基于状态反馈和预瞄前馈的智能车半主动悬架控制

doi:10.19562/j.chinasae.qcgc.2023.05.003

摘要/Abstract

摘要：

为提高智能车辆的半主动悬架综合控制性能，提出一种基于状态反馈和预瞄前馈的半主动悬架控制方法。首先，以8轮车为研究对象建立11自由度半主动悬架模型，设计LQR状态反馈控制器。然后，为解决状态反馈控制抗路面干扰能力弱和基于固定时序延迟的预瞄反馈控制适用性差的问题，提出一种基于状态反馈和预瞄前馈的控制器：建立车轮运动规划模型和路面预瞄模型，计算出悬架控制系统所需的车轮规划轨迹点序号和控制延迟响应时间；以路面激励和垂向加速度为输入、以前馈阻尼力为输出，设计基于类模糊的预瞄前馈控制器，并与LQR反馈控制器一并构成所提控制器。最后，基于MATLAB/Simulink和Trucksim联合仿真平台，进行匀速转向工况、变速直线工况、变速转向工况和匀速直线工况下的试验验证。结果表明，在垂向加速度、俯仰角加速度、侧倾角加速度均方根值方面，与被动悬架相比，所提控制方法在4种工况下至少降低了23.52%、13.59%、19.35%；与基于固定时序延迟的预瞄反馈控制相比，所提控制方法在前3种工况下至少降低了14.04%、8.09%、13.79%；与基于状态反馈的控制方法相比，所提控制方法在第4种工况下降低了13.20%、4.96%、4.12%。所提悬架控制方法能够在多种工况下有效改善车辆的平顺性。

关键词: 智能车, 半主动悬架, 车轮规划轨迹, 类模糊, 状态反馈, 预瞄前馈

Abstract:

In order to improve the comprehensive control performance of intelligent vehicle semi-active suspension， a semi-active suspension control method based on state feedback and preview feedforward is proposed. Firstly， an 11-DOF semi-active suspension model is established with an 8-wheeler as the research object， and an LQR state feedback controller is designed. Then， in order to solve the problems of weak road disturbance resistance ability of the state feedback control and poor applicability of preview feedback control based on fixed timing delay， a kind of controller based on state feedback and preview feedforward is proposed， establishing the wheel movement planning model and road preview model to calculate the wheel planning trajectory point number of the suspension control system and the control delay response time. Taking road excitation and vertical acceleration as input and feedforward damping force as output， a fuzzy-like preview feedforward controller is designed， and together with the LQR feedback controller to form the proposed controller. Finally， based on the co-simulation platform of MATLAB/Simulink and Trucksim， the experiments are carried out under the conditions of constant speed steering， variable speed straight line， variable speed steering and constant speed straight line. The results show that the root mean square value of vertical acceleration， pitch angle acceleration and roll angle acceleration is at least reduced by 23.52%， 13.59% and 19.35% compared with the passive suspension under four working conditions. Compared with the pre-view feedback control based on fixed time delay， the proposed control method reduces at least 14.04%， 8.09% and 13.79% under the first three working conditions. Compared with the control method based on state feedback， the proposed control method reduces by 13.20%， 4.96% and 4.12% under the fourth working conditions. The proposed suspension control method can effectively improve vehicle ride comfort under various working conditions.

Key words: intelligent vehicles, semi-active suspension, wheel planning trajectory, fuzzy, state feedback, preview feedforward

李子先,潘世举,朱愿,何滨兵,徐友春. 基于状态反馈和预瞄前馈的智能车半主动悬架控制[J]. 汽车工程, 2023, 45(5): 735-745.

Zixian Li,Shiju Pan,Yuan Zhu,Binbing He,Youchun Xu. Semi-active Suspension Control for Intelligent Vehicles Based on State Feedback and Preview Feedforward[J]. Automotive Engineering, 2023, 45(5): 735-745.

图/表 16

图1

图2

图3

图4

表1

变量论域"

变量	论域
$z i j$	$(0, z m a x)$
$z ¨ a$	$(0, z ¨ m a x)$
$F i j'$	$(0, m)$

表1

表2

图5

图6

表3

图7

图8

表4

图9

表5

图10

表6

参考文献 22

1	崔明阳，黄荷叶，许庆，等. 智能网联汽车架构、功能与应用关键技术［J］. 清华大学学报（自然科学版）， 2022， 62（3）： 493-508.
	CUI M Y， HUANG H Y， XU Q， et al. Survey of intelligent and connected vehicle technologies： architectures， functions and applications［J］. Journal of Tsinghua University（Science and Technology）， 2022， 62（3）： 493-508.
2	GONG M D， WANG H H， WANG X. Active suspension control based on estimated road class for off-road vehicle［J］. Mathematical Problems in Engineering， 2019（4）： 1-17.
3	WU J， ZHOU H L， LIU Z Y， et al. Ride comfort optimization via speed planning and preview semi-active suspension control for autonomous vehicles on uneven roads［J］. IEEE Transactions on Vehicular Technology， 2020， 69（8）： 8343-8355.
4	YANG Z， ZHENG Y， GU S， et al. A study on a vehicle semi-active suspension control system based on road elevation identification［J］. PLos One， 2022， 17（6）： 1-27.
5	孙晋伟，秦也辰，王振峰. 基于路面识别的非线性悬架系统自适应控制［J］. 东北大学学报（自然科学版）， 2018， 39（9）： 1299-1303.
	SUN J W， QIN Y C， WANG Z F. Adaptive control of the nonlinear suspension system based on road estimation［J］. Journal of Northeastern University（Natural Science）， 2018， 39（9）： 1299-1303.
6	巩明德，颜鑫. 采用路面识别方法的重型救援车辆主动悬架控制策略［J］. 西安交通大学学报， 2019， 53（2）： 32-39.
	GONG M D， YAN X. A control strategy for active suspension of heavy rescue vehicles based on road level estimation［J］. Journal of Xi’an Jiaotong University， 2019， 53（2）： 32-39.
7	PANG H， WANG Y， ZHANG X， et al. Robust state-feedback control design for active suspension system with time-varying input delay and wheelbase preview information［J］. Journal of the Franklin Institute， 2019， 356（4）： 1899-1923.
8	张志勇，王建波，胡林，等. 考虑路面预瞄信息和参数不确定性的空气悬架半主动控制［J］. 振动与冲击， 2020， 39（23）： 21-29.
	ZHANG Z Y， WANG J B， HU L， et al. Semi-active control of air suspension considering pavement preview information and parametric uncertainty［J］.Journal of Vibration And Shock， 2020， 39（23）： 21-29.
9	ZHAO J， HUA X， CAO Y， et al. Design of an integrated controller for active suspension systems based on wheelbase preview and wavelet noise filter［J］. Journal of Intelligent and Fuzzy Systems， 2019， 36（4）： 3911–3921.
10	HU H Z， WU G Q， MAO L B. Preview control of semi-active suspension with adjustable damping based on machine vision［C］. 2021 IEEE 16th Conference on Industrial Electronics and Applications （ICIEA）， 2021： 117-123.
11	刘秋，孙晋伟，张华，等. 基于卷积神经网络的路面识别及半主动悬架控制［J］. 兵工学报， 2020， 41（8）： 1483-1493.
	LIU Q， SUN J W， ZHANG H， et al. Road identification and semi-active suspension control based on convolutional neural network［J］. Acta Armamentarii， 2020， 41（8）： 1483-1493.
12	MYRON P，ALEX A. Active vehicle suspension control using road preview model predictive control and radial basis function networks［J］. Applied Soft Computing， 2022， 120： 108646.
13	YONGHWAN J，YOUNGIL S， SEHYUN C， et al. Design of virtual reference feedforward controller for an active suspension system［J］. IEEE Access，2022， 10： 65671-65684.
14	陈潇凯，曾洺锴，刘向，等. 基于VSL-MPC的半主动悬架预瞄控制研究［J］. 汽车工程， 2022， 44（10）： 1537-1637.
	CHEN X K， ZENG M K， LIU X， et al. Research on semi-active suspension preview control based on VSL-MPC［J］. Automotive Engineering， 2022， 44（10）： 1537-1637.
15	ZHAO J， WANG X W， WONG O K， et al. Multi-objective frequency domain-constrained static output feedback control for delayed active suspension systems with wheelbase preview information［J］. Nonlinear Dyn， 2021，103：1757-1774.
16	李子先，潘世举，徐友春. 分布式电驱动车辆底盘稳定性协同控制研究综述［J］. 汽车技术， 2022（9）： 1-14.
	LI Z X， PAN S J， XU Y C. Review on cooperative control of chassis stability for distributed electric vehicles［J］. Automobile Technology，2022（9）：1-14.
17	THEUNISSEN J， TOTA A， GRUBER P， et al. Preview-based techniques for vehicle suspension control： a state-of-the-art review［J］. Annual Reviews in Control， 2021， 51（2）： 1-30.
18	唐斌，许占祥，江浩斌，等.基于分段优化的车辆换道避障轨迹规划［J］. 汽车工程， 2022， 44（6）： 831-841.
	TANG B， XU Z X， JIANG H B， et al. Trajectory planning of intelligent vehicles in lane change for collision avoidance based on segmented optimization［J］. Automotive Engineering， 2022， 44（6）： 831-841.
19	ZHAO D X， WANG L L， LI Y L， et al. Extraction of preview elevation of road based on 3D sensor［J］. Measurement， 2018， 127： 104-114.
20	ZACHARY R， DETWEILER， JOHN B. Ferris.Interpolation methods for high-fidelity three-dimensional terrain surfaces［J］. Journal of Terramechanics， 2010， 47（4）： 209-217.
21	潘世举，李华，苏致远，等. 基于跟踪误差模型的智能车辆轨迹跟踪方法［J］. 汽车工程， 2019， 41（9）： 1021-1027.
	PAN S J， LI H， SU Z Y， et al. Trajectory tracking method for intelligent vehicles based on tracking-error model［J］. Automotive Engineering， 2019， 41（9）： 1021-1027.
22	WANG Z F， DONG M M， GU L， et al. Influence of road excitation and steering wheel input on vehicle system dynamic responses［J］. Applied Sciences， 2017， 7（6）：570.

参数	数值
总质量/kg	4 000
簧下总质量/kg	400
质心至第1轴距离/m	1.65
质心至第2轴距离/m	0.55
质心至第3轴距离/m	0.55
质心至第4轴距离/m	1.65
各悬架阻尼/（N·s·m^-1）	1 200
各悬架刚度/（N·m）	13 000
各轮胎刚度/（N·m）	210 000
绕x轴转动惯量/（kg·m²）	1 782
绕y轴转动惯量/（kg·m²）	5 953
绕z轴转动惯量/（kg·m²）	5 953

性能指标	方法一	方法二	方法三
垂向加速度	0.810 5	0.942 9	1.059 7
俯仰角加速度	0.015 9	0.017 3	0.018 4
侧倾角加速度	0.007 5	0.008 7	0.009 3

性能指标	方法一	方法二	方法三
垂向加速度	0.824 0	1.006 3	1.017 3
俯仰角加速度	0.010 9	0.012 1	0.013 0
侧倾角加速度	7.488 7e-4	8.714 6e-4	8.371 2e-4

性能指标	方法一	方法二	方法三
垂向加速度	0.847 6	1.108 1	1.144 4
俯仰角加速度	0.009 8	0.011 6	0.011 5
侧倾角加速度	0.006 4	0.007 7	0.008 1

性能指标	方法一	方法三	方法四
垂向加速度	0.920 1	1.268 0	1.060 0
俯仰角加速度	0.013 4	0.017 0	0.014 1
侧倾角加速度	8.7392e-4	0.001 1	9.1147e-4