自适应模糊神经网络与bp神经网络的区别

汽车悬架系统的历史

汽车悬架控制系统发展概述1.前言悬架依据其可控性可以分为不可控的被动悬架和可控的智能悬架两大类。

在多变环境或性能要求高且影响因素复杂的情况下,被动悬架难以满足期望的性能要求;而智能悬架能够对行驶路面、汽车的工况和载荷等状况进行监测,进而控制悬架本身特性及工作状态,使汽车的整体行驶性能达到最佳。

智能悬架中主动、半主动悬架在近年来得到了迅速发展,较好地解决了安全性和舒适性这一对卜矛盾,将其缓和至相对较低。

2.主动悬架与半主动悬架主动悬架是一个动力驱动系统,包括测量系统、反馈控制中心、能量源和执行器四个部分。

其原理是测量系统通过传感器获得车辆振动信息,传递给控制中心进行处理,进而由控制中心发出指令给能量源产生控制力,再由执行器进行控制,衰减悬架的振动。

由于主动悬架结构复杂,成本高,需要很大的能量消耗,它的发展受到了一定的制约,只在少数高级轿车中有所应用。

与之相比,半主动悬架具有结构简单、成本较低、基本不需要消耗能量等优点,而对振动的控制效果在一定程度上却可以接近主动悬架,远远优于被动悬架,因而越来越受到业界的重视,得到了飞速发展。

图1为主动悬架的原理图,其中F代表力发生器。图2为一种典型半主动悬架的结构示意图。半主动悬架与主动悬架结构相似,只是半主动悬架用可调刚度的弹性元件或是可调阻尼的减振器代替主动悬架的力发生器。

图2的半主动悬架系统中,一个连续可调的阻尼器与一个传统的普通弹簧并联,需要假定系统中的阻尼器能够完全独立于悬架的相对运动,且能根据力控制信号做出反应。

悬架控制系统的发展概况可以从控制策略、执行机构以及实际应用几个方面来分析。

3.控制策略研究目前应用于悬架控制系统的控制理论比较多,主要有天棚控制、最优控制、预测控制、模糊控制、自适应控制、神经网络控制以及复合控制等等。

3.1天棚阻尼与开关阴尼控制思想1974年,美国学者karnopp等提出了天棚阻尼控制思想。

原理是在车身上安装一个与车身振动速度成正比的阻尼器,可以完全防止车身与悬架系统产生共振,达到衰减振动的目的。

在天棚控制方式中,控制力取决于车体的绝对速度的反馈,不需要很多传感器也不需要复杂的数学模型,可靠性较好。控制力可以表示为:式中Csky为比例系数;x为车体垂直振动速度。

但是天棚阻尼是理论上的理想状态。karnopp为实现“天棚”控制思想又提出了开关阻尼的概念。原理是根据控制信号调节阻尼器阻尼的“软”、“硬”设置,进而调整阻尼力的大小。

其优点是作动器消耗振动能量。最早应用于实车的是美国lord公司的产品,反映效果良好。

开关阻尼控制思想的阻尼力算法可用以下公式表示:式中:Fd为阻尼力;c为比例系数;x为簧载质量的垂直运动速度,y为非簧载质量的垂直运动速度。目前开关阻尼的控制已经有所应用。

3.2最优控制在车辆上运用的最优控制方法常用的有线性最优控制、H∞最优控制等。

线性最优控制理论是早期经典控制理论的代表,已经过了理论到实践的考验,是目前比较成熟和完整的半主动悬架控制理论。

其中使用LQR算法的理论及实践应用比较成熟,算法概要如下:设悬架自由度弹簧阴尼系统动力方程为:f(t)表示外部激励的(r)阶向量u(t)是(m)维控制力向量;D是(nXm)控制力位置矩阵;E是(n×r)外部激励位置矩阵。

状态空间表达式的形式为:式中:x(t)为状态向量(2n);A为系统矩阵(2nX2n);B为控制力位置矩阵(2nXm);H为外部激励位置矩阵(2n×r)。

采用LQR模态控制算法设计主动最优控制力:国内在相关领域研究比较深人的是装甲兵工程学院关于履带车辆悬挂系统的半主动控制策略研究。

3.3预测控制预测控制方法提出比较早,它可以预先确定前方路面的信息,并利用这一信息和车辆当时信息来决定控制行为。

由于预测控制是利用车辆前轮的扰动信息预估路面的干扰输入,将车辆的前轮悬架的状态参数值反馈给控制器进行控制,因此,控制系统有一定的时间来采取措施。

然而信息的获得来自前轮,因此要求系统对信息进行处理并由控制器采取动作历时很短。鉴于此,目前最优预测控制多采用超声波传感器等测量方法对车辆前方道路的实际情况进行采集,用此信息来控制悬架执行机构的动作。

1984年日产公司研制出声纳式半主动悬架,它能通过声纳装置预测前方路面信息,及时调整悬架减振器的状态。

预测控制的问题表现在预测距离是一定的,因此预测提前时间取决于车速,这样必然具有时变性,而预测控制仍以线性时不变系统为研究对象,测量、参数的时变性和非线性对系统的影响还没有得到解决。

另外,用预测信息来控制悬架执行机构的动作的核心技术是信号的获取精度问题,要求不受干扰地真实反映路面信息,这往往导致成本、可靠性方面的投人相应增大,应用中要重点考虑。

3.4自适应控制策略自适应控制方法应用于汽车悬架控制系统的有自校正控制和模型参考自适应控制两类。

自适应控制考虑了车辆系统参数的时变性,通过自动检测系统的参数变化来调节控制策略,从而使系统实时逼近最优状态。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。

自适应控制存在的问题表现在自校正控制过程需要在线辨识大量的结构参数,所以导致计算量大,实时性不好。而模型参考自适应控制方法涉及路面信息获得的精度问题,这一点与预测控制存在的问题相似。

另外,当悬挂系统参数由于突然的冲击而在较大的范围变化时,自适应控制的鲁棒性将变坏。

3.5模糊控制与神经网络控制在过去的20年中,基于专家知识和经验的模糊控制及神经网络控制逐步成为解决具有非线性、复杂和不确定因素系统的有效方法。

在车辆悬架控制领域较早应用模糊控制的是Yoshimura教授,他将模糊控制方法应用到汽车主动、半主动悬架当中。该车辆系统由非线性微分方程模型描述,通过模糊推理从若干类阻尼力中选择合适的阻尼力。

仿真结果显示应用模糊控制的半主动悬架系统大大减小了车身振动加速度。随后进行的实车试验取得了较为理想的结果。

模糊控制和神经网络控制是建立在专家知识和经验的基础上的,因此人为因素在其中占据着很重要的角色。

专家的知识在一定程度上是“主观”的,如果专家知识的集合不能真实或准确地反应车辆的状态,那么控制就失去了准确性。

3.6复合控制当前应用于汽车悬架振动控制的控制策略很多,而得到的效果只能说是优越于被动悬架。

原因是各种控制策略都有自身无法弥补的缺陷,解决办法就是将两种甚至多种控制策略相结合,对悬架进行复合控制。

纵观车辆主动、半主动控制领域,只运用一种控制策略的成功案例并不多见,而采用复合控制策略的成功应用却很多。

近期的文献记载的控制策略设计有应用于越野车辆(坦克等)的自适应控制与LQG控制的联合控制,最优预见控制与神经网络控制的复合,以及模糊控制与神经网络控制的复合等等。

研究表明,利用复尸合控制方法更适用于汽车、悬架这样复杂非线性系统的建模与控制,可以预见复合控制方法是今后控制策略研究的一个重要方向。

4.执行机构研究控制策略最终是通过执行机构对悬架的振动特性进行调解的,因此,执行机构往往代表着半主动悬架系统的发展状态。

根据半主动悬架的结构特点,执行机构分为两种,即悬架刚度调解系统和减振器阻尼力调节系统。对悬架刚度的调节是通过对悬架弹簧的弹性系数进行调节,应用较多的为空气弹簧。相比之下,阻尼调节应用较多。

其中阻尼连续可调减振器被认为比较有发展前景。如增大摩擦力的办法改变阻尼力;采用压电陶瓷材料改变悬架阻尼;改变减振器节流孔开度以及改变减振器工作液(智能材料)粘度来改变阴尼力等。

调解阻尼最常用的一种方式还是使用粘性连续可控的新型智能材料(电流变或磁流变液体等)作为减振器工作液,从而实现阻尼连续调节。

磁流变液阻尼器是当今被认为最有发展前景的,虽然其发展晚于电流变液阻尼器,但是已经得到了飞速的发展和广泛的应用。磁流变液是一种随着外加磁场强度的改变其流变性能随着改变的智能材料。

由于磁流变液体是非牛顿液体,其剪切应力是由液体的粘性和屈服应力两部分组成的。流变特性的改变随着磁场强度的增加而增加,对外加磁场强度的控制可以在毫秒级对其流变特性进行改变,由液态变为半固态。

磁流变液优点很多:其剪切应力较大,可达到50-100kPa;剪切应力具有对温度的稳定性和对不存介质的不敏感性;通过对磁场强度的控制来控制剪切应力,耗能很低,同时更安全。

磁流变液也存在着一定的应用问题,主要是减振器内液体紊流产生的噪声较大和产生强磁场需要的金属线圈重量问题,这些问题有关研究人员正在研究解决。

5.应用实例近十多年以来,悬架控制系统的发展日新月异,成果较多。如福特公司生产的雷鸟轿车上的行驶平顺性程序控制悬架系统(PRC)。

PRC中的减振器配置了一种快速作用旋转式螺管电磁开关,在传感器和一台6805微处理器为基础的电子系统的配合下,根据驾驶员的指示和车辆的运行状态,电磁开关可以调节阻尼。

其他成功的应用还有奔驰车的自适应阻尼控制悬架系统、凯迪拉克轿车的路感悬架系统(RSS),以及对阻尼和刚度进行综合控制的丰田电子悬架控制系统和凌志LS400的电子控制空气悬架系统等。

在军用汽车领域,磁流变液阻尼器得到了应用。美国内华达大学的研究人员将磁流变阻尼器应用于美军高机动多用途轮式车辆(HMMWV),图3为该车应用的阻尼器。

为了对应用磁流变阻尼器的车辆性能进行评估,试验人员将安装磁流变阻尼器的“悍马”与使用传统被动悬架的HMMWV进行了对比试验,分别在平顺性、操纵稳定性等方面作了比较。

结果显示,应用磁流变半主动悬架的车辆行驶平顺性和操纵稳定性比使用传统悬架的车辆均有所提高。可见,军用轮式车辆领域是半主动悬架系统的一个重要应用方向。

更高层次的改进是将ABS,TCS,ASR等控制系统与悬架控制系统的集成,即组成汽车动力学集成控制系统,这将是车辆悬架系统与车辆其他控制系统集成化发展的方向。

6.结论与展望从

It is known that there is no sufficient Matlab program about neuro-fuzzy classifiers. Generally, ANFIS is used as classifier. ANFIS is a function approximator program. But, the usage of ANFIS for classifications is unfavorable. For example, there are three classes, and labeled as 1, 2 and 3. The ANFIS outputs are not integer. For that reason the ANFIS outputs are rounded, and determined the class labels. But, sometimes, ANFIS can give 0 or 4 class labels. These situations are not accepted. As a result ANFIS is not suitable for classification problems. In this study, I prepared different adaptive neuro-fuzzy classifiers. In the all programs, which are given below, I used the k-means algorithm to initialize the fuzzy rules. For that reason, the user should give the number of cluster for each class. Also, Gaussian membership function is only used for fuzzy set descriptions, because of its simple derivative expressions The first of them is scg_nfclass.m. This classifier based on Jang’s neuro-fuzzy classifier [1]. The differences are about the rule weights and parameter optimization. The rule weights are adapted by the number of rule samples. The scaled conjugate gradient (SCG) algorithm is used to determine the optimum values of nonlinear parameters. The SCG is faster than the steepest descent and some second order derivative based methods. Also, it is suitable for large scale problems [2]. The second program is scg_nfclass_speedup.m. This classifier is similar the scg_nfclass. The difference is about parameter optimization. Although it is based on SCG algorithm, it is faster than the traditional SCG. Because, it used least squares estimation method for gradient estimation without using all training samples. The speeding up is seemed for medium and large scale problems [2]. The third program is scg_power_nfclass.m. Linguistic hedges are applied to the fuzzy sets of rules, and are adapted by SCG algorithm. By this way, some distinctive features are emphasized by power values, and some irrelevant features are damped with power values. The power effects in any feature are generally different for different classes. The using of linguistic hedges increase the recognition rates [3]. The last program is scg_power_nfclass_feature.m. In this program, the powers of fuzzy sets are used for feature selection [4]. If linguistic hedge values of classes in any feature are bigger than 0.5 and close to 1, this feature is relevant, otherwise it is irrelevant. The program creates a feature selection and a rejection criterion by using power values of features. References: [1] Sun CT, Jang JSR (1993). A neuro-fuzzy classifier and its applications. Proc. of IEEE Int. Conf. on Fuzzy Systems, San Francisco 1:94–98.Int. Conf. on Fuzzy Systems, San Francisco 1:94–98 [2] B. Cetişli, A. Barkana (2010). Speeding up the scaled conjugate gradient algorithm and its application in neuro-fuzzy classifier training. Soft Computing 14(4):365–378. [3] B. Cetişli (2010). Development of an adaptive neuro-fuzzy classifier using linguistic hedges: Part 1. Expert Systems with Applications, 37(8), pp. 6093-6101. [4] B. Cetişli (2010). The effect of linguistic hedges on feature selection: Part 2. Expert Systems with Applications, 37(8), pp 6102-6108. e-mail:bcetisli@mmf.sdu.edu.tr bcetisli@gmail.com
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值