比率，相对悬架挠度应始终小于1，用
ε
表示：步骤
32
：设计控制律；设计控制律的目标是使车辆具有平顺性
、
更好的路面抓地力和更好的悬架相对挠度，因此，可变阻尼器被用来实现上述三个目的，模型中使用的天棚阻尼器根据相对悬架挠度指数变化，改善了所有目标，
RSD
继续增大的瞬间，可变阻尼器继续减小，由于乘坐舒适性和相对悬架偏转
(RSD)
是相反的，可变阻尼器设计成阻尼因子根据
RSD
而变化，使得它将以受控的方式实现这两个目标，并且还具有良好的道路抓地力；具体地：式中：
k1是用户选择的改变阻尼系数的常数，取
0.5
；新型可变阻尼天棚阻尼控制器的输出控制力如下：
5.
根据权利要求1所述的一种基于云计算的自适应半主动悬架多模态集成控制方法，其特征在于，所述步骤四中构建
LQG
控制器的方法如下：步骤
41
：设计
LQG
评价指标；选取簧载质量加速度
、
悬架动挠度
、
轮胎动位移以及可控阻尼力作为评价指标，构建
LQG
的评价目标函数如下：式中：
q1,q2,q3,r
分别为簧载质量加速度
、
悬架动挠度
、
轮胎动位移和可控阻尼力的加权系数，其值均为非负常数；步骤
42
：将上述
LQG
评价目标函数调整为标准线性二次型状态形式，方法如下：定义系统的状态变量和输出变量分别如下：定义系统的状态变量和输出变量分别如下：令
Q
y
＝
diag(q1,q2,q3)
；
R
r
＝
r
，则上式改写为：将
Y
＝
CX+DU
代入上式得：式中：
Q
＝
C
T
Q
y
C
；
R
＝
R
r
+D
T
Q
y
D
；
N
＝
C
T
Q
y
D
将
Q,R,N
表示如下：步骤
43
：求解
LQG
控制器；上述问题为无限时间状态调节器问题，其目标函数取极小值的最优控制阻尼力
u(t)
为：
u(t)
＝
‑
KX(t)
式中：
K
＝
R
‑1(B
T
P+N
T
)
；
P
是代数黎卡提方程的解；
A
T
P+PA
‑
(PB+N)R
‑1(B
T
P+N
T
)+Q
＝
0。6.
根据权利要求1所述的一种基于云计算的自适应半主动悬架多模态集成控制方法，
其特征在于，所述步骤五中一种分频控制规律的方法如下：从能量流动的角度对
1/4
车辆动力学模型和天棚阻尼控制器进行分析，模型的总动能为簧载质量的动能和非簧载质量的动能之和：模型的总弹性势能为车轮中的弹性势能和减振器弹簧中的弹性势能之和：在整个模型中，只有减振器阻尼消耗能量，减振器阻尼吸收簧载质量能量的功率为：减振器阻尼释放能量给非簧载质量的功率为：当
P1+P2≥0
时，减振器吸收簧载质量能量的能力更强，悬架能够将簧载质量吸收的所有能量转移到簧下，此时使用天棚阻尼控制的效果更好；当
P1+P2<0
时，使用
LQG
的控制算法能实现更好的控制效果，由上面的分析可得，
P1+P2的正负等价于的正负，因此得出分频控制规律如下：式中：为减振器的相对速度，
f
LQG
为通过
LQG
控制方法计算得出的相应阻尼力
。7.
根据权利要求1所述的一种基于云计算的自适应半主动悬架多模态集成控制方法，其特征在于，所述步骤六中运用遗传算法
(GA)
对
LQG
权重系数进行优化包括以下步骤：步骤
61
：性能指标归一化，设计适应度函数；将三个半主动悬架性能指标的均方根
(RMS)
值除以它们对应的被动悬架的
RMS
值，然后加在一起作为
GA
的适应度函数：式中：
rmsBA
s
,rmsSWS
s
,rmsDTD
s
分别为半主动悬架的
BA,SWS,DTD
的
RMS
值；
rmsBA
p
,rmsSWS
p
,rmsDTD
p
分别为被动悬架的
BA,SWS,DTD
的
RMS
值；约束条件为：步骤
62
：执行
GA
优化流程，优化步骤如下：步骤
621
：生成加权系数的初始总体；
步骤
622
：群体中的个体的值依次被分配给
LQG
控制器的加权系数
q1,q2和
q3，为了保证
BA
的控制效果，减少迭代次数，
BA
的加权系数设置为1，即令
q1为1；最佳增益反馈矩阵
K
由
Riccati
方程求解，然后最佳控制力
u(t)
由公式
u(t)
＝
‑
KX(t)
求解，然后将控制力作用于半主动悬架模型，计算出三个性能指标的均方根值；步骤
623
：在满足...

【专利技术属性】
技术研发人员：潘公宇，杜曾龙，段友好，晋恩荣，
申请(专利权)人：江苏大学，
类型：发明
国别省市：