汽车半主动悬架的神经网络自适应PID控制

提出了一种基于神经网络自适应控制的汽车半主动悬架系统。通过与被动悬架的对比分析，证明半主动悬架具有优良的减振性能。     

汽车半主动空气悬架自适应模糊神经网络控制

考虑空气悬架弹簧刚度可调的特性,建立了车辆5自由度的半主动悬架非线性动力学模型.提出了一种基于自适应模糊神经网络系统结构的模型,参考自适应控制方法来研究汽车半主动空气悬架的非线性控制问题,并考虑半车模型前后悬架的输入时滞,对其进行了仿真分析.研究结果表明:该控制方法能够使人体垂直加速度、车身垂直加速度和俯仰角加速度都得到很大的衰减,可在一定程度上减少路面对车身的振动冲击,提高汽车的行驶平顺性.     

汽车半主动悬架的模糊逻辑控制

提出了用模糊逻辑控制汽车半主动悬架的新方法，介绍了模糊控制器的结构及模糊推理过程，进行了仿真计算和结果分析。     

汽车半主动悬架神经模糊融合网络控制

针对汽车半主动悬架模糊控制器的模糊控制规则无法有效调整的问题,建立了两自由度1/4车辆模型.利用白噪声模拟路面激励并作为系统的输入,将人工神经网络与模糊逻辑控制相融合,采用人工神经网络模拟模糊控制过程,实现了模糊规则的自适应调整.将直接控制力作为参考控制力对神经网络进行训练,输出控制力结合开关控制策略实现悬架的半主动控制.仿真分析表明,神经模糊融合网络控制器相对于模糊控制器和被动悬架,使悬架性能得到了显著的改善.     

基于滑模控制的半主动悬架系统仿真分析

建立1/4车2自由度半主动悬架系统动力学模型,并根据滑模变结构方法设计了车辆半主动悬架滑模控制器。控制器将天棚阻尼系统作为参考模型,把半主动悬架和参考模型间的广义误差动力学引入渐进稳定的滑模动态中,使用等速趋近率改善运动段的动态品质。仿真结果表明,滑模控制器的性能稳定,能有效地提高车辆行驶的平顺性和行驶的安全性。     

汽车磁流变半主动悬架的模糊PID控制研究

为了解决传统的被动悬架阻尼参数不可调节,汽车的乘坐舒适性和操纵稳定性难以改善的问题.提出使用磁流变阻尼器代替被动阻尼器,通过将磁流变阻尼器基于BP神经网络的逆向模型与模糊PID控制器形成闭环反馈来实现对汽车悬架的半主动控制.通过仿真实验和数据分析得到,基于磁流变阻尼器的模糊PID控制的半主动悬架系统的车身垂直加速度、悬架动挠度和轮胎动载荷的均方根植明显比被动悬架的均方根值小.结果表明:该方法可以有效地提高汽车的乘坐舒适性和操作稳定性,改善悬架系统的性能.     

汽车姿态的离散性半主动控制

在线性最优控制理论的基础上，采用轴间预瞄技术和Ｐａｄｅ近似方法，建立考虑前、后车轮下路面不平度输入相关性的汽车半主动悬架系统动力学模型和控制律，以优化连续阻尼和部分系统动态响应量作为参数，构造半主动悬架系统的离散优化阻尼控制律。提出的半主动悬架控制方法能改善乘坐舒适性，并能较好地抑制离散化控制中存在的高频震颤。     

汽车半主动悬架稳定性PID控制分析

以二自由度的半主动悬架为原型,建立了计算机数学模型,对其控制系统的稳定性进行了分析。利用MATLAB软件进行仿真,并对加入PID控制的悬架系统在稳定性和平顺性方面进行了对比验证,相比于其他控制系统,PID控制系统结构简单,调整快捷方便,在汽车行驶的平顺性和舒适性方面体现了明显的优势。     

车辆半主动悬架的控制策略及仿真

作者综述了汽车悬架控制系统的基本类型 ,以半主动悬架为研究对象 ,推导建立出汽车两自由度 1/ 4车体模型 ,提出了一种汽车半主动悬架系统的模糊控制方法 ,并利用MATLAB进行仿真 ,对结果进行分析 ,证明了该控制策略的有效性     

基于磁流变减振器汽车半主动悬架的最优控制仿真

建立了二自由度1/4汽车半主动悬架模型,在线性最优化理论的基础上设计出磁流变减振器半主动悬架的最优控制器,并在MATLAB/SIMULINK环境下进行仿真,结果表明采用最优控制器的流变减振器半主动悬架有效地改善了汽车行驶平顺性和乘坐舒适性。     

IPSO-BP算法在半主动悬架控制中的应用

为了改善半主动悬架的性能,提出采用改进的粒子群优化(improved particle swarm optimization,IPSO)-向后传播(back propagation,BP)算法作为半主动悬架自适应控制,该算法将标准粒子群算法进行改进,用以改善粒子群全局收敛性和收敛速度,并将改进后的IPSO算法作为BP神经网络的学习算法,用于半主动悬架的自适应控制.自适应控制器采用了双神经网络单元结构,一个作为输入端的控制器,根据路面输入调节半主动悬架阻尼值,另一个作为半主动悬架的辨识器,并进行在线识别.通过该控制器进行半主动悬架自适应控制数值仿真,结果表明,基于该算法的控制器明显改善了汽车的舒适性和平顺性,使得车身的垂向加速度比粒子群优化(particle swarm optimization,PSO)-BP半主动悬架的降低了21.73%,提高了汽车悬架的性能.     

空气悬架的神经网络模糊控制及仿真分析

空气悬架系统是一个非线性系统,该系统工作环境是时变性的。提出了基于神经网络的模糊控制策略,应用该控制策略对某一高级客车的空气悬架刚度进行控制,可以根据车辆振动响应的结果来判断车体的振动情况以后,实时调节空气悬架刚度,使车辆对路面的变化具有适应能力,从而改善汽车行驶平顺性。     

基于电液比例阀减振器半主动悬架系统的研究

为提高汽车的平顺性和操纵稳定性,设计了以电液比例阀半主动减振器为控制对象,采用自适应神经网络控制方法的半主动悬架系统。在对电液比例阀减振器阻尼力变化规律进行分析的基础上,建立了基于电液比例阀减振器的半主动悬架模型,采用神经网络自适应控制方法对模型进行了研究。路面输入采用积分白噪声模拟B级路面谱,以簧载质量垂向加速度、悬架动行程以及轮胎动载荷作为评价指标。利用Matlab/Simulink工具箱进行仿真,结果表明,设计的半主动悬架与被动悬架相比,其平顺性与稳定性均得到了良好的改善。     

基于AMESim／Simulink的磁流变半主动悬架系统性能仿真

对车辆磁流变半主动悬架系统进行了高效且简单的AMESim建模,以经典模糊控制理论为基础在Simulink中建立其控制模块,并进行联合仿真。结果表明,所建的模型正确,控制模块有效实现了对磁流变半主动悬架系统的控制,同时也表明,基于磁流变半主动悬架系统的车辆具有更好的行驶平顺性。     

磁流变阻尼器的神经网络建模及应用

对非线性的磁流变阻尼器进行建模,建立单个磁流变阻尼器的神经网络正模型和神经网络逆模型,设计了两种四磁流变阻尼器的神经网络逆模型,通过两层控制策略将它们应用于汽车半主动悬架控制.结果表明:第1种神经网络逆模型对簧载质量的垂直加速度、俯仰角加速度和侧倾角加速度具有较好的控制效果,可有效改善车辆的行驶平顺性和操纵稳定性;第2种神经网络逆模型还有待改善.     

神经网络自适应控制系统的特性、应用与发展

吸收了人工智能有关思想的智能控制，近年来控制理论界发挥着越来越重要的作用，而人工神经网络控制又成为其重要的分支。尤其是神经网络自适应控制，由于较好地结合了神经网络和自适应控制的优点，更是引起人们及智能控制界的极大兴趣。系统地阐述了神经网络自适应控制的研究进展，介绍了神经网络自适应控制的不同结构模型和特性，并讨论了目前尚存在的问题，及其应用、发展趋势等。     

神经网络自适应逆控制的仿真研究

将神经网络引入逆控制,提出了一种基于神经网络的自适应逆控制。该控制结构主要有两个子神经网络组成,其中一个用于对系统进行辨识,另一个子网络实现对模型的逆作为控制器,从而构成自适应的逆控制。将其应用于热工系统中并进行大量仿真研究,结果表明针对不同的热工对象,该控制系统都能有效的克服扰动,适应环境及参数的变化,表现出良好的鲁棒性和控制精度。     

具有重构功能的基于RBF神经网络直接自适应飞控系统

反馈线性化方法鲁棒性研究一直是近些年来的研究热点。针对基于反馈线性化方法的鲁棒控制，提出了一种将反馈线性化和RBF神经网络直接自适应控制相结合的综合控制方法，利用李亚普诺夫稳定性定理推导了神经网络权值的自适应规律，保证了闭环系统的稳定性。该方法应用于某型号飞机舵面故障状态仿真，结果表明RBF神经网络自适应控制方法补偿作用显著，相当于系统具有一定的重构功能。