【技術實現步驟摘要】
一種基于云計算的自適應半主動懸架多模態集成控制方法及系統
[0001]本專利技術涉及一種汽車半主動懸架系統集成控制策略，尤其涉及一種基于云計算的自適應半主動懸架多模態集成控制方法及系統，本專利技術旨在提高乘坐舒適性，同時保證行車安全性，屬于汽車懸架系統
。
技術介紹
[0002]近年來，半主動懸架因其能實現大部分主動懸架實現的效果，且半主動懸架耗能較小，可靠度高，減振效果較好，成本較低等優點，逐漸成為車輛懸架系統的熱門選擇
。
半主動懸架通過改變阻尼來實現更好的控制效果，因此，半主動懸架控制算法的研究是實現其功能的重要一環
。
許多專家對算法進行了大量的研究，包括
PID
控制
、
模糊控制
、
滑?？刂?br/>、
天棚阻尼控制
、
使用粒子群算法
、
神經網絡優化的控制算法等半主動懸架控制方法
。
此外，
LQG
理論作為現代控制理論中最早
、
最成熟的控制算法之一，也得到了深入的研究
。
[0003]然而單一的控制算法一般有其局限性，往往在某一工況下效果較好，其他工況控制效果不好，甚至導致結果的惡化，難以滿足多工況下的控制需求
。
在傳統
LQG
控制器設計中，性能指標的加權系數決定了汽車在當前條件下的各性能間的最佳平衡，權重系數一旦確定便不再更改
。
而實際中需要考...
【技術保護點】
【技術特征摘要】
1.
一種基于云計算的自適應半主動懸架多模態集成控制方法
,
其特征在于，包括如下步驟：步驟一
、
建立
1/4
車輛半主動懸架模型；步驟二
、
確定半主動懸架模型的狀態變量，輸出變量和狀態空間方程表達式；步驟三
、
構建一種新型可變阻尼天棚阻尼控制器；步驟四
、
構建
LQG
控制器；步驟五
、
設計一種分頻控制規律；步驟六
、
運用遺傳算法
(GA)
對
LQG
權重系數進行優化；步驟七
、
構建機器學習數據集；基于
LQG
最優解構造可能的加權空間，在加權空間中，生成每個性能指標的隨機加權系數，對
1/4
車輛模型進行
LQG
控制，利用這些隨機加權值，不同的道路等級和行駛速度自動記錄模擬數據，從這些模擬中構建機器學習數據集，并上傳到云數據庫；步驟八
、
性能模式分類；使用
K
均值聚類算法將
LQG
控制半主動懸架分為三種性能模式：安全模式
、
綜合模式和舒適模式，確定各性能模式的最優權重矩陣，形成最優解集，上傳到云數據庫；步驟九
、
通過
LPV
方法設計可重構半主動懸架控制器；步驟十
、
云系統決策，對道路條件
、
車速
、
模式需求進行在線識別，通過云系統對調度參數進行決策，實現實時自適應半主動懸架控制
。2.
根據權利要求1所述的一種基于云計算的自適應半主動懸架多模態集成控制方法，其特征在于，所述步驟一建立四分之一車輛兩自由度半主動懸架模型為：其特征在于，所述步驟一建立四分之一車輛兩自由度半主動懸架模型為：式中：
m
s
為懸架簧載質量，
z
s
為簧載質量的垂直位移，
k
s
為減振器的剛度系數，
z
u
為非簧載質量的垂直位移，
c0為減振器阻尼系數，
u
為可調阻尼輸出的阻尼力，
m
u
為懸架非簧載質量，
k
t
為輪胎的剛度系數，
z
r
為路面的垂直位移
。3.
根據權利要求1所述的一種基于云計算的自適應半主動懸架多模態集成控制方法，其特征在于，所述步驟二中半主動懸架模型的狀態變量，輸出變量和狀態空間表達式如下：選取路面輸入
z
r
作為輸入向量，定義狀態變量
X
為：式中：
T
為矩陣轉置符號；選取輸出變量
Y
為：半主動懸架模型的狀態空間表達式為：
式中：
W
＝
z
r
4.
根據權利要求1所述的一種基于云計算的自適應半主動懸架多模態集成控制方法，其特征在于，所述步驟三中構建一種新型可變阻尼天棚阻尼控制器的方法如下：步驟
31
：給出設計控制律時應該考慮的懸架系統的重要參數，最小化簧載質量加速度，這里是的最小值；道路抓地力是指車輛在高速行駛時保持穩定的能力，因此，它被視為動態力與靜態力的比率
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
的大小應小于1；振動空間是簧載質量和非簧載質量之間的總距離，用
L
表示：
L
＝
z
s
?
z
u
相對懸架撓度
(RSD)—
它是簧載質量和非簧載質量
(z
s
?
z
u
)
與振動空間
(L)
的相對運動的比率，相對懸架撓度應始終小于1，用
ε
表示：步驟
32
：設計控制律；設計控制律的目標是使車輛具有平順性
、
更好的路面抓地力和更好的懸架相對撓度，因此，可變阻尼器被用來實現上述三個目的，模型中使用的天棚阻尼器根據相對懸架撓度指數變化，改善了所有目標，
RSD
繼續增大的瞬間，可變阻尼器繼續減小，由于乘坐舒適性和相對懸架偏轉
(RSD)
是相反的，可變阻尼器設計成阻尼因子根據
RSD
而變化，使得它將以受控的方式實現這兩個目標，并且還具有良好的道路抓地力；具體地：式中：
k1是用戶選擇的改變阻尼系數的常數，取
0.5
；新型可變阻尼天棚阻尼控制器的輸出控制力如下：
5.
根據權利要求1所述的一種基于云計算的自適應半主動懸架多模態集成控制方法，其特征在于，所述步驟四中構建
LQG
控制器的方法如下：步驟
41
：設計
LQG
評價指標；選取簧載質量加速度
、
懸架動撓度
、
輪胎動位移以及可控阻尼力作為評價指標，構建
LQG
的評價目標函數如下：式中：
q1,q2,q3,r
分別為簧載質量加速度
、
懸架動撓度
、
輪胎動位移和可控阻尼力的加權系數，其值均為非負常數；步驟
42
：將上述
LQG
評價目標函數調整為標準線性二次型狀態形式，方法如下：定義系統的狀態變量和輸出變量分別如下：定義系統的狀態變量和輸出變量分別如下：令
Q
y
＝
diag(q1,q2,q3)
；
R
r
＝
r
，則上式改寫為：將
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
將
Q,R,N
表示如下：步驟
43
：求解
LQG
控制器；上述問題為無限時間狀態調節器問題，其目標函數取極小值的最優控制阻尼力
u(t)
為：
u(t)
＝
?
KX(t)
式中：
K
＝
R
?1(B
T
P+N
T
)
；
P
是代數黎卡提方程的解；
A
T
P+PA
?
(PB+N)R
?1(B
T
P+N
T
)+Q
＝
0。6.
根據權利要求1所述的一種基于云計算的自適應半主動懸架多模態集成控制方法，
其特征在于，所述步驟五中一種分頻控制規律的方法如下：從能量流動的角度對
1/4
車輛動力學模型和天棚阻尼控制器進行分析，模型的總動能為簧載質量的動能和非簧載質量的動能之和：模型的總彈性勢能為車輪中的彈性勢能和減振器彈簧中的彈性勢能之和：在整個模型中，只有減振器阻尼消耗能量，減振器阻尼吸收簧載質量能量的功率為：減振器阻尼釋放能量給非簧載質量的功率為：當
P1+P2≥0
時，減振器吸收簧載質量能量的能力更強，懸架能夠將簧載質量吸收的所有能量轉移到簧下，此時使用天棚阻尼控制的效果更好；當
P1+P2<0
時，使用
LQG
的控制算法能實現更好的控制效果，由上面的分析可得，
P1+P2的正負等價于的正負，因此得出分頻控制規律如下：式中：為減振器的相對速度，
f
LQG
為通過
LQG
控制方法計算得出的相應阻尼力
。7.
根據權利要求1所述的一種基于云計算的自適應半主動懸架多模態集成控制方法，其特征在于，所述步驟六中運用遺傳算法
(GA)
對
LQG
權重系數進行優化包括以下步驟：步驟
61
：性能指標歸一化，設計適應度函數；將三個半主動懸架性能指標的均方根
(RMS)
值除以它們對應的被動懸架的
RMS
值，然后加在一起作為
GA
的適應度函數：式中：
rmsBA
s
,rmsSWS
s
,rmsDTD
s
分別為半主動懸架的
BA,SWS,DTD
的
RMS
值；
rmsBA
p
,rmsSWS
p
,rmsDTD
p
分別為被動懸架的
BA,SWS,DTD
的
RMS
值；約束條件為：步驟
62
：執行
GA
優化流程，優化步驟如下：步驟
621
：生成加權系數的初始總體；
步驟
622
：群體中的個體的值依次被分配給
LQG
控制器的加權系數
q1,q2和
q3，為了保證
BA
的控制效果，減少迭代次數，
BA
的加權系數設置為1，即令
q1為1；最佳增益反饋矩陣
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，然后將控制力作用于半主動懸架模型，計算出三個性能指標的均方根值；步驟
623
：在滿足...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。