一、前言

汽車懸架系統對車輛行駛平順性、乘坐舒適性和操縱穩定性有很大影響。傳統的被動懸架只能被動地存儲和吸收外界能量，不能主動適應車載質量、輪胎剛度等車輛參數和路面激勵的變化，大大制約了車輛性能的提高。主動懸架克服了傳統被動懸架的諸多局限，使懸架系統對不同運行工況具有最大程度的適應能力。

由于懸架系統的模型參數往往不確定，路面激勵未知且可變，研究開發出各種自適應控制策略應用于主動懸架控制，主要有模型參考自適應控制、自校正控制和神經網絡自適應控制。文獻提出了以理想天棚阻尼控制為參考模型的自適應控制策略，但在設計中需要選擇一個合適的Lyapunov函數，這要求有一定的理論知識和實踐經驗，否則不易獲得較好的自適應規律。文獻的自校正控制需要首先在線估計模型參數或控制器參數，然后再綜合控制律，是一種依賴于模型的解析設計方法，且比一般的常規控制器要復雜。文獻采用神經網絡間接自適應控制，充分利用神經網絡在非線性處理和自學習、自適應方面的優勢，但基于多層結構的神經網絡結構相對復雜，又因采用了S型作用函數而計算量較大，在線調節權重用時較長，不宜于實時在線控制。

文獻提出了一種基于單個自適應神經元的非模型直接控制方法。它的顯著特點是無需進行系統建模，充分利用神經元的關聯搜索和學習能力來實現控制目的。該控制器結構非常簡單，運算量小，實時性好，控制品質優，對模型參數的變化和外界擾動具有較強的適應性和魯棒性。自適應神經元控制已被成功應用于電力系統、汽車防抱制動系統、醫療藥品注射系統等。作者針對汽車主動懸架，設計一個自適應神經元控制器，研究系統在隨機路面激勵下的減振效果，同時考察控制器在變參數條件下的魯棒性。

二、主動懸架系統的動力學模型

式中ms為車身質量，mt為簧下質量，ks為懸架彈簧剛度，b為懸架阻尼系數，kt為輪胎剛度，u為懸架系統的主動控制力，q、xs、xt分別為路面垂向輸入位移、車身位移和簧下質量位移。

選取系統狀態變量X、輸入變量U和輸出變量Y分別為

三、自適應神經元控制器的設計

文獻［6＞提出了一種適于控制的自適應單神經元模型，它既可以利用神經網絡的優點，又能適應于快速過程實時控制的要求。其相應的自適應神經元控制系統如圖2所示。

四、仿真計算及分析

根據以上自適應神經元控制算法，利用Matlab615中的Simulink510工具箱，通過搭建系統模塊來實現模擬仿真，所得自適應神經元控制器的Simulink仿真模型見圖3。為證實其減振效果，還與被動懸架、傳統的PID控制懸架進行了性能對比。

所用的懸架模型參數名義值［10＞ms=240kg，mt=36kg，ks=16kN/m，b=980N·s /m，kt=160kN/m。以C級路面的垂直速度為激勵輸入進行仿真。路面不平度系數Gq（n0）=256×10-6m2/m-1，車速v=20m /s，參考空間頻率n0=0.1m-1，速度功率譜密度為一白噪聲Gq·（f）=4π2Gq（n0）n20v。仿真中神經元控制器參數為：學習速率 d1=30，d2=63.3，d3=15.9；比例系數k=148.7；采樣周期為0.01s。

仿真時，先對模型參數取名義值進行驗證；然后將懸架參數的車身質量增加20%，同時輪胎剛度下降20%，考察控制器在模型參數變化時的適應能力。以上兩種情況著重考察車身加速度響應，見圖4及圖5；根據懸架系統時域輸出仿真數據，計算車身加速度、懸架動撓度、車輪動位移的均方根值及綜合性能指數J，如表 1所示。

由圖4和表1可知，在名義參數情況下，兩種主動懸架都能有效地降低車身加速度，改善平順性。盡管懸架動撓度有所增大，但車輛的綜合性能仍得到了改進。而且，自適應神經元控制下的車輪動位移也有一定程度的改善，其綜合減振效果要明顯優于PID控制。由圖5和表1可見，在懸架參數變化時，兩種主動懸架仍然都能減少車身加速度，有效地改善平順性。自適應神經元控制的減振效果仍然優于PID控制。由此表明：自適應神經元控制能有效地跟隨模型參數的變化，將車身加速度控制在一個較好的范圍內，降低了參數不確定性對車輛平順性能的影響；雖然神經元控制的懸架動撓度、車輪動位移相對被動懸架有所增大，但相對PID控制仍有改善，尤其是其綜合性能也得到了改進。

五、結論

（1）車輛主動懸架的自適應神經元控制器的仿真結果表明：該控制器能有效地改善車輛的綜合性能，尤其是車輛運行的平順性和舒適性，而且魯棒性好，對模型參數的變化具有一定的適應性，便于實現和應用。

（2）需要進一步研究控制器對不同路面激勵的適應性，以完善主動懸架的性能。

（3）應對控制過程的實用化作深一步的研究，比如考慮作動器的非線性、時滯等因素的影響。

責任編輯：gt