【溫馨提示】 dwg后綴的文件為CAD圖，可編輯，無水印，高清圖，，壓縮包內(nèi)文檔可直接點(diǎn)開預(yù)覽，需要原稿請(qǐng)自助充值下載，請(qǐng)見壓縮包內(nèi)的文件及預(yù)覽，所見才能所得，請(qǐng)細(xì)心查看有疑問可以咨詢QQ：414951605或1304139763
外文翻譯
專 業(yè)
學(xué) 生 姓 名
班 級(jí)
學(xué) 號(hào)
指 導(dǎo) 教 師
外文資料名稱：汽車主動(dòng)懸架系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控
制運(yùn)算法則的研究
外文資料出處：International Conference on Neural
Networks and Brain, 2005.
附 件： 1.外文資料翻譯譯文
2.外文原文
指導(dǎo)教師評(píng)語：
簽名：
年 月 日
汽車主動(dòng)懸架系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制運(yùn)算法則的研究
L.J.Fu, J.G.Cao 重慶工學(xué)院車輛工程系
中國重慶市楊家坪興盛路4號(hào)，400050
E-mail: flj@cqit.edu.cn
C. R. Liao, B. Chen 重慶技術(shù)學(xué)院車輛工程系
中國重慶市楊家坪興盛路4號(hào)，400050
E-mail:chenbao@cqit.edu.cn
譯
摘要:為適應(yīng)不同路面狀況和汽車運(yùn)行狀況,半可控懸架由從動(dòng)彈簧和活動(dòng)減振器組成。由于主動(dòng)懸架結(jié)構(gòu)復(fù)雜并且消極懸架無法滿足各種路面條件和汽車運(yùn)行狀態(tài)的要求,因此半可控懸架系統(tǒng)是目前最常用的懸架系統(tǒng)。本文將著重介紹自適應(yīng)神經(jīng)控制的汽車懸架循環(huán)神經(jīng)網(wǎng)絡(luò)模擬控制器。懸架系統(tǒng)神經(jīng)網(wǎng)絡(luò)不同于汽車懸架的動(dòng)態(tài)參數(shù),并且還能夠?yàn)樯窠?jīng)自動(dòng)調(diào)節(jié)控制器提供學(xué)習(xí)信號(hào),為了檢驗(yàn)控制結(jié)果，在DSP微處理系統(tǒng)基礎(chǔ)上為中巴安裝液壓減振器和多維控制系統(tǒng),并在各種速度和路面上進(jìn)行實(shí)驗(yàn).將此控制結(jié)果和開環(huán)消極懸架系統(tǒng)進(jìn)行比較,結(jié)果表明神經(jīng)網(wǎng)絡(luò)控制運(yùn)算在減少微型客車振動(dòng)方面表現(xiàn)的非常良好。
1．概述
汽車懸架系統(tǒng)的主要功用是支撐車身的重量,并且使汽車穩(wěn)定有效的進(jìn)行轉(zhuǎn)向操縱控制,同時(shí)有效的分離路面波動(dòng)對(duì)車身的影響。不同的需要導(dǎo)致設(shè)計(jì)的要求不同,半自動(dòng)懸架由從動(dòng)彈簧和需要克服不同路面狀況和汽車運(yùn)行條件的阻尼離的自動(dòng)減振器組成。由于主動(dòng)懸架結(jié)構(gòu)復(fù)雜而傳統(tǒng)的消極式懸架無法滿足不同路面狀況和汽車運(yùn)行狀況的要求。因此,半自動(dòng)懸架是目前最常用的懸架系統(tǒng)。半自動(dòng)懸架系統(tǒng)的優(yōu)點(diǎn)是帶有液壓減振使車身在低動(dòng)力情況下振動(dòng)降低。目前,許多控制系統(tǒng)是為半自動(dòng)懸架系統(tǒng)而開發(fā)的。從Karnoopp的Skyhook方法開始。這個(gè)方法主要是使緩沖器承受一定的力的作用,而這個(gè)力是與汽車全速時(shí)懸架上的質(zhì)量成一定比例的。許多調(diào)查都是用一維模型,它可以推導(dǎo)出模糊的控制點(diǎn)和控制運(yùn)算法則。如LQG和活躍控制[2,3]。由于汽車懸架固有非線性特性,導(dǎo)致這種控制方法不能充分發(fā)揮半自動(dòng)懸架的功用。為充分利用懸架系統(tǒng)的非線性功用。如模糊邏輯控制。神經(jīng)網(wǎng)絡(luò)控制和模糊神經(jīng)控制等智能化控制方法近來都已被科研人員用于非線性懸架系統(tǒng)控制[4,5]。
本文，一種神經(jīng)自適應(yīng)控制控制器被用于控制汽車懸架神經(jīng)網(wǎng)絡(luò)和瞬邊的MR減振器的循環(huán)振動(dòng)。控制器的結(jié)構(gòu)設(shè)計(jì)和控制運(yùn)算法則將在第2部分進(jìn)行詳細(xì)敘述。懸架的循環(huán)神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)模擬在第3部分進(jìn)行介紹控制系統(tǒng)實(shí)驗(yàn)在第4部分，第5部分是總結(jié)。
2.汽車懸架的多維自調(diào)節(jié)控制法則
神經(jīng)模糊控制系統(tǒng)將在本文進(jìn)行介紹，由圖1可知，它是由模糊神經(jīng)網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)模型構(gòu)成的微型客車懸架。神經(jīng)網(wǎng)絡(luò)模糊控制即自適應(yīng)控制，它有學(xué)習(xí)和控制的功能。它的循環(huán)神經(jīng)網(wǎng)絡(luò)功用是用來鑒別中巴車懸架的模擬參數(shù)。圖1中的y(t)和yd(t)分別是系統(tǒng)實(shí)際輸出和系統(tǒng)理想輸出。xl(t)是系統(tǒng)實(shí)際輸出和理想輸出之間的誤差。x2(t)是系統(tǒng)實(shí)際輸出和理想輸出的誤差率xl(t)和x2(t)定義如下：
xI (t) e(t)= y(t)- Yd (t) (1)
X2 (t)= e(t)= e(t + 1)- e(t) (2)
圖1.懸架神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的結(jié)構(gòu)
網(wǎng)絡(luò)控制系統(tǒng)：整體集的定義分別如下： = [- E,E], = [- E,E], =[-U,U].神經(jīng)模糊控制器有四層神經(jīng)元。第一層和第二層和與模糊法則相一致。第三層與推理相一致，而第四層與模糊法則相一致。, 和的集合分別分成7個(gè)子集，，，集的組成分別如下：
X1 = {NB, NM, NS, ZE, PS, PM, PB}
X2 = {NB, NM, NS, ZE, PS, PM, PB}
U = {NB, NM, NS, ZE, PS, PM, PB}
本文，將用高斯函數(shù)解決模糊集,和模糊集的組成，其函數(shù)的第一如下：
圖2.自動(dòng)懸架神經(jīng)網(wǎng)絡(luò)控制器簡(jiǎn)圖
，由圖2可知，輸入/輸出如下：1：
和
和
都是神經(jīng)網(wǎng)絡(luò)的輸入部分。是其重量，是其輸出部分，，都是高斯函數(shù)的重要值。神經(jīng)網(wǎng)絡(luò)控制器的學(xué)習(xí)法則是以斜率誤差信號(hào)逆向傳遞方法為基礎(chǔ)的。誤差逆向傳遞方法通過使函數(shù)[5]損失降至最低自動(dòng)調(diào)節(jié)重量。
3．懸架循環(huán)神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)模擬法則
懸架神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)用于將實(shí)際輸出量通過第三層神經(jīng)網(wǎng)近似反饋給潛在的循環(huán)層，結(jié)構(gòu)如圖3所示。其性能是使循環(huán)神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)獲知周圍環(huán)境并且據(jù)此提高其重量自動(dòng)適應(yīng)作用.循環(huán)神經(jīng)網(wǎng)絡(luò)輸入信號(hào)和和潛在層的邏輯反饋循環(huán)神經(jīng)的輸出量的總輸出量對(duì)等于神經(jīng)。
圖3.懸架系統(tǒng)神經(jīng)網(wǎng)絡(luò)模擬簡(jiǎn)圖。
是循環(huán)神經(jīng)網(wǎng)絡(luò)的負(fù)荷，是潛在層邏輯循環(huán)反饋神經(jīng)的輸出神經(jīng)量，分別是輸入神經(jīng)量和反饋神經(jīng)量。激活函數(shù)是輸入函數(shù)和輸出函數(shù)的線性函數(shù)，潛在層神經(jīng)的激活是S形的函數(shù)。
它的反函數(shù)通過誤差信號(hào)定義如下：
是誤差能量的瞬時(shí)值.神經(jīng)元的突出質(zhì)量一步一步連續(xù)的自動(dòng)調(diào)節(jié)直至系統(tǒng)達(dá)到 穩(wěn)定狀態(tài)，即突出質(zhì)量基本上穩(wěn)定。
從式1，2和3可知：
從4，5和6分析和分別推導(dǎo)出循環(huán)分子式。
突出質(zhì)量可以由下式計(jì)算得到：
· 是速率參數(shù)，詳細(xì)分析循環(huán)算法獲得速率參數(shù)值是相當(dāng)復(fù)雜的。根據(jù)式13得，循環(huán)神經(jīng)網(wǎng)絡(luò)質(zhì)量矢量能夠自動(dòng)調(diào)節(jié)。函數(shù)如下，其變值經(jīng)過t時(shí)間可以定義為：
我們通過式13和式14可以知道誤差信號(hào)如下：
函數(shù)增量經(jīng)過t時(shí)間可以定義為：
.
4 .路面測(cè)試結(jié)果分析
神經(jīng)控制運(yùn)算的正確性的證明，帶有MR液壓減振器的微型客車懸架在中國已經(jīng)大量投產(chǎn)制造. 微型客車自適應(yīng)懸架系統(tǒng)由一個(gè)DSP微處理系統(tǒng)，8個(gè)加速度傳感器，4個(gè)MR液壓減振器和一個(gè)輸入電壓為12v的可控循環(huán)電流控制器組成.DSP微處理器通過傳感器獲取懸架彈簧負(fù)載和空載時(shí)候的懸架振動(dòng)信號(hào).根據(jù)振動(dòng)信號(hào)和本文的控制圖，DSP微處理系統(tǒng)通過調(diào)節(jié)控制信號(hào)來調(diào)節(jié)MR液壓減振器中的電磁線圈的電流。 MR液壓減振器電磁線圈產(chǎn)生的磁場(chǎng)能夠在壓縮沖程和反彈過程中調(diào)節(jié)MR液壓減振器中流體運(yùn)行狀態(tài)。
本文描述的是以神經(jīng)網(wǎng)絡(luò)控制為基礎(chǔ)的微型客車懸架的路面測(cè)試，其速度分別為30，40，50 km/h.路面測(cè)試過程中微型客車以恒定的速度運(yùn)行。自適應(yīng)懸架分別以神經(jīng)網(wǎng)絡(luò)和消極懸架系統(tǒng)在同樣的路面和運(yùn)行速度下進(jìn)行測(cè)試實(shí)驗(yàn)。表1的測(cè)試結(jié)果表明神經(jīng)網(wǎng)絡(luò)控制自適應(yīng)懸架能夠在懸架彈簧重載和空載的條件下都能減小振動(dòng)。
圖4描述的是滿載和空載時(shí)候的消極和自適應(yīng)微型客車懸架在D級(jí)路面上的振動(dòng)曲線圖。很明顯神經(jīng)網(wǎng)絡(luò)控制主要提高減緩振動(dòng)的能力。受力曲線圖表明自適應(yīng)懸架系統(tǒng)和消極懸架系統(tǒng)相比較能夠明顯減小微型客車的振動(dòng)。減振器有卓越的模糊控制原理和模擬推理，帶有神經(jīng)網(wǎng)絡(luò)控制的自適應(yīng)懸架系統(tǒng)遠(yuǎn)乘舒適性能和路面穩(wěn)定保持性能。
表1 微型客車懸架路面測(cè)試結(jié)果
微型客車懸架滿載和空栽時(shí)速度變換曲線（D級(jí)路況）
圖4.微型客車振動(dòng)力曲線圖 （左）滿載 （右）空載 （速度40km/h）
結(jié)論
本文中主要講述的是微型客車的一種新型的循環(huán)神經(jīng)網(wǎng)絡(luò)模型和模糊神經(jīng)控制原理.根據(jù)要求使用8個(gè)加速度傳感器和一個(gè)信號(hào)處理器。考慮到MR減振器的復(fù)雜性，動(dòng)態(tài)參數(shù)載入硬盤進(jìn)行仿真.它表明自適應(yīng)控制系統(tǒng)可以通過模糊神經(jīng)控制和循環(huán)神經(jīng)網(wǎng)絡(luò)懸架達(dá)到完全控制作用。由于控制法設(shè)計(jì)，增益調(diào)度策略和硬件循環(huán)仿真的開發(fā)本文限于微型客車的具體參數(shù)，在懸架參數(shù)變化的情況下此方法可以延伸到其它半主動(dòng)懸架系統(tǒng).路面實(shí)驗(yàn)結(jié)果表明模糊神經(jīng)控制可以有效改善微型客車行使的舒適性和穩(wěn)定性。使用DSP控制器能有效的減小整個(gè)車身的振動(dòng)，包括滿載時(shí)候和非滿載時(shí)候的振動(dòng)。模糊神經(jīng)控制器可以減少對(duì)對(duì)控制系統(tǒng)性能影響很大的模擬參數(shù)的變化。
參考文獻(xiàn)
[1] Kanopp D. (1995) Active and Semi-active Vibration Isolation,Transactions of ASME, Journal of Special 50th Anniversary Design Issue, Vol.117, p1 17-125.
[2] Chantrnuwathhana, S. and Peng, H. (1999) Adaptive Robust Control For Active Suspension, proceedings of the American Control Conference, San Diego, California, pp.l702-1706.
[3] Yu, F. and Crolla, D.A. (1998) an Optimal Self-Tuning Controller for Active Suspension, Vehicle System Dynamics, vol.29, pp.51-65.
[4] Zadeh, A., Fahim, A., and El-Gindy, M. (1997) Neural Networks and Fuzzy Logic Applications to Vehicle System, International Journal of Vehicle Design, vol.18 (2), pp.132-193.
[5] Wuwei Chen, James K. Mills and Le Wu,(2003) Neurofuzzy and Fuzzy Control of Automotive Semi-Active Suspensions, International Journal of Vehicle Autonomous Systems, vol.1 (2), pp.222-236.
8