悬架系统是汽车的重要组成部分,它对汽车的动力性能有着十分重要的影响。相对于传统的被动悬架而言,主动悬架能更好地协调汽车行驶过程中的平顺性与操纵稳定性,有利于进一步提高汽车的性能。近年来国内外广泛开展了汽车主动悬架的研究和开发工作,汽车主动悬架的研究和开发已成为汽车动力学与控制领域的前沿课题。汽车主动悬架设计的关键任务之一就是要寻求一个能够为汽车提供良好性能的控制律。主动悬架系统的控制设计究其本质而言,可归结为一个典型的不确定、多变量系统的控制问题。但是,大多数现有的主动悬架控制方法往往过于复杂,或者是原理繁琐,或者是附加条件过多,不利于工程应用。因此,从简便实用且有效的观点出发,本文在主动悬架设计中以单神经元智能控制为核心,仅仅用一个神经元来处理主动悬架的不确定、多变量特性,充分体现智能控制以简驭繁的思想,即用简单的方法实现对复杂系统的有效控制。论文主要研究工作包括:1.介绍了两种传统的神经元控制方法:单神经元PID控制和自适应神经元控制,将这两种相似却又不尽相同的控制策略应用于主动悬架系统。基于二次型性能指标,对相应的神经元控制器参数进行了优化设计,避免了参数选择上的盲目性,保证了控制品质。考察了参数变化时控制器的适应能力和鲁棒性能,比较了这两种传统神经元控制策略的控制效果。分析结果表明,单神经元PID控制的悬架减振效果更优,从而为汽车主动悬架控制提供了又一简便、有效、鲁棒的方法。自适应神经元控制的效果比单神经元PID控制要差,有待于进一步改进提高。2.从复杂系统的多变量控制角度出发,详细分析了自适应神经元控制策略在主动悬架控制中的局限性,提出了一种新的综合误差方法。将这种新的综合误差方法与自适应神经元控制相结合,得到一种新型的神经元控制方法—综合误差神经元控制。将之应用于1/4主动悬架控制,结果表明,综合误差神经元方法取得的各项性能指标都优于传统的自适应神经元控制,表现出一定的自适应能力及鲁棒性。并且,这种综合误差方法对其它类似系统(如倒立摆)的多变量控制提供了新的思路。3.将神经元与传统的线性二次型最优控制(LQR)相结合,得到又一种新型的神经元控制方法—状态反馈神经元控制。它采用单神经元模型框架,引入了线性二次型最优控制中的状态反馈思想和控制律形式,从而具有与经典的LQR多变量控制方法相似的多变量处理能力。通过在1/4主动悬架系统中的控制应用,证实了状态反馈神经元控制可有效地改进汽车性能,优于LQR控制。而且,对其它类似的LQR多变量控制问题和被控对象,状态反馈神经元控制提供了一种可能的更有效的新的简便途径。4.提出了一种新的可刻画悬架整体减振效果的综合性能评价指标—综合性能指数,它在一定程度上反映了车辆各常用性能之间的协调与综合效应,丰富了已有的常用悬架性能评价指标。5.为了进一步验证本文所提出的汽车主动悬架单神经元控制策略的有效性,引入虚拟样机技术,利用ADAMS/View建立了更为复杂的悬架系统多体动力学模型,结合已在MATLAB/Simulink环境中建立的主动悬架单神经元控制器模型,基于ADAMS/View和MATLAB/Simulink对设计的控制器进行了联合仿真。结果再次表明本文提出的汽车主动悬架系列单神经元控制策略是可行的。本文以汽车主动悬架这个复杂、不确定、多变量系统为研究对象,采用单神经元控制策略,充分利用神经元控制器结构简单及自学习、自适应能力较强的优势,在单神经元控制多变量问题上进行了有益的探索,研究成果不但为汽车主动悬架的多变量控制、自适应控制提供了一类简捷有效、不依赖于模型、鲁棒性较好的智能控制方法,而且也为单神经元智能控制策略及其应用提供了新的思路和可能。