基于RBF神经网络的半主动悬架滑模控制.doc

基于RBF神经网络的半主动悬架滑模控制 摘要：针对悬架参数的不确定性，提出一种基于径向基函数(rbf)神经网络的滑模控制方法。根据滑模变结构控制理论设计了两自由度半主动悬架系统的滑模控制器，采用极点配置法确定滑模切换面参数，应用比例切换的控制方法和等速趋近率确定控制律，采用rbf神经网络优化算法优化了滑模控制器。运用matlab/simulink进行仿真，结果显示，与被动悬架相比，基于rbf神经网络的滑模半主动控制具有良好的控制效果，显著地改善了车辆的行驶平顺性。 关键词：rbf神经网络 半主动悬架 滑模控制 汽车悬架系统是车架与车桥之间一切传力连接装置的总称，其性能好坏直接影响汽车的行驶平顺性和操纵稳定性。主动与半主动悬架能够适应路面激励和行驶条件的变化，抑制车身的振动，提高车辆的行驶平顺性和操纵稳定性，解决了传统被动悬架存在的舒适性和稳定性不能兼顾的问题，代表了悬架系统发展的方向。半主动悬架在控制品质上接近于主动悬架，且能耗小、控制较为简单，只需调节悬架的刚度或阻尼系数，即可实现降低车身振动，达到改善乘坐舒适性的目的，是近年来车辆悬架领域研究的热点。由于悬架系统具有非线性、时滞性以及车辆数学模型参数的不确定性等特点，其建模与控制是研究的关键问题。 本文采用等速趋近率法设计了半主动悬架的滑模控制器，采用基于径向基函数(rbf)的神经网络算法优化了滑模控制力的开关项，对悬架的性能指标车身加速度、悬架动行程和车轮动位移等进行了时域和频域上的对比分析。 1、悬架模型简介 选取2自由度1/4单轮车辆模型为分析对象（如图1所示），研究基于神经网络滑模半主动控制如何改善半主动悬架的性能。 图1中，为车身质量；为轮胎质量；为悬架弹簧等效刚度；为轮胎等效刚度；为减振器可变阻尼力；为悬架等效阻尼。 式中、为车身和轮胎位移；为路面激励位移。 2、滑模控制器的设计 滑模控制器的设计包含两个方面：确定具有良好品质的滑模面和确定控制算法。 考虑不确定非线性系统： 其中：为干扰函数，和可以是有界的不确定连续函数，适应于车身质量和惯量的变化时滑模控制器的设计。滑模控制器的设计目标为设计使得系统状态跟踪给定的状态向量。对于两自由度的1/4车辆系统，定义跟踪误差为车身速度误差、车身位移误差、位移误差的积分[4]，即： 依据极点配置法取系统的滑模面为： （2） 则，其中，为使滑模运动渐近稳定并具有良好的动态品质，式所有根都应位于平面的左半平面，可取=[8,4,1]。 当系统进入滑模运动段时应施以等效控制律，即当且时等效控制律启动。若取期望的状态向量，即有=0，=0，=0。令=0，将跟踪误差的导数和系统运动微分方程式（1）代入得：，其中，得到的即是等效控制力。当采用等速趋近律时系统的滑模控制律为：，其中开关项用以抑制系统的不确定性。参数的选择由滑模存在性和可达性条件即滑模成立条件确定。 3、rbf神经网络优化滑模控制 用神经网络来优化滑模控制主要有两种方法：1）通过优化开关项参数；2）通过优化等效控制力。本文采用第二种方法即通过神经网络优化等效控制力来优化滑模控制效果。用2个输入单个输出的三层 rbf 神经元网络来拟合等效控制力，其中网络输入为滑模面变量和其导数，输出为等效控制力。 rbf神经网络输入输出关系为： 第一层，输出节点：(i=1,2)，， 第二层，rbf网络的径向基向量，隶属函数取高斯函数：，其中k=1,2, … ,n，n为隐含层神经元个数，为输入的线性组合，即参数可以调整。 将rbf网络的输出取为滑模控制的等效控制力，即： 其中：为网络第k个神经元的权值，、为网络第k个神经元的中心位置和基宽参数。 神经网络的权值调整指标为：， 由于，则网络权值的训练算法为，为训练效率。 采用五个高斯基函数的rbf神经网络，权值初值通过随机选取、函数中心点位置及函数的分布宽度设为的常值时，就可以很好地满足控制性能。 4、仿真结果与分析 本文悬架系统激励信号采用一滤波白噪声，取车辆速度为=20m/s，采样时间间隔周期为0.005s，下截止频率为=0.1m-1，路面不平度系数为=5.0e-6m2/m-1，白噪声功率取为16，方程为： 运用matlab/simulink建立加入rbf神经网络滑模控制后的半主动悬架系统模型，如图2所示，模型中的参数取值为：，，，，，，,。 车身加速度(ba)、悬架动挠度(sws)和车轮动位移(dtd)的均方根值以及车身加速度功率谱仿真结果如图3～图5。 从以上仿真结果图3～图4可看出，基于滑模半主动控制悬架与被动悬架相比，车身加速度(ba)、悬架动行程(sws)和车轮动位移(dtd)等性能指标都有不同程度的提高，特别是车身加速度值比被动悬架有明显的降低，悬架车身加速度(ba)均方根值下降了23.8%。 基于rbf神经网络的滑