[发明专利]一种基于路况监测的车辆悬架系统模型预测控制方法

权利要求书

1.一种基于路况监测的车辆悬架系统模型预测控制方法，其特征在于：包括以下步骤：

步骤1：确定主动悬架系统的状态变量θ₁，θ₂，…，θ₈，并根据状态变量θ₁，θ₂，…，θ₈为车辆主动悬架系统建立状态空间模型，再确定控制信号变化范围的最大值u_max和最小值u_min，并确定控制信号的单步变化最大值Δu_max；其中，车辆主动悬架系统的状态空间模型表示为：

其中，m和M分别表示车辆悬架系统的簧下质量和簧上质量，I₀表示转动惯量；i＝1，2，当下标号i等于1时，表示前悬架，当i等于2时，表示后悬架；b_i表示悬架重心与车身重心之间的水平距离；u_i表示悬架的控制信号；y_i表示悬架的垂向路面凸起高度；Δt表示单步时间；Δθ₁，Δθ₂，…，Δθ₈分别表示8个状态变量θ₁，θ₂，…，θ₈对应的变化量；F_s(θ₇+b₁·θ₄-θ₃)表示悬架的弹簧弹力，F_d(θ₅+b₁·θ₂-θ₁)表示悬架的阻尼力，悬架的弹簧弹力F_s(θ₇+b₁·θ₄-θ₃)和阻尼力F_d(θ₅+b₁·θ₂-θ₁)的计算方式如下：

公式⑤中，当θ₅+b₁·θ₂-θ₁≥0时，sign(θ₅+b₁·θ₂-θ₁)＝1；当θ₅+b₁·θ₂-θ₁＜0时，sign(θ₅+b₁·θ₂-θ₁)＝-1；k_lin和k_non分别表示悬架弹簧的线性弹性系数和非线性弹性系数，c_lin，c_sys和c_non分别表示悬架阻尼器的线性阻尼系数，对称阻尼系数和非线性阻尼系数；轮胎因发生形变而产生的弹力T_s(y_i-θ_4+i)的计算方式如下所示：

T_s(y_i-θ_4+i)＝ζ_lin·(y_i-θ_4+i)+ζ_non·(y_i-θ_4+i)³ ⑥

上式⑥中，ζ_lin和ζ_non分别表示轮胎的线性弹性系数和非线性弹性系数；i＝1，2，i等于1时，表示前悬架，当i等于2时，表示后悬架；

步骤2：产生N组输入数据和N组输出数据包括以下步骤：

步骤2.1：初始化数据组数j＝1，设置8个状态变量θ₁，θ₂，…，θ₈都等于0，再设置控制信号u_i的初始值

步骤2.2：从区间[-0.02，0.02]上分别随机生成前悬架的垂向路面凸起高度y₁和后悬架的垂向路面凸起高度y₂，并从区间上随机生成前悬架的控制信号u₁和后悬架的控制信号u₂后，再设置第j组输入数据中的12个数据依次等于θ₁，θ₂，…，θ₈，y₁，y₂，u₁，u₂；

步骤2.3：利用主动悬架系统的状态空间模型，计算出Δθ₁，Δθ₂，…，Δθ₈，再根据公式θ_b＝θ_b+Δθ_b，b＝1，2，3......8，更新状态变量θ₁，θ₂，…，θ₈后，将第j组输出数据中的8个数据依次分别设置成等于θ₁，θ₂，…，θ₈；

步骤2.4：判断数据组数j是否小于N；若是，则设置j＝j+1，然后返回步骤2.2继续生成数据；若否，则得到N组输入数据和N组输出数据；

步骤3：确定神经网络模型的中间层神经元个数为H，利用N组输入数据和N组输出数据对神经网络模型进行训练，得到神经网络模型的参数，参数具体包括：中间层神经元的H个参考向量中间层神经元的H个平滑因子δ₁，δ₂，…，δ_H，输出神经元的8个系数向量w₁，w₂，…，w₈；

步骤4：当车辆行驶时，利用车辆前置的激光雷达实时监测车辆前方路况数据，并根据车速转换得到未来L个控制时刻的垂向路面凸起高度的监测值和其中，分别表示前悬架的垂向路面凸起高度在未来第1个控制时刻，未来第2个控制时刻，…，未来第L个控制时刻的监测值；分别表示后悬架的垂向路面凸起高度在未来第1个控制时刻，未来第2个控制时刻，…，未来第L个控制时刻的监测值；

步骤5：根据公式⑧求解带约束条件的最小化问题，从而得到控制信号u_i在未来L个控制时刻的预测值

其中，权重系数λ的取值范围是0＜λ＜1，垂向加速度在未来第α个控制时刻的变化值俯仰角加速度在未来第α个控制时刻的变化值控制信号u_i在未来第α个控制时刻的变化值遗忘因子μ^(α)满足条件μ⁽¹⁾≥μ⁽²⁾≥…≥μ^(L)，和分别对应表示状态变量θ₁和θ₂在未来第α个控制时刻的预测值，和分别对应表示控制信号u1和u2在未来第α个控制时刻的预测值，s.t.表示约束条件英文单词Subiect To的缩写，表示任意设置α＝1，2，…，L；当α＝1时，和分别对应表示状态变量θ₁和θ₂的初始值，和分别对应表示控制信号u₁和u₂的初始值；

步骤6：将优化求解后的和分别发送给前后悬架的电动液压系统，并通过电动液压系统执行相应动作。