半主動空氣懸架的神經模糊控制

江 洪，王子豪，孔 亮

(江蘇大學 機械工程學院，江蘇 鎮(zhèn)江 212013)

半主動空氣懸架的神經模糊控制

江 洪，王子豪，孔 亮

(江蘇大學 機械工程學院，江蘇 鎮(zhèn)江 212013)

以帶附加氣室容積可調空氣懸架的整車為研究對象，首先建立附加氣室容積可調空氣彈簧模型，并將該模型以彈簧力形式引入整車，然后設計以平順性指標為主導地位的綜合目標函數(shù)及約束條件。采用改進遺傳算法對該目標函數(shù)進行逐段優(yōu)化，同時得到不同工況下前懸架和后懸架模糊控制器的最優(yōu)輸出數(shù)據(jù)。最后將該輸出數(shù)據(jù)作為導師信號供神經網絡學習，從而建立整車半主動空氣懸架的T-S型神經模糊控制器。仿真結果表明：在不同行駛工況下，相比被動空氣懸架，采用神經模糊控制的半主動空氣懸架的行駛平順性顯著提高，且滿載時的改善效果優(yōu)于空載。

附加氣室；空氣懸架；神經模糊控制；改進遺傳算法；平順性

將空氣彈簧和容積可調附加氣室通過管路和電磁閥連接就構成了新型的附加氣室容積可調空氣彈簧。通過電磁閥的通斷可實現(xiàn)不同容積附加氣室和空氣彈簧的選擇性聯(lián)通，從而達到調節(jié)彈簧剛度的目的。傳統(tǒng)的空氣彈簧無附加氣室，剛度不可調。對車輛系統(tǒng)而言，不同的工況對彈簧剛度的要求不同，附加氣室容積可調空氣懸架可以很好地適應這種工況變化，提高車輛的行駛平順性。帶有附加氣室容積可調空氣彈簧的懸架系統(tǒng)剛度調節(jié)效果好、控制方便、可靠性高，無疑是一種性能優(yōu)良的半主動空氣懸架系統(tǒng)[1]。

2009—2012年，王家勝、朱思洪、李美等[2-4]深入研究了帶附加氣室空氣懸架的工作機理，獲得了空氣懸架靜剛度、動剛度隨附加氣室容積的變化規(guī)律，這為開展附加氣室容積可調空氣懸架控制方法的研究提供了條件。2014年，孔亮等[5]利用遺傳算法得到不同工況下的最優(yōu)附加氣室容積值，并在此基礎上設計了1/4車附加氣室容積可調空氣懸架的決策控制器，但該決策控制器建立在對行駛工況準確辨識的基礎上，局限性較大，且1/4車輛模型并不能完全反映整車的振動情況。2015年，江洪等[6]設計了整車附加氣室容積可調空氣懸架的Mandani型模糊控制器，取得了一定的控制效果。但受控制算法本身局限性的影響，在生成模糊規(guī)則及調整隸屬函數(shù)時無可避免地存在較強的主觀性，且并未兼顧前后懸架附加氣室容積控制的協(xié)同問題。2016年，李重重[7]提出一種適用于懸架剛度控制的動態(tài)迭代跟蹤控制算法，并將其用于附加氣室容積控制，其控制特點是使懸架性能在一段時間內逐漸趨近于最優(yōu)，但這一過程耗時較長，不適應于路面條件多變的行駛工況。

本文構建了以平順性為主導地位的綜合目標函數(shù)，并采用改進遺傳算法對該目標函數(shù)進行優(yōu)化，從而得到整車模糊控制器在不同行駛工況下的最優(yōu)輸出數(shù)據(jù)。再利用神經網絡自學習功能對得到的最優(yōu)輸出數(shù)據(jù)不斷訓練學習。之后自動生成模糊控制規(guī)則及隸屬函數(shù)，該方法減少了大量人為繁瑣的操作，進一步提高了車輛在多工況下的行駛平順性。

1 整車空氣懸架模型

1.1 附加氣室容積可調空氣彈簧模型

空氣彈簧在垂向激勵力F1作用下發(fā)生變形，簧上質量m在動態(tài)空氣彈簧力F的作用下產生垂向位移Z。此時空氣彈簧與附加氣室中的氣體質量通過連接管路相互交換，附加氣室接入空氣彈簧的容積可通過電磁閥調節(jié)。附加氣室容積可調空氣彈簧作為空氣懸架系統(tǒng)的核心部件，建立其精確的數(shù)學模型對于研究懸架系統(tǒng)意義重大。附加氣室容積可調空氣彈簧模型如圖1所示。

圖1 附加氣室容積可調空氣彈簧模型

空氣彈簧力中密封的壓縮空氣形成了動態(tài)彈簧力F，其表達式如下：

(1)

式中：P1為空氣彈簧內氣體的絕對壓力；P0為大氣壓；Ae為空氣彈簧截面積。

在外界激勵F1作用下，空氣彈簧和附加氣室內的氣體通過連接管路形成對流，此時空氣彈簧可視為開口系統(tǒng)，且內部氣體質量在不斷變化。由于氣體質量很小，可以忽略氣體的重力勢能和動能，因此空氣彈簧的存儲能只有熱力學能，系統(tǒng)內氣體可近似等同于絕熱狀態(tài)。根據(jù)熱力學第一定律可得空氣彈簧內氣體的能量守恒方程[8]：

0=dU1+dH1+dW1

(2)

空氣彈簧熱力學能增量表示為

dU1=d(m1cvT1)=cv(T1dm1+m1dT1)

(3)

式中：m1為空氣彈簧內氣體質量(kg)；cv為定容比熱容(J/(kg·K))；T1為空氣彈簧內氣體溫度(K)。

當氣體通過連接管路流出空氣彈簧時，因氣體流動而轉移的能量為

dH1=-cpTdm1

(4)

式中：cp為空氣的定壓比熱容(J/(kg·K))；T為連接管路中流動空氣的溫度(K)。當氣體從空氣彈簧流進附加氣室時，T等同于空氣彈簧內氣體溫度；當氣體從附加氣室流入空氣彈簧時，T等同于附加氣室內氣體溫度。

彈簧通過伸縮變形對外做功，其表達式如下：

dW1=P1dV1

(5)

式中：P1為空氣彈簧內氣體的絕對壓力(Pa)；V1為彈簧容積(m3)。

將式(3)～(5)代入式(2)進行計算并化簡，最終可得空氣彈簧內氣體絕熱狀態(tài)方程：

(6)

附加氣室和空氣彈簧通過管路連接，兩者內部氣體狀態(tài)類似，因此附加氣室內氣體狀態(tài)的推導過程同空氣彈簧，其表達式為

(7)

式中：P2為附加氣室內空氣絕對壓力；V2為附加氣室容積；m2為附加氣室內氣體質量。

附加氣室容積可調空氣彈簧系統(tǒng)建模的關鍵是如何建立連接管路中流動氣體的質量流量關系式。連接管路中氣體的流量特性和彈簧系統(tǒng)的動態(tài)特性密不可分。主附氣室連接管路的簡化模型如圖2所示。其設計思想為：將管路微分為無數(shù)個ds長度的微元管路(如圖2中陰影部分)，無數(shù)個微元管路串聯(lián)后就形成了連接管路模型。

圖2 連接管路模型

將連接管路中流動氣體的動態(tài)參數(shù)表示為管路長度s和時間t的函數(shù)，建立管路流量特性守恒方程組，最后通過偏微分方程簡化求解該守恒方程組，獲得連接管路中氣體質量流量表達式[9]：

(8)

式中：Rg為管路摩擦阻力系數(shù)；Se為連接管路的有效流通面積；Pmax為連接管路兩端壓力較高一端的壓力值；Pmin為連接管路兩端壓力較低一端的壓力值；P1、P2為連接管路兩端的氣壓；T為交換空氣的溫度，其值等于Pmax端的空氣溫度。

1.2 整車懸架模型

傳統(tǒng)建模過程習慣將空氣彈簧作為定剛度的對象進行考慮，但實際的研究結果表明：空氣彈簧具有很強的非線性，其彈簧剛度隨著空氣彈簧位移的變化而變化。因此，本文將附加氣室容積可調空氣彈簧模型以彈簧力的方式引入整車懸架模型，從而減小實際的建模誤差。帶附加氣室容積可調空氣彈簧的整車模型如圖3所示。

假設4個懸架、座椅和車身連接處的作用力和垂直位移分別為Fi、Fc、Zi0、Zc0，對簧下質量、車身和座椅分別運用牛頓運動學可得其運動方程：

(9)

其中：mcb、mb分別為車身和座椅質量；Zcb為整車質心位置處的垂直位移；Zc為整車后排座椅處垂直位移；Kc、Cc分別為座椅的剛度和阻尼系數(shù)；Jx、Jy分別為車身側傾和俯仰轉動慣量；θ、φ分別為車身側傾和俯仰角位移；lf、lr分別為前后輪至車身質心橫軸的水平距離；d為左右車輪輪距；Fei、Ci分別為可控彈簧力(由附加氣室容積調節(jié))和減振器阻尼系數(shù)(i=1～4)。

圖3 帶附加氣室容積可調空氣彈簧的整車模型

2 神經網絡訓練數(shù)據(jù)采集

神經網絡需要優(yōu)秀的導師信號作為學習對象才能建立模糊控制器。導師信號是控制系統(tǒng)的最優(yōu)輸出量，因此獲得導師信號的過程即為尋求全局最優(yōu)的過程。

遺傳算法(genetic algorithm， GA)按照優(yōu)勝劣汰的法則對待求問題的解空間進行全局搜索，可快速收斂至最優(yōu)解[10-11]。建立被控對象的優(yōu)化目標函數(shù)及約束條件是采用改進遺傳算法對輸出量進行優(yōu)化的前提，然后在此基礎上利用該算法得到車輛在不同工況下前懸架和后懸架的最優(yōu)附加氣室容積值，并將該數(shù)據(jù)作為導師信號供神經網絡學習。

2.1 遺傳算法綜合目標函數(shù)的確定

遺傳算法優(yōu)化得到的輸出量用于訓練神經網絡得到模糊推理系統(tǒng)，因此遺傳算法的目標函數(shù)可看作整車懸架系統(tǒng)的控制目標。對于整車而言，本文建立的目標函數(shù)囊括了座椅加速度、質心加速度、懸架動行程、輪胎動載荷，并同時兼顧側傾角加速度及俯仰角加速度。目標函數(shù)為關于這幾個指標的加權和，表達式如下：

(10)

對于整車而言，fF、fR、FF、FR均包含左右兩側的量，且整車的結構左右對稱，左右車輪的實際路面激勵相似，因此在目標函數(shù)中的權重系數(shù)前各自乘以2。

在進行優(yōu)化計算時可以考慮逐段優(yōu)化。逐段優(yōu)化的子目標函數(shù)為J(t)的均方根值在某一小段時間內是否減小，以此為依據(jù)來判斷懸架性能是否改善。J(t)的均方根值表達式為

(11)

最終可得到各個不同時間段內的多組優(yōu)化數(shù)據(jù)，以此數(shù)據(jù)進行訓練學習得到的控制系統(tǒng)，其控制過程更加細膩，控制效果更加顯著。在直線行駛工況下主要考慮改善車輛行駛平順性，因此目標函數(shù)中加速度起主導地位，故將這8項指標的重要性比重定為：

n1∶n2∶n3∶n4∶n5∶n6∶n7∶n8=

15∶15∶1∶1∶1∶1∶1∶1

假設：車身載荷為滿載；設置A級路面80 km/h白噪聲激勵；仿真時間為10 s；采樣頻率為100 Hz。仿真結束后得到目標函數(shù)中8項指標各1 000個數(shù)據(jù)，各自均方根值計算結果如下：

其他路面等級和車速同理計算。綜合8項指標的目標函數(shù)，不僅重點考慮了車輛的行駛平順性，同時兼顧了車輛的操縱穩(wěn)定性，能全面反映車輛懸架的綜合性能。

2.2 遺傳算法設計變量及其范圍的選取

本文主要考慮在空氣彈簧上連接附加氣室后，如何通過改變附加氣室容積來調節(jié)懸架剛度、提升懸架綜合性能。研究對象為亞星YBL6891型客車。其前懸架單側包括1個空氣彈簧、1個附加氣室；后懸架單側包括2個空氣彈簧、2個附加氣室。因此，分別選擇前懸架和后懸架的附加氣室容積作為優(yōu)化設計變量。由于后懸架單側的2個空氣彈簧參數(shù)及狀態(tài)完全相同，因此可以假設這2個空氣彈簧配備的附加氣室容積相等。假設后懸架單側的兩個附加氣室容積分別為Va21、Va22，則Va21=Va22=Va2。設計變量為

(12)

式中：Va1為與前懸架空氣彈簧匹配的附加氣室容積(L)；Va2為與后懸架空氣彈簧匹配的附加氣室容積(L)。

大量特性試驗研究結果表明：當附加氣室的容積達到空氣彈簧容積的1.5倍時，附加氣室調節(jié)空氣彈簧剛度的能力已變得十分微弱。本研究對象所配備的空氣彈簧容積約為9.6 L，因此將前懸架和后懸架附加氣室的容積均設置為0～14 L[9]。

2.3 約束條件的建立

為保證車輛實際行駛過程中的實用性及安全性，本研究根據(jù)相關參考文獻對整車前后懸架的設計變量進行必要的約束。根據(jù)車輛行駛時的具體情況，主要有以下2項約束條件[12]：

1) 懸架動行程的大小將直接影響車身撞擊限位塊的概率，該值過大會嚴重影響車輛的行駛平順性，通常對于客車其許用行程[fd]為5～8 cm。將動行程的約束條件設置為RMSf≤[fd]/3時，則車身撞擊限位塊的概率<0.3%。

2) 車輛行駛安全性受輪胎相對動載荷F/G影響較大。當該值過大時，車輪脫離地面的概率增加，嚴重影響車輪與地面附著力。如果將整車所有位置處輪胎相對動載荷的約束條件設置為RMSF/[G]≤1/3，可大大提高車輪與路面之間的附著力，確保車輪脫離地面的概率<0.15%[12]。

2.4 改進遺傳算法及其運算流程

基本遺傳算法沒有采取對優(yōu)良個體的保護措施，使得遺傳操作中的交叉算子及變異算子破壞優(yōu)良個體的可能性增加。

采用“最優(yōu)保存策略”對基本遺傳算法進行改進：首先在每一代父代種群中選擇一定比例的優(yōu)秀個體直接進入下一代，其余個體參與遺傳操作產生新個體，然后用這些新個體淘汰父代種群中較差的個體，最后將直接進入下一代的優(yōu)秀個體和新子代個體組成父子混合新種群，并按照這種方式反復迭代。改進遺傳算法有效避免了交叉及變異算子對種群中優(yōu)秀個體的破壞，可將優(yōu)良個體進行世代保存，使得進化群體一代更比一代優(yōu)秀，極大提高了算法的搜索效率。運算流程如圖4所示。

2.5 神經網絡訓練數(shù)據(jù)采集

圖4 改進遺傳算法運算流程

圖5 被控系統(tǒng)輸出量數(shù)據(jù)采集原理

客車常用路面等級及對應的行駛車速為：A級路面對應車速80 km/h；B級路面對應車速60 km/h；C級路面對應車速40 km/h。采樣時間為10s，采樣頻率為100 Hz，逐段優(yōu)化周期設置為2 s?？紤]車身空載和滿載兩種情況，最終得到每個工況下前懸架和后懸架最優(yōu)附加氣室容積值的5組數(shù)據(jù)。表1為滿載、A級路面、車速為80 km/h時(簡稱為滿載A80工況)前懸架和后懸架附加氣室容積在不同時段內的最優(yōu)值。

表1 滿載、A級路面不同時段內的最優(yōu)容積值

由表1可知：在滿載A80工況下、0～2 s的時間段內，當前懸架附加氣室容積Va1取5.6 L、后懸架附加氣室容積Va2取14 L時可確保式(10)的綜合目標函數(shù)值在該時間段內取得最小值；在2～4 s的時間段內，當前懸架附加氣室容積Va1取5.1 L、后懸架附加氣室容積Va2取14 L時可確保式(10)的綜合目標函數(shù)值在該時間段內取得最小值。其余時間段同理分析，最終可確保式(10)的綜合目標函數(shù)在該工況下的每個時間段內均取得最小值，即目標函數(shù)最優(yōu)。其余工況同理分析。采用分段優(yōu)化所得到的最優(yōu)輸出數(shù)據(jù)進行訓練學習得到的控制系統(tǒng)，其控制過程更加細膩，控制效果更加顯著。

3 神經模糊控制器設計

3.1 神經模糊控制器的結構設計

整車前懸架包括2個帶附加氣室容積可調的空氣彈簧(左右側各1個)，后懸架包括4個帶附加氣室容積可調的空氣彈簧(左右側各2個)，因此本文采用6個二維模糊控制器對整車前后懸架分別進行控制。整車左右兩側的路面激勵及車身結構類似，因此左右兩側的附加氣室容積可調空氣彈簧系統(tǒng)可共用1個控制器。后懸架單側的兩個空氣彈簧的參數(shù)及狀態(tài)完全相同，附加氣室容積取值相同，因此后懸架單側的2個模糊控制器可采用相同設計。二維模糊控制器的輸入量分別為對應懸架的輪胎動載荷及空氣彈簧氣壓，其中輪胎動載荷用于感知路面變化，空氣彈簧氣壓用于感知車身載荷的變化。輸出量為附加氣室容積。整車模糊控制器的結構設計如圖6所示。

圖6 整車模糊控制器結構設計

由圖6可知：前懸架模糊控制器的輸入分別為前懸架輪胎動載荷DLf、前懸架空氣彈簧氣壓Pf，這2個輸入量經過量化因子ke1、ke2及模糊化模塊D/F后得到模糊變量Ef和ECf，再經過T-S型模糊推理器及比例因子ku1后得到驅動執(zhí)行機構的清晰量Va1。后懸架模糊控制器類似。

3.2 T-S型神經模糊推理系統(tǒng)的建立

采用自適應神經網絡模糊推理系統(tǒng)(Anfis)對采集的訓練數(shù)據(jù)進行學習，從而自動生成模糊控制系統(tǒng)的隸屬函數(shù)及模糊規(guī)則，省去了人為調整隸屬函數(shù)及編制模糊控制規(guī)則等繁瑣過程，提高了控制精度[13-14]。在Matlab中調出T-S型模糊推理系統(tǒng)FIS。由于模糊控制器為雙輸入單輸出系統(tǒng)，因此在默認基礎上增加一個輸入。將前懸架的2個輸入分別命名為DLf、Pf，輸出命名為Va1。模糊邏輯運算中的“與”算法取求積，“或”算法取代數(shù)和，“清晰化”算法取加權平均[11]。完成設計后的前懸架T-S模糊推理系統(tǒng)如圖7所示。

通過前懸架的T-S型模糊推理系統(tǒng)的“編輯”菜單調出該系統(tǒng)的自適應神經網絡模糊推理系統(tǒng)(Anfis)，將前懸架采集到的訓練數(shù)據(jù)進行裝載，采用網格劃分法生成初始FIS。覆蓋2個輸入量的隸屬函數(shù)均選擇高斯函數(shù)，模糊子集個數(shù)均選擇5[16]，輸出量采用線性形式。最終生成一個帶有25條模糊控制規(guī)則的初始FIS。系統(tǒng)Anfis結構如圖8所示。

圖7 前懸架T-S型模糊推理系統(tǒng)

圖8 前懸架T-S型模糊推理系統(tǒng)的Anfis結構

在初始FIS的基礎上采用混合法對前懸架的神經網絡進行訓練，此訓練過程可以自動調節(jié)隸屬函數(shù)的分布情況，但不改變其類型。當訓練次數(shù)達到15次后，訓練誤差趨于穩(wěn)定，結束訓練。神經網絡的訓練過程如圖9所示。

圖9 前懸架輸出量的訓練過程

前懸架通過訓練后的輸出和改進遺傳算法優(yōu)化得到的輸出之間的誤差關系如圖10所示。訓練結束后顯示前懸架的平均訓練誤差為0.297 05，其中：紅色星號點為訓練的輸出數(shù)據(jù)，藍色圓圈點為改進遺傳算法優(yōu)化得到輸出數(shù)據(jù)。

圖10 前懸架數(shù)據(jù)對比測試

最終可得前懸架2個輸入量的隸屬函數(shù)分布，如圖11所示。

圖11 前懸架2個輸入量的隸屬函數(shù)分布

后懸架的T-S型模糊推理系統(tǒng)同理設計。

4 神經模糊控制器仿真分析

現(xiàn)將上述建立的前懸架及后懸架模糊推理系統(tǒng)分別嵌入整車懸架的模糊控制器中。其中，前左懸架模糊控制系統(tǒng)仿真模型如圖12所示，其余懸架的仿真模型結構與此類似[17]。整車仿真參數(shù)如表2所示[18]。

圖12 前左懸架模糊控制系統(tǒng)仿真模型

參數(shù)名稱數(shù)值車身質量(滿載)/kg9560車身質量(空載)/kg6520座椅質量/kg25座椅剛度/(N·m-1)36400座椅阻尼系數(shù)/(N·(s·m-1))570前懸架非簧載質量/kg415后懸架非簧載質量/kg825前懸架減振器阻尼系數(shù)/(N·(s·m-1))9900.45后懸架減振器阻尼系數(shù)/N·(s·m-1)9378.29前懸架輪胎剛度/(kN·m-1)650后懸架輪胎剛度/(kN·m-1)1300

為驗證神經模糊控制器的有效性，將整車半主動懸架和被動懸架在相同路面激勵下進行時域和頻域響應的對比分析，并采用改進遺傳算法的綜合目標函數(shù)J(t)作為整車半主動懸架和被動懸架的行駛平順性評價函數(shù)。

整車前后輪均采用A級路面白噪聲輸入，行駛車速為80 km/h，其中對前、后輪設置關于車速的時間差，車身載荷為滿載。半主動懸架和被動懸架的時域及頻域響應的仿真對比結果如圖13所示。

圖13 滿載、A級路面綜合指標加權和對比

由于綜合目標函數(shù)值包含正負，因此采用均方根值和峰值對綜合目標函數(shù)進行處理統(tǒng)計，其計算結果如表3所示。

表3 滿載、A級路面綜合目標函數(shù)均方根值及峰值對比

由表3知，相對于被動空氣懸架，半主動空氣懸架對于以平順性指標為主導地位的綜合目標函數(shù)的均方根值及峰值改善效果顯著，車輛的平順性得到有效提升。由圖13(b)的頻域分析可知，半主動空氣懸架相比于被動空氣懸架在1～3 Hz頻域區(qū)間內的振動能量均得到改善，尤其在1.3、1.6、2.9 Hz左右處的振動能量峰值得到有效抑制，而在5.4 Hz左右處的振動能量峰值略有惡化，其余頻段內的曲線較為吻合。

在與上述相同的路面等級激勵及車速下，考慮車身載荷為空載，半主動懸架和被動懸架的仿真對比及統(tǒng)計結果如圖14及表4所示。

圖14 空載、A級路面綜合指標加權和對比

由表4可知：半主動空氣懸架相對于被動空氣懸架的綜合目標函數(shù)的均方根值及峰值均有所改善；圖14(b)的趨勢和圖13(b)類似，但是半主動空氣懸架相對于被動空氣懸架在1.3、1.6、2.9 Hz左右處的振動能量峰值的抑制效果不如滿載時，并且在5.4 Hz左右處的振動能量峰值惡化程度高于滿載。其余工況可同理分析。

5 結論

1) 以平順性為主導地位的綜合目標函數(shù)作為控制系統(tǒng)的評價函數(shù)時，相對于被動空氣懸架，采用神經模糊控制的半主動空氣懸架有效提升了整車在不同路面等級下的行駛平順性。

2) 采用神經模糊控制的半主動空氣懸架相對于被動空氣懸架在1～3 Hz頻域區(qū)間內的振動能量改善效果顯著，而在5.4 Hz左右處的振動能量略微惡化，其余頻域區(qū)間的振動能量較為吻合，在10～15 Hz頻域區(qū)間內的振動能量幾乎一致。

3) 在相同路面等級及車速激勵下，對比分析滿載及空載時的數(shù)據(jù)表及頻域圖可知：滿載時半主動空氣懸架對于綜合目標函數(shù)的改善效果明顯優(yōu)于空載時，這說明采用神經模糊控制的半主動空氣懸架對于提升重載車輛的平順性更具潛力，同時驗證了本文所采用的改進遺傳算法的優(yōu)化及神經網絡的學習是有效果的。

[1] ADRIAN W.Novel Semi-Active Suspension with Tunable Stiffness and Damping Characteristics[D].Waterloo,Ontario,Canada：[s.n.],2012.

[2] 王家勝，朱思洪.帶附加氣室空氣彈簧動剛度的線性化模型研究[J].振動與沖擊,2009(2):72-76，201-202.

WANG Jiasheng,ZHU Sihong.Linearized model for dynamic stiffness of air spring with auxiliary chamber[J].JOURNAL OF VIBRATION AND SHOCK,2009(2):72-76,201-202.

[3] 王家勝，朱思洪.帶附加氣室空氣彈簧動剛度影響因素試驗研究[J].振動與沖擊,2010(6):1-3,20,231.

WANG Jiasheng,ZHU Sihong.Experimental study on influential factors on dynamic stiffness of air spring with auxiliary chamber[J].JOURNAL OF VIBRATION AND SHOCK,2010(6):1-3,20,231.

[4] 李美.帶附加氣室空氣彈簧系統(tǒng)動態(tài)特性機理的研究[D].鎮(zhèn)江：江蘇大學,2012.

LI Mei.Mechanism Analysis on Dynamic Characteristics of Air Spring System with auxiliary chamber[D].Zhenjiang:Jiangsu University,2012.

[5] 孔亮，江洪，徐興.附加氣室容積可調空氣懸架系統(tǒng)的決策控制[J].機械設計與制造，2014(5):246-294.

KONG Liang,JIANG Hong,XU Xing.Decision-Making Control of Air Suspension with Adjustable Auxiliary Chamber[J].Machinery Design & Manufacture，2014(5):246-294.

[6] 江洪，錢寬，孔亮，等.附加氣室容積可調空氣懸架模糊控制研究[J].重慶理工大學學報(自然科學)，2015(10):29-33.

JIANG Hong,QIAN Kuan,KONG Liang，et al.Study on Fuzzy Control Applied in Adjustable Volume Air Suspension with Additional Air Chambers[J].Journal of Chongqing University of Technology(Natural Science),2015(10):29-33.

[7] 李重重.附加氣室容積可調空氣懸架剛度和阻尼控制[D].鎮(zhèn)江：江蘇大學,2016.

LI Chongchong.Stiffness and Damping Control of Air Suspension with Adjustable Volumes of Auxiliary Chamber[D].Zhenjiang:Jiangsu University,2016.

[8] 沈維道，童鈞耕.工程熱力學[M].北京：高等教育出版社,2007.

SHEN Weidao,TONG Jungeng.Engineering Thermodynamics[M].Beijing:Higher Education Press,2007.

[9] 王家勝.帶附加氣室空氣彈簧動力學特性研究[D].南京：南京農業(yè)大學，2009.

WANG Jiasheng.Research on Dynamic Characteristics of Air Spring with Auxiliary Chambers[D].Nanjing:Nanjing Agricultural University,2009.

[10]雷英杰，張善文.Matlab遺傳算法工具箱及應用[M].西安：西安電子科技大學出版社,2011.

LEI Yingjie,ZHANG Shanwen.The Application and Toolbox of Genetic Algorithm Based on Matlab[M].Xi’an:Xidian University Press,2011.

[11]徐志強.基于改進遺傳算法的汽車主動懸架模糊控制研究[D].邯鄲：河北工程大學，2011.

XU Zhiqiang.Studying of Fuzzy Logic Control for Vehicle active Suspension Based on Improved Genetic Algorithm[D].Handan:Hebei University Of Engineering,2011.

[12]余志生.汽車理論[M].5版.北京：機械工業(yè)出版社，2009.

YU Zhisheng.Automotive theory[M].5 Edition.Beijing:China Machine Press,2009.

[13]SEBASTIAN K,MAREK P.Fuzzy Control for Semi-Active Vehicle Suspension[J].Journal of Low Frequency Noise 2014(4):323-328.

[14]LIAN R J,LIN B F,SIE W T.Self-organizing fuzzy control of active suspension systems[J].International Journal of Systems Science,2005(2):363-369.

[15]劉亞驕.基于自適應神經模糊控制的汽車半主動懸架系統(tǒng)仿真分析[D].西安：長安大學，2014.

LIU Yajiao.Study on Mathematical Model and Adaptive Neuro-fuzzy Control of Semi-active Suspension[D].Xi’an:Chang’an University,2014.

[16]石辛民，郝整清.模糊控制及其MATLAB仿真[M].北京：清華大學出版社，2008.

SHI Xinmin,HAO Zhengqing.Fuzzy control and its simulation of MATLAB[M].Beijing:Tsinghua University Press,2008.

[17]李恩科, 宋禮, 樊成程,等. 客車空氣懸架行駛動力學分析與優(yōu)化[J]. 客車技術與研究, 2015(4):27-30.

LI Enke，SONG Li，F(xiàn)AN Chengcheng，et al. Analysis and Optimization on Coach Air Suspension’s Running Dynamics[J]. Bus & Coach Technology and Research, 2015(4):27-30.

[18]楊啟耀.ECAS客車懸架系統(tǒng)的匹配與充放氣研究[D].鎮(zhèn)江：江蘇大學，2008.

YANG Qiyao.Research on Matching and Inflation/Deflating of Suspention System in ECAS-Bus[D].Zhenjiang:Jiangsu University,2008.

(責任編輯 劉 舸)

Neural-Fuzzy Control Applied in Adjustable Volume Air Suspension with Additional Air Chambers

JIANG Hong，WANG Zi-hao，KONG Liang

(School of Mechanical Engineering, Jiangsu University, Zhenjiang 212013, China)

We studied on a whole vehicle equipped with adjustable volumes air suspension, firstly, a model of adjustable volumes air spring with additional air chamber was established, and then the model was substituted into a whole vehicle model in the form of the spring force. Secondly, we designed comprehensive objective function which regard the ride comfort indicator as leading status, and then the function of the whole vehicle was optimized cycle by cycle by the GA (genetic algorithm) to receive the optimized output data of the fuzzy controller of front suspension and rear suspension under different driving conditions and then processed the data for learning of neural network to establish the T-S neural fuzzy inference systems. The results show that the semi-active air suspension with fuzzy controller compared with the passive air suspension improved the ride comfort significantly under different driving conditions, and the improved effect was superior to vehicle which in empty load.

auxiliary chamber; air suspension; neural-fuzzy control; improved genetic algorithm; ride comfort

2016-06-28 基金項目：國家自然科學基金資助項目(51575241)

江洪(1963—),女,教授,主要從事汽車工程、CAD/CAE 等方面研究，E-mail:la55@163.com。

江洪,王子豪，孔亮.半主動空氣懸架的神經模糊控制[J].重慶理工大學學報(自然科學)，2017(3):1-11.

format：JIANG Hong，WANG Zi-hao，KONG Liang.Neural-Fuzzy Control Applied in Adjustable Volume Air Suspension with Additional Air Chambers[J].Journal of Chongqing University of Technology(Natural Science)，2017(3):1-11.

10.3969/j.issn.1674-8425(z).2017.03.001

U463.33

A

1674-8425(2017)03-0001-11