常用控制方法简述

2023-06-24 理论教育版权反馈

【摘要】：仿真结果显示，LQG控制方法对车辆行驶的平稳性和作战效能均有改善。在这种控制方法下，代价函数比较常规，其中包括了系统的性能指标、抗干扰性指标、控制输入量的局限性和鲁棒性需求，H∞控制目前已广泛应用于主动悬挂系统中，并有良好的控制效果[209，210]，在文献[211]中，作者将PI、LQG和H∞三种控制方法在稳定性、控制效果以及鲁棒性三个方面进行了比较，结果显示H∞具有更好的稳定性和鲁棒特性。

随着主动悬挂系统越来越受到关注，大量学者与研究人员运用不同的方法和技术来提高主动悬挂系统的品质与性能，他们充分考虑了系统造价和能源消耗，研究的车体模型从单自由度四分之一车体逐渐转变为多自由度的整车模型。许多控制算法已被提出并对悬挂模型进行了很有效的控制，为了验证其控制策略的优越性与有效性，我们做了大量的仿真实验。然而，许多控制方法都有各种不足，尤其是在真正的运用到实践中去时。

1.天棚控制

天棚控制方法被美国研究专家D.Karnopp于1974年提出[190]。该控制方法的主要原理是在车身上安装一个阻尼器，该阻尼器形成的阻尼力正比于车体振动的速度，这会使得车体垂直方向上的运动被阻尼器生成的阻尼力相抵触，从而有效地避免了车体与悬挂系统产生更大的共振。

在文献[191]中，作者建立了简单的半主动悬挂系统模型，并为该模型设计了理想的天棚控制器，仿真结果显示，系统的悬挂动挠度和相关元件的振动加速度有所减小，但这仅仅局限于频率较低时，频率较高时这种效果并不明显。此外，控制器的引入会增加轮胎的动载荷。因此，这种控制方法对三者的控制效果是相互矛盾的。随后，许多学者研究出一些改进式天棚控制器[192-194]，克服了传统天棚阻尼控制的一些不足。

天棚控制方法结构简单，所需传感器数量较少，对悬挂系统模型的依赖性较低，较易实现，通过选择合理的参数可抑制甚至消除系统共振。但这种抑制效果是以牺牲其他性能指标为代价的，对提高乘坐舒适度并不明显，甚至在中高频段会有恶化的趋势[195，196]，所以，该方法局限性较大，控制效果有限[197，198]。

2.自适应与自校正控制

自适应控制的基本原理是通过不断地调节控制器参数，来应对控制对象的动态变化。结合当前的输入信息，从预先存储的数据中选出最优的控制参数，从而使得整个系统一直保持较高的性能[199]。学者李霆基于自适应控制原理，将加权最小方差算法运用到车辆悬挂系统中，给出了系统的输入输出控制方程。整个过程分为参数辨识和控制器设计两部分[200]。这种方法相对简单、所需反馈量较少、运算速度较快，使得系统实时性得到提高。

自校正控制作为自适应控制系统中最广泛应用的一种，其原理也是通过采集过程输入和输出信息，实现模型的在线辨识与参数估计的。在此基础上，按着一定的性能优化准则，找到合适的自校正控制器参数，使得系统控制最优化。吉林大学的俞凡提出了最优自适应与自校正控制方法，即LQG（Linear Quadratic Gaussian）控制，他建立了车辆动力学模型和控制系统，为系统设计了最优LQG控制器[201]。仿真结果显示，LQG控制方法对车辆行驶的平稳性和作战效能均有改善。LQG控制策略同样被其他学者应用于半主动和主动悬挂系统上[202]。

自适应控制算法虽然对系统的控制效果明显，能够具有理想的控制性能，但其控制方法比较复杂，运算量大，因而对处理器提出了更高的要求。此外控制对象系统模型目前仅限于低自由度的车体，如要推广到整车模型，则还有很长的一段路要走。

3.最优控制

在主动悬挂系统中，无论采用哪种控制策略，控制的目的都是要提高乘坐舒适性与操纵稳定性，降低车体的振动。随机最优控制器的设计也是基于此出发点，它通过建立状态方程，寻求控制目标和加权系数，运用控制理论求出所设控制目标下的最优方案[203-205]。

最优控制作为控制工程界的一个主要领域，它通过建立并维持被控对象的运行状态来实现某种代价函数的极值（极大值或者极小值）。代价函数作为一种函数，包括了控制变量、状态变量、系统输出以及它们之前的各种形式的加权和。此外，由于对系统最优性能指标选取的不同，故其控制效果可能不同。

20世纪60−70年代，最优控制强调更多地是能够实现较好的控制性能，并不过多关心系统的鲁棒性。不同形式的线性二次最优控制受到广泛应用，在一些领域都取得了成功。线性二次最优控制中，应用较多的是基于线性二次型性能指标和高斯干扰的LQG（Linear Quadratic Gaussian）控制，它已被应用到主动悬挂系统中[206，207]。然而，LQG在线性二次型设计过程中没有过多地考虑控制器参数调节的影响以及系统鲁棒性，例如，在文献[208]中，已经验证了该控制算法的有效性，但其鲁棒性较差，而且未考虑车体模型中非线性因素的影响，这就使得最优控制理论有进一步的发展与优化空间。

为了解决反馈设计的鲁棒性问题，人们经过大量的实验研究，使H∞控制在20世纪80年代逐渐发展起来。在这种控制方法下，代价函数比较常规，其中包括了系统的性能指标、抗干扰性指标、控制输入量的局限性和鲁棒性需求，H∞控制目前已广泛应用于主动悬挂系统中，并有良好的控制效果[209，210]，在文献[211]中，作者将PI、LQG和H∞三种控制方法在稳定性、控制效果以及鲁棒性三个方面进行了比较，结果显示H∞具有更好的稳定性和鲁棒特性。但是，该方法也有自身的劣势，例如需要控制器降阶、成本函数优化的效率较低等。

4.预见控制

预见控制作为一种协调控制方法，需要通过前后悬架共同配合来实现，它需要通过对前悬架弹性元件之间的相对位移值和质量加速度进行测量来预测后悬架所需的控制力大小[212，213]。如果受到的外界扰动比较强烈或者变化迅速，那么由于各种部件响应存在一定滞后性以及受能量供应峰值的限制，预期的控制力可能无法获得，从而不能得到期望的控制效果。但预见控制能够以一定的手段超前估计出车辆即将行驶的路面特征与状况，能够带来一定的准备时间来应对前方恶劣的路况，降低系统的能耗，从而改善系统控制性能，以得到很好的控制效果[214，215]。

预见控制主要有两类：完全预见控制和部分预见控制。所谓完全预见控制是对四个车轮全部采取控制，在车辆前端首先要安装特定的预见传感器来对前方路面状况进行测量，将测量数据以输入的形式传给控制器，控制器结合传送过来的测量数据生成相应的控制指令，从而去操控四个车轮的执行机构。而部分预见控制是指将前轮的状态情况作为后轮的前馈信息，只对后面的车轮采用预见控制，前轮仅仅采用了反馈控制，但前轮的状态与路况等信息均会被各种传感器所获取，传送给控制器，控制器在生成相应的指令时要充分结合前后轮所获得的全部信息，从而可知，后轮的执行机构具有反馈和前向反馈的双重作用[216]。完全预见控制的控制效果要优于部分预见效果，但考虑制造成本和车辆行驶环境对传感器的特殊要求，部分预见控制的应用较为广泛。

然而，采用预见控制会有一定的弊端。预见传感器对路面情况的提前预测距离是有限的，因而何时对路面进行提前预测要受到很多因素的制约，尤其是车速的影响，这会使得系统控制具有时变性，预见时间的选取会直接影响到控制效果。

5.其他智能控制

目前许多智能控制方法已被应用于主动悬挂系统中，并取得了良好的控制效果，其中主要的智能控制方法有神经网络和模糊控制。神经网络是由大量的信息处理单元通过复杂、广泛的连接而构成的并行分布式、超大规模非线性动态系统，它具有自主学习、自适应、推理容错、联想记忆等一系列能力，因此在车辆主动悬挂系统中已被运用，但由于神经网络自身的局限性，例如局域性较差、很难确保解的唯一性等，它一般不单独使用。模糊控制器的核心是由IF-THEN所建立的模糊控制规则库，它的算法较为简单，并不依赖精准模型，控制效果不随系统参数的改变而发生较大变化，因此具有较强的鲁棒性，被广泛应用于复杂车体非线性时变模型中。目前，许多研究人员将神经网络、模糊控制与其他优化控制方法相结合，例如模糊自适应动态滑模控制[217]、神经网络自校正控制[218]等。下一小节将会对模糊控制进行详细的介绍与控制器设计。

常用控制方法简述

相关推荐