汽车悬架系统的现代控制

汽车悬架系统的现代控制

0振动主动控制随着电子技术、控制技术和机械动力学的快速发展，传统的被动振动分离技术已发展为动态振动控制。特别是信息科学中对最优控制、自适应控制、模糊控制、人工神经网络等的研究,使悬架系统电子控制技术在现代控制理论指导下更趋完善,同时已开始应用于车辆悬架系统的振动控制,使电子控制悬架系统振动控制技术得以快速发展。1速等控制悬架系统电子控制悬架系统能根据不同的路面状况、载重量、车速等控制悬架系统的刚度和减振器的阻尼,也可以调节车身高度以提高车辆的通过性。根据有无动力源,可以将电子控制悬架分为两大类:半主动悬架及主动悬架。1.1半主动悬架自适应调整半主动悬架可以根据路面的激励和车身的响应对悬架的阻尼系数进行自适应调整,使车身的振动被控制在某个范围内。半主动悬架系统无动力源。因此,汽车在转向、起步、制动等工况时不能对刚度和阻尼进行有效控制。1.2主动悬架控制主动悬架是一种有源控制,可以根据汽车行驶条件的变化,主动改变悬架的刚度和阻尼系数。在汽车行驶路面、速度变化以及在汽车起步、制动、转向等工况时,主动悬架都可以进行有效控制。此外,主动悬架还可以根据车速的变化控制车身的高度。2主动悬架系统的工作原理电子控制悬架系统由传感器与开关、控制单元、执行元件等电子器件组成。传感器和开关将路面输入的模拟信号转换为数字信号传送给控制单元ECU,控制单元ECU将传感器输入的电信号进行分析处理后输出控制信号给执行元件,执行元件的机械动作改变减振器的阻尼和弹簧的刚度。工作原理如图1。主动悬架系统的基本工作原理是:传感器将采集的反映悬架振动的信号传给控制器,控制器控制主动悬架的力发生器,产生控制力控制车身的振动,从而大大提高了车辆的平顺性等性能。半主动悬架系统基本工作原理是:用可调弹簧或可调阻尼元件组成悬架,并根据悬架的振动响应等反馈信号,按照一定的调节规律调节车辆悬架系统的刚度或阻尼状态,提高车辆的行驶平顺性和安全性。3线性反馈控制由于悬架系统是很复杂的非线性动力系统,因此基于模型的线性反馈控制是不适用的。利用现代控制理论保证汽车行驶平顺性和操纵稳定性的研究日益完善,以下介绍几种基于现代控制理论的电控悬架控制方法。3.1自适应控制方法自适应控制是针对具有一定不确定性的系统而设计的。自适应控制方法可以自动检测系统的参数变化,从而时刻保持系统的性能指标为最优。其基本出发点是根据系统当前输入的相关信息,从预先计算并存储的参数中选取当前最合适的控制参数。应用于车辆悬架控制系统的自适应控制方法主要有自校正控制和模型参考自适应控制两类控制策略。自校正控制是一种将受控对象参数在线识别与控制器参数整定相结合的控制方法,如图2所示。模型参考自适应控制的原理是当外界激励条件和车辆自身参数状态发生变化时,被动车辆的振动输出仍能跟踪所选定的理想参考模型。3.2主动悬架的应用由美国的D.KARNOPP教授提出的天棚阻尼器控制理论,在主动悬架控制中被广泛采用。天棚阻尼器控制是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。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,通常被动悬架的性能不能令人满意。但带天棚阻尼器的汽车悬架,只要合理选择参数,可彻底消除系统共振现象。天棚阻尼器控制只考虑了幅频特性,不包括相频特性,这就产生了用传递函数评价性能指标的不确定性问题。3.3不同预注设置的汽车预应力控制系统设计预见控制方法是利用车辆前轮的扰动信息预估路面的干扰输入,将测量的状态变量反馈给前后控制器实施最优控制。这种控制技术可以通过某种方法提前检测到前方路面的状态和变化,使控制系统有足够的时间采取措施。因此,可大大降低系统的能耗,改善系统的控制性能。根据预见信息的测量及利用方法不同,可构成不同的预见控制系统,如对四轮进行预见控制和利用前轮扰动信息对后轮进行预见控制。对四轮全进行预见控制时,在车的前部设置特制的预见传感器以测试前方道路的凹凸情况,然后将这些信息传至控制器。控制器根据这些信息计算出控制指令,并将相应信号送至4个车轮中的每一个悬架机构。从理论上看,这种系统应取得最为理想的控制效果,但需要设置特殊的传感器。在利用前轮信息对后轮进行预见控制系统中,2个前轮采用的仅为反馈控制,但通过前轮部分各种传感器所获得的信息,都被作为预见信息而送至控制器。在决定后轮的控制指令时,控制器不仅考虑当时后轮传感器得到的各种信息,而且也根据当时的车速和前后轮间的轴距,考虑前轮各传感器所获得的信息。因此,在后轮的执行机构上,实行的是反馈加前向反馈的双作用控制。这样就无须增设特制的预见传感器,只须对控制系统软件作些修改,便可对后轮实施预见控制,从而提高后轮的减振效果,同时就整车而言可以减小车体的振动,因而控制效果得到改善。3.4基于试验结果的lqg控制车辆的悬架系统是一个高阶的数学模型,对其采用最优控制的前提是获得大量的状态信息。在实际工程中,大部分的状态变量要利用Kalman滤波获得,通过求解Riccati方程,在使性能指标最小的基础上,综合控制规律,这就是通常所说的LQG控制。由于需要大量的状态信息,对硬件系统的要求很高,而且状态重构带来一系列鲁棒性的问题,因而LQG最优控制在实际中采用得很少。但由于它的结果是理论最优的,因而还是有众多学者对它进行了各种改进,期望提高该控制策略的鲁棒性。3.5达目的性谱范数由于实际的车辆系统往往是时变的非线性系统,从而使实际系统达不到运用最优控制理论所预期的性能。因此有必要对系统进行鲁棒性分析,即在各种模型误差及不确定扰动的情况下,研究系统的鲁棒稳定性问题。3.6神经网络技术神经网络控制的基本思想是从仿生学的角度,模拟人脑神经系统的运作方式,使机器具有人脑那样的感知、学习和推理能力。神经网络以其强大的非线性映射能力、自学习适应能力、联想记忆能力、并行处理方式及优良的容错性能,作为一种并行分布式处理系统,它具有自动知识获取、联想记忆、自适应性、良好的容错性和推理能力,故在汽车悬架控制中有广泛的应用前景,其原理见图3。但神经网络有以下不足:(1)难以保证解的唯一性;(2)局域性差;(3)基函数非正交,收敛速度慢;(4)难以确定逼近的分辨尺度。3.7结构控制框图模糊控制是近年来迅速发展起来的新型控制方法,其特点是允许控制对象没有精确的数学模型,使用语言变量代替数字变量,在控制过程中包含大量的控制经验和知识,结构控制框图如图4所示。其控制器的输入量可选择车身加速度和车身与车轮的相对速度,输出量为动力装置产生的作用力。3.8基于模糊神经模型的复合神经网络控制的模型车辆悬架控制方法的研究几乎涉及到控制理论的所有分支,各种控制方法均有其特点和不足之处。而采用复合控制方法则往往能得到意想不到的结果,如自适应控制与鲁棒控制的复合、自适应控制与神经网络控制的复合、神经网络控制与最优预见控制的复合以及神经网络控制与模糊控制的复合等。基于模糊神经的模型参考自适应控制(MRAC,ModelReferenceAdaptiveControl)系统结构如图5所示。汽车车身垂直振动加速度是评价汽车行驶平顺性的主要指标,在保证操纵稳定性的前提下应尽量减小该振动。采用车身垂直振动加速度的统计值,即加速度均方根值4被动悬架系统的应用随着汽车技术的不断发展以及人们物