论文部分内容阅读
悬架是汽车的重要组成部分,在改善汽车行驶的平顺性和稳定性方面起着关键作用。相比于被动悬架和主动悬架,半主动悬架在减振性能方面上好于被动悬架,和主动悬架很接近。此外,半主动悬架能耗小,结构简单,成本较低,具有广阔的应用前景。针对磁流变阻尼器(MRD)强非线性、时滞效应和不确定性等特点,本文提出一种基于遗传算法(GA)和自适应神经模糊推理系统(ANFIS)的MRD混合建模方法。此外,基于模糊控制强鲁棒性及易于实现等特点,本文讨论了半主动悬架系统的模糊控制器设计问题。考虑GA的全局寻优能力,利用GA对模糊规则及隶属度函数同时进行优化,改善了悬架系统性能。主要工作如下:(1)提出一种基于GA-ANFIS的MRD混合建模方法。该方法考虑ANFIS的模糊推理和神经网络学习能力,引入减法聚类技术对MRD的实验样本数据点进行分类,并利用GA对减法聚类参数进行优化,获得刻画MRD系统行为的最佳模糊规则数量及结构。仿真结果表明:该方法能有效提高MRD正向和逆向建模精度,较好地描述其滞环特性。(2)基于模糊控制强鲁棒性及易于实现等特点,设计了汽车半主动悬架模糊控制器,包括:输入输出变量的确定;输入输出变量的模糊化;模糊控制规则的选择等。仿真结果表明:模糊控制策略能改善车辆乘坐舒适性,且针对不确定的车辆行驶状况(如车速和簧载质量等发生变化)具有较强的鲁棒性。(3)针对传统模糊规则和隶属度函数的选择具有较强主观性的问题,利用GA优化模糊规则和隶属度函数参数,同时保证半主动悬架系统的时域硬约束条件。仿真结果验证了基于GA的模糊控制方法能有效改善车辆乘坐舒适性且使得悬架系统满足时域硬约束。此外,对于不确定的车辆行驶速度和簧载质量,该控制方法同样具备较好的鲁棒性。