基于线性递减权值PSO算法优化LQR控制的主动悬架性能研究

针对车辆主动悬架线性二次型调节器(Linear Quadratic Regulator, LQR)控制中权重系数的取值具有主观性,且适应度较低的问题,提出使用粒子群优化(PSO)算法优化LQR控制器,使LQR控制器的权重矩阵得到最优结果。为验证此方法的有效性,以汽车主动悬架作为被控对象,设计了PSO算法优化LQR控制器,利用PSO算法的全局搜索能力,以主动悬架的性能指标作为目标函数对权重矩阵进行优化设计,以提高LQR控制器的设计效率和性能。通过仿真对比了LQR控制的主动悬架、固定权值PSO算法优化后的LQR控制的主动悬架和基于线性递减权值PSO算法优化LQR控制主动悬架的各项性能参数,并且针对固定权值PSO算法收敛速度慢的特点,进行优化,确定使用线性递减权值PSO算法可以提高收敛速度。最终实验结果表明基于固定权值PSO算法优化后的LQR相较于单纯LQR控制的主动悬架,其车身垂向加速度、悬架动行程及轮胎动位移这3个性能指标得到降低;基于线性递减权值PSO算法优化后的LQR控制的主动悬架的各项性能指标在固定权值PSO算法优化的基础上,可再次优化车身垂向加速度、悬架动行程及轮胎动位移这3个性...     

电动轮减振系统集成设计、参数匹配及其优化控制

电动轮驱动系统在简化车辆底盘结构,提高驱动效率的同时,增加了车辆非簧载质量,导致车辆行驶平顺性降低。传统悬架控制中常用的LQR最优控制算法受其权重系数的影响较为明显,其权重系数的选取方法主要是依靠经验设计,这不仅加大工作量,而且无法保证系统达到最优。文中提出一种针对外转子轮毂电机的电动轮减振系统设计方案,并基于粒子群优化算法对该减振系统进行参数匹配,使得该系统满足轮内被动减振的要求。然后,采用基于粒子群优化权重系数的LQR控制方法,设计LQR优化控制器对电动轮内减振系统和车辆悬架进行综合控制,进一步优化车辆平顺性和电动轮振动性能。最后,基于MATLAB/Simulink软件的仿真分析表明:所设计的轮内减振系统和车辆主悬架在基于粒子群的LQR控制下,能有效降低车身垂向加速度和电机冲击力,改善车辆和电动轮的垂向振动性能。     

基于粒子群算法的越野车悬架参数优化

针对基于平顺性的悬架参数优化问题,建立了越野车后悬架系统参数优化的数学模型,包括优化变量、目标函数和约束条件,设计和应用了三种改进的粒子群算法,线性时变惯性权重粒子群算法、随机惯性权重粒子群算法和时变加速因子粒子群算法,来对车辆悬架平顺性进行优化,并与遗传算法对比。仿真结果表明,时变加速因子粒子群算法在收敛速度和收敛精度上都明显高于其他算法,优化后的车辆平顺性大大提高。     

基于磁流变阻尼器的车辆半主动悬架GA-LQR的研究

传统的线性二次型最优控制(LQR)策略可提升车辆乘坐舒适性及操作稳定性,因此广泛应用在车辆半主动悬架中.对车辆半主动悬架用磁流变阻尼器(MRD)进行阻尼特性试验,并采用Bouc-Wen模型建立MRD的力学模型.为确定Bouc-Wen模型中的未知参数,利用遗传算法(GA)对其进行参数辨识.结合所辨识的Bouc-Wen模型,建立1/4车辆磁流变半主动悬架模型.针对LQR控制器存在的加权矩阵Q和R的取值易受主观因素影响的问题,设计了一种基于遗传算法的线性二次型最优控制(GA-LQR)控制器.以随机路面激励作为输入,分别对被动悬架、基于LQR的磁流变半主动悬架和基于GA-LQR的磁流变半主动悬架进行仿真分析,结果表明,基于GA-LQR的磁流变半主动悬架具有更好的乘坐舒适性及操作稳定性.     

基于神经网络的半主动悬架自适应模糊控制研究

在建立了五自由度车辆半主动悬架系统模型的基础上，将神经网络与模糊控制结合起来，提出一种基于神经网络的自适应模糊控制半主动悬架系统，其控制器由模糊神经网络控制器和模糊网络组成，采用快速的变斜率梯度下降算法学习，具有自适应学习功能。仿真计算表明，与被动悬架相比，神经网络自适应模糊控制性能明显优于一般的Fuzzy控制，半主动悬架系统在减小振动，提高车辆平顺性方面优于被动悬架，且车轮动载荷和悬架动挠度也得到明显改善。台架试验同样表明了半主动悬架的优良减振性能。     

基于改进粒子群算法的车辆被动悬架优化与仿真研究

针对车辆行驶过程中容易受到地面白噪声影响问题,创建了四自由度四分之一车辆被动悬架模型,推导出车辆垂直方向动力学方程式。构造了混合目标函数,采用改进粒子群算法对四自由度四分之一车辆被动悬架模型约束参数进行优化。建立车辆被动悬架系统仿真模型,在不同行驶速度下,通过Matlab/Simulink软件进行动力学仿真,与优化前仿真结果进行对比。仿真结果显示,优化后车辆被动悬架驾驶员头部垂直方向加速度、簧载垂直方向行程及非簧载垂直方向位移的均方根最大值分别减少了51.0%、45.4%和40.7%,车辆垂直方向振动峰值明显降低。采用改进粒子群算法优化车辆被动悬架系统,可以提高车辆行驶的稳定性,改善驾驶员乘坐的舒适度。     

基于遗传算法的履带车辆电磁悬挂LQR控制优化

提出采用遗传算法对电磁悬挂LQR控制算法进行优化的方法。针对被动悬挂不可控、半主动悬挂不能主动出力和主动悬挂耗能过大等问题,提出并设计了基于电磁作动器和磁流变阻尼器相复合的履带车辆电磁悬挂结构方案,并依据其简化模型设计了LQR控制器。提出采用主、被动悬挂性能评价指标的均方根比值之和作为适应度函数进行LQR权系数优化的方法。仿真结果很好的证明了采用集成优化的电磁悬挂LQR控制能够较大地提高履带车辆的行驶平稳性,并且该优化方法也同样适用于汽车悬架。     

车辆半主动悬架的LQG控制与仿真研究

在建立路面和1/4车辆模型的基础上,应用最优控制理论对车辆悬架进行了LQG半主动控制,将被动、半主动悬架的车身加速度、悬架动挠度及轮胎动位移指标进行了对比分析.仿真结果表明,采用LQG控制的半主动悬架对车辆行驶平顺性和乘坐舒适性具有良好的改善效果.     

车辆磁流变半主动空气悬架模糊滑模控制研究

为进一步提高车辆行驶过程中的平顺性,提出了一种半主动空气悬架模糊滑模控制策略.对空气悬架系统所用的磁流变阻尼器(Magnetorheological Damper,MRD)进行力学性能试验,利用遗传算法对磁流变阻尼器的改进双曲正切模型进行参数辨识.对空气弹簧建立刚度模型,基于改进双曲正切模型,建立1/4车辆磁流变半主动空气悬架系统模型.针对空气悬架系统的不确定性,建立基于模糊控制的滑模变结构控制策略;通过调整滑模控制的边界层,有效地抑制抖振对控制精度的影响,从而确保了系统的稳定性.以随机路面激励作为输入,分别对被动空气悬架、基于模糊PID控制和基于模糊滑模控制的半主动空气悬架进行仿真分析,结果表明基于模糊滑模控制的半主动空气悬架具有更好的减振性能和乘坐舒适性.     

车辆磁流变半主动空气悬架模糊滑模控制研究

为进一步提高车辆行驶过程中的平顺性,提出了一种半主动空气悬架模糊滑模控制策略.对空气悬架系统所用的磁流变阻尼器(Magnetorheological Damper,MRD)进行力学性能试验,利用遗传算法对磁流变阻尼器的改进双曲正切模型进行参数辨识.对空气弹簧建立刚度模型,基于改进双曲正切模型,建立1/4车辆磁流变半主动空气悬架系统模型.针对空气悬架系统的不确定性,建立基于模糊控制的滑模变结构控制策略;通过调整滑模控制的边界层,有效地抑制抖振对控制精度的影响,从而确保了系统的稳定性.以随机路面激励作为输入,分别对被动空气悬架、基于模糊PID控制和基于模糊滑模控制的半主动空气悬架进行仿真分析,结果表明基于模糊滑模控制的半主动空气悬架具有更好的减振性能和乘坐舒适性.     

基于鱼群算法的永磁体-电磁阀式磁流变阻尼器半主动悬架系统

为了提高汽车悬架系统工作性能,对磁流变阻尼器半主动悬架控制系统进行了研究。首先,基于磁流变阻尼器工作原理,将永磁体与电磁阀引入其中,设计新型磁流变阻尼器并建立了仿真模型,示功特性试验结果表明,所设计的新型阻尼器可以满足汽车悬架的使用要求,同时,速度特性试验表明所建立的阻尼器模型具有较高的可信度;其次,基于牛顿定律建立了7自由度整车悬架模型;为了提高悬架控制效果,在对常规鱼群算法进行改进的基础上,设计了适合汽车悬架系统最优控制器的鱼群算法,实现了两者的集成控制;最后,进行了仿真试验。试验结果表明,与被动悬架相比,基于鱼群最优控制算法控制的汽车车身质心垂直加速度、俯仰角加速度、侧倾角加速度分别减小了38.95%、35.12%、35.98%,有效地提高了汽车的动力学性能。     

基于磁流变阻尼器的履带车辆悬挂系统半主动控制

将磁流变阻尼器应用于履带车辆的悬挂系统中,研究了磁流变阻尼器在不同电流下的力学特性和耗能特性。建立了履带车辆二自由度车体振动模型,提出了基于线性二次型(LQR)最优控制理论的半主动控制算法。对典型沙土路面激励下履带车辆悬挂系统的半主动控制效果进行了仿真,与被动及开关控制的减振效果进行比较,得出了车体振动加速度、线位移、角加速度和角位移的响应曲线。结果表明,该控制算法对基于磁流变阻尼器的履带车辆悬挂系统有着很好的控制效果。     

越野车半主动悬架的变论域模糊PID控制

为了改善半主动悬架的控制效果,利用变论域理论对模糊PID控制器的输入论域和输出论域进行调节。根据阻尼可调两级压力式油气悬架的力学特性,建立半车半主动悬架动力学模型,在MATLAB/Simulink中构建半车半主动悬架控制模型,以冲击路面和随机路面作为输入激励进行仿真。结果表明,不同路面激励下,变论域模糊PID控制悬架和模糊PID控制悬架的减振效果均明显好于被动悬架,在冲击路面激励下的减振效果较好。冲击路面激励下,相较于模糊PID控制悬架,变论域模糊PID控制悬架的前、后车身垂直加速度和车身俯仰角加速度均方根分别减小30.89%,34.36%,37.00%,车身动挠度均方根比较接近,进一步提高了越野车的行驶平顺性。     

基于Adams/Car和Matlab/Simulink的汽车半主动悬架模糊控制研究

基于Adams/Car软件创建汽车半主动悬架系统多体模型,利用改进遗传算法优化模糊规则的策略,实现汽车半主动悬架系统模糊控制器的设计,为了证明模糊控制器的控制效果和遗传算法的优化性能,在Matlab/Simulink环境中对汽车半主动悬架系统多体模型实现联合仿真分析。与被动悬架系统的分析对比说明,基于Adams/Car和Matlab/Simulink软件创建的汽车半主动悬架系统模糊控制器在很大程度上降低了人身加速度、改善车辆的乘坐舒适性和驾驶平顺性,同时也证明了采取联合仿真方法的有效性和准确性。     

馈能磁流变半主动悬架模糊滑模控制

为优化悬架减振性能和馈能性能,提出了一种馈能磁流变减振器结构,并设计了相应的半主动悬架模糊滑模控制策略。建立了磁流变减振器力学模型和馈能模型,以及相应的二自由度半主动悬架系统数学模型。针对半主动悬架系统的不确定性,基于混合天地棚阻尼控制系统,设计了滑模变结构控制器。使用饱和函数缓解系统抖振,并运用模糊控制优化滑模控制器。用谐波叠加法生成路面激励输入,分别对被动悬架、基于混合天地棚阻尼控制的半主动悬架以及基于模糊滑模控制的半主动悬架进行对比仿真。结果表明：基于模糊滑模控制的半主动悬架减振性能更好,能耗更小,且有良好的馈能性能,验证了馈能磁流变减振器结构的可行性和模糊滑模控制策略的有效性。     

基于IPSO-PNN的电动汽车故障诊断

为了提高电动汽车故障诊断的准确性,提出了一种基于改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化概率神经网络(Probabilistic Neural Network,PNN)的电动汽车故障诊断方法,即基于IPSO-PNN的电动汽车故障诊断方法。首先,研究了基于PNN的电动汽车故障诊断模型,分析了PNN的平滑因子对该模型诊断准确率的影响;其次,在粒子群(Particle Swarm Optimization,PSO)算法中引入频率粒子群和采用动态惯性权重,改善PSO算法的全局和局部寻优能力,利用IPSO算法优化基于PNN的电动汽车故障诊断模型的平滑因子,以改善模型的分类能力;最后进行仿真与分析。仿真结果表明:相较于基于PSO-PNN的电动汽车故障诊断方法,基于IPSO-PNN的电动汽车故障诊断方法具有更高的诊断准确率和诊断速度。     

车辆半主动悬架神经网络控制研究

建立了车辆半主动悬架的1／4车辆模型，研究中主要以车身垂直加速度为主要控制目标。在仿真研究阶段，以白噪声、正弦渡和锯齿波为路面激励；与被动悬架进行对比分析了车身加速度、悬架动挠度、车轮动载荷三项指标，通过对振动响应量的均方根值分析，可以得出半主动悬架优于被动悬架，其中神经网络控制效果最好，表明神经网络自适应控制策略应用于丰主动悬架控制是可行的和有效的。     

空气悬架的MATLAB和ADAMS的联合仿真研究

悬架作为现代车辆的关键部件之一,对车辆的平顺性有重要影响。基于ADAMS和MAT-LAB软件分别建立了装备主动空气悬架的1/4车体虚拟样机模型及1/4车体主动PID控制模型,并对PID参数进行了整定。通过联合两个模型对某装备可控悬架的车辆进行了仿真分析,结果表明:基于PID控制的主动空气悬架与被动悬架相比,能够减小车辆振动,改善车辆的平顺性。该方法避免了建立车辆系统动力学方程及状态方程,提高了悬架系统的设计效率,同时为复杂机械系统的控制与仿真提供了新方法。     

基于模糊PID算法的汽车半主动悬架振动控制

选择了某微型汽车悬架的磁流变减震器为研究对象,运用汽车动力学理论建立了1/4汽车半主动悬架控制系统动力学模型,基于模糊PID控制算法设计了模糊PID控制器.车辆在不同路面输入谱和不同行驶速度下,以悬架的簧载质量加速度、悬架动挠度和轮胎动载荷3个基本参数来表征磁流变半主动悬架系统的振动特性,运用Matlab/Simulink软件对该悬架系统进行仿真研究,仿真结果表明,当汽车在不同等级的路面上行驶时,随着车速的提高,采用模糊PID控制半主动悬架汽车的簧载质量加速度和悬架动挠度的幅值相对于被动悬架均明显减小,表现出了良好的控制效果.轮胎动载荷与被动悬架的幅度大体相当,偶尔还比被动悬架幅值高,但综合来看,模糊PID控制器能更好地减小汽车振动,进一步提高汽车的乘坐舒适性.结果同时也说明了模糊PID控制具有很好的鲁棒性.采用磁流变减振器的半主动悬架系统有效地改善了汽车乘坐舒适性和操纵稳定性.     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。