[发明专利]基于非线性神经模糊控制器的电磁阀式减振器控制方法

说明书

本申请公开了一种基于非线性神经模糊控制器的电磁阀式减振器控制方法，包括以下步骤：通过智能控制理论中的非线性神经网络方法对电磁阀式减振器的输入模糊变量，即减振平台的垂直振动加速度和垂直振动速度，输出模糊变量，即阻尼力系数的隶属度函数进行深度优化。最后通过此控制内核对电磁阀式减振器进行实时控制。本发明解决了电磁阀式减振器复杂的非线性特性问题，在兼顾乘坐舒适性和操作稳定性的同时，可以提减振效果、改善机动车的行驶性能，延长机动车的使用寿命。其能够方便地应用到各种机动车的半主动悬架系统上。

技术领域

本申请属于汽车半主动悬架系统的控制领域，涉及一种车辆减振技术，具体地说是一种基于非线性神经模糊控制器的电磁阀式减振器控制方法。

背景技术

目前，汽车的悬架系统主要分为被动式悬架系统和半主动悬架系统。其中，被动式悬架系统因其悬架刚度和阻尼力大小不能随汽车行驶速度、路面状况等行驶条件的变化而自动调节，其平顺性、道路友好性等综合性很难提高。而半主动悬架系统的悬架弹性元件刚度和阻尼力均可根据需要进行自动调节，因此能较好的满足汽车行驶的要求。电磁阀式减振器是实现半主动悬架系统的一种阻尼器，是车辆悬架中最重要的核心部件，在减小车辆垂直和水平方向振动并且使车辆保持良好的操纵性和稳定性方面具有非常重要的作用。因此，汽车的电磁阀减振器的研究必将成为汽车各系统研究的主要方向之一。

目前，智能控制已广泛应用于电池阀式减振器的控制中。模糊系统善于表述结构性、模糊性的知识，对知识的抽取和表达尤为方便。但模糊控制没有自学习和自适应的能力，所以要设计和实现模糊系统的自适应控制有一定的难度。神经网络控制则具有并行计算、分布式信息存储、容错性好及自学习能力强等优点，然而它并不善于表述模糊性、结构性的语言，因此神经网络在学习训练时，一般需要设定一个随机初始权值，这导致网络学习时间大大加长，极易使网络学习陷入局部极值。电磁阀式减振器主要具有复杂的迟滞性和非线性特性，因其不易建立精确的数学模型，所以常规控制已很难达到良好的控制效果。因此，考虑将模糊系统和神经网络控制进行结合，利用神经网络训练模糊规则，建立模糊神经系统来对电磁阀式减振器进行控制。

发明内容

有鉴于此，本申请针对电磁阀式减振器的迟滞性和非线性的问题，提供了一种基于非线性神经模糊控制器的电磁阀式减振器控制方法，该方法提取出模糊控制和神经网络各自的优点，设计一种利用模糊系统对神经网络进行初始化，同样神经网络可以得到模糊推理，从而极大的提高了神经网络的学习效率。

为了解决上述技术问题，本申请公开了一种基于非线性神经模糊控制器的电磁阀式减振器控制方法，包括以下步骤：

(1)建立减振器实验测试平台，利用数据采集装置对力传感器和加速度传感器的信号进行采集，其中，采集的数据包括：初始阻尼力和振动平台垂直振动加速度，生成非线性神经模糊控制器的输入信号；

(2)利用模糊控制对步骤(1)中所述的阻尼力和振动平台垂直振动加速度输入信号进行模糊化处理，形成输入模糊变量，然后将其传送至模糊控制器，得到输出模糊变量；

(3)建立电磁阀式减振器非线性神经模糊控制器的模糊控制规则库；利用(1)中所述的阻尼力和振动平台垂直振动加速度数据输入模糊变量集合的隶属度函数，并结合输出模糊变量，对隶属度函数中心、宽度及权值进行训练，利用一阶梯度寻优算法来对各参数进行调节；即利用神经网络自学习能力来自动生成模糊规则；

(4)利用重心解模糊化方法对非线性神经模糊控制器的输出模糊变量进行解模糊化处理，得到模糊控制器的阻尼力输出，将得到的模糊控制器的阻尼力除以初始阻尼力，记为阈值h，根据阈值h的大小来判断电磁阀式减振器是否有故障，需要检修，达到对电磁阀式减振器实时在线调控的目的。