基于扰动观测器的主动悬架切换控制算法研究

doi:10.19562/j.chinasae.qcgc.2024.10.003

摘要/Abstract

摘要：

悬架控制需要实现乘坐舒适性和操纵稳定性之间的良好折中，此外还需要考虑系统的不确定性，是一项复杂的任务。本文以兼顾悬架的动力学性能指标、算法鲁棒性与成本因素为出发点，提出了一种基于扰动观测器的次优-非奇异终端滑模切换控制算法（DOB-SNTSM）。首先，以簧载质量加速度信息为输入，通过卡尔曼滤波器设计，实现了悬架动挠度和簧载质量速度的有效估计。然后，针对悬架系统中的不确定项估计，设计了一种扰动观测器，并将扰动估计值作为前馈补偿。接下来，以滑模面函数为依据，提出了一种次优-非奇异终端滑模切换控制算法，并与扰动观测器的前馈补偿相结合，共同构成一种新的主动悬架控制策略。最后，分别进行了凸包路面和平稳随机路面下的仿真和台架试验验证，结果表明，扰动观测器的引入能显著提升悬架的乘坐舒适性指标，相比经典的天棚控制、理想状态LQR方法、不带有扰动观测器的SNTSM算法，新算法不仅很好地实现各项悬架性能指标的均衡，而且能够仅利用簧载质量加速度信息就可以达到接近理想状态LQR的控制效果，同时，控制器切换方案可以显著提升算法鲁棒性。

关键词: 主动悬架, 扰动观测器, 切换控制, 次优控制, 非奇异终端滑模控制, 卡尔曼滤波

Abstract:

Suspension control requires good balance between ride comfort and driving stability， while considering system uncertainties， which is a complex task. In this paper， a disturbance observer-based suboptimal-nonsingular terminal sliding mode switching control algorithm （DOB-SNTSM） is proposed， with considerations of suspension dynamic performance indicators， algorithm robustness， and cost factors. Firstly， using spring mass acceleration information as input and by Kalman filter design， effective estimation of suspension deflection and spring mass velocity is achieved. Subsequently， a disturbance observer is devised to estimate uncertainties within the suspension system， with the disturbance estimation serving as feedforward compensation. Next， based on the sliding mode surface function， a suboptimal-nonsingular terminal sliding mode switching control algorithm is proposed， integrating with the feedforward compensation from the disturbance observer to formulate a novel active suspension control strategy. Finally， simulation and bench tests are conducted on both convex road surfaces and smooth random road surfaces. The results show that the introduction of disturbance observers can significantly improve the ride comfort index of the suspension. Compared to the SNTSM algorithm with the classical sky-hook control， the ideal state LQR method and without disturbance observer， the new algorithm not only effectively balances various suspension performance indicators but also achieves control effect close to the ideal state LQR using solely spring mass acceleration information. Additionally， the controller switching scheme significantly enhances algorithm robustness.

Key words: active suspension, disturbance observer, switching control, suboptimal control, nonsingular terminal sliding mode control, Kalman filter

陈潇凯,陈丰,刘向,刘宏宇,王笑宇. 基于扰动观测器的主动悬架切换控制算法研究[J]. 汽车工程, 2024, 46(10): 1744-1754.

Xiaokai Chen,Feng Chen,Xiang Liu,Hongyu Liu,Xiaoyu Wang. Research on DOB-Based Switching Control Algorithm for Active Suspension System[J]. Automotive Engineering, 2024, 46(10): 1744-1754.

图/表 15

图1

图2

表1

仿真模型与仿真工况基本参数"

参数名称	符号/单位	数值
簧载质量	$m s / k g$	2.45
非簧载质量	$m u / k g$	1
悬架刚度	$k s / (N · m - 1)$	900
悬架阻尼	$c s / (N · s · m - 1)$	7.5
轮胎刚度	$k u / (N · m - 1)$	2 500
仿真车速	$v c / (m · s - 1)$	3
凸包路面高度	$H / m$	0.02
凸包路面长度	$L / m$	1.5
参考空间频率	$n 0 / m - 1$	0.1
空间下截止频率	$n m i n / m - 1$	0.011
路面不平度系数	$G x r n 0 / m 3$	0.000 256

表1

表2

控制器关键参数"

参数	数值
理想天棚阻尼 $/ (N · s · m - 1)$	50
DOB观测增益	15
LQR算法 $Q$ 矩阵	［450，50，5，1］
NTSM参数 $p$	5
NTSM参数 $q$	3
NTSM参数 $β$	2

表2

图3

表3

凸包路面仿真工况动力学性能指标均方根值统计结果"

控制方法	簧载质量加速度/ $(m · s - 2)$	轮胎动变形/ $(10 - 3 m)$
被动悬架	$1.877$	$2.10$
天棚控制	$0.550$	$0.660$
理想状态LQR	$0.353 (35.8 %)$	$0.452 (31.5 %)$
SNTSM	$0.457 (16.9 %)$	$0.514 (22.1 %)$
DOB-SNTSM	$0.417 (24.2 %)$	$0.507 (23.2 %)$

表3

图4

表4

平稳随机路面仿真工况动力学性能指标均方根值统计结果"

控制方法	簧载质量加速度/ $(m · s - 2)$	轮胎动变形/ $(10 - 3 m)$
被动悬架	$1.896$	$2.56$
天棚控制	$0.952$	$1.74$
理想状态LQR	$0.776 (18.5 %)$	$1.91 (- 9.8 %)$
SNTSM	$0.893 (6.1 %)$	$1.93 (- 10.9 %)$
DOB-SNTSM	$0.755 (20.7 %)$	$2.06 (- 18.4 %)$

表4

图5

图6

图7

图8

表5

凸包路面工况下台架试验动力学性能指标均方根值统计结果"

控制方法	簧载质量加速度/ $(m · s - 2)$	轮胎动变形/ $(10 - 3 m)$
被动悬架	$1.301$	$1.54$
天棚控制	$0.541$	$0.922$
理想状态LQR	$0.446 (17.6 %)$	$0.879 (4.7 %)$
SNTSM	$0.522 (3.5 %)$	$0.905 (1.8 %)$
DOB-SNTSM	$0.489 (9.6 %)$	$0.913 (1.0 %)$

表5

图9

表6

平稳随机路面工况下台架试验动力学性能指标均方根值统计结果"

控制方法	簧载质量加速度/ $(m · s - 2)$	轮胎动变形/ $(10 - 3 m)$
被动悬架	$0.275$	$1.15$
天棚控制	$0.201$	$1.15$
理想状态LQR	$0.164 (18.4 %)$	$1.14 (0.9 %)$
SNTSM	$0.198 (1.5 %)$	$1.12 (2.6 %)$
DOB-SNTSM	$0.183 (9.0 %)$	$1.19 (- 3.5 %)$

表6

参考文献 15

1	DONG X， FEI Z， ZHANG Z， et al. Gray skyhook predictive control of magnetorheological semi-active seat suspension with time delay［J］. Smart Materials and Structures， 2023， 32（11）： 115010.
2	刘雁玲，颜龙，杨晓峰，等. 基于ADD正实网络的车辆ISD悬架优化设计与性能研究［J］. 振动与冲击， 2021， 40（11）： 262-268.
	LIU Y L， YAN L， YANG X F， et al. Research on optimal design and performance of vehicle ISD suspension based on ADD positive real network ［J］. Journal of Vibration and Shock， 2021， 40（11）： 262-268.
3	WANG G， KOU F， ZHANG X， et al. A new energy-feeding variable damping control strategy for electromagnetic hybrid suspension systems［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2023： 09544070231205356.
4	郭孔辉，王杨. 一种改进的加速度阻尼半主动控制策略研究［J］. 汽车工程， 2019， 41（5）： 481-486.
	GUO K H， WANG Y. Research on an improved acceleration damping semi-active control strategy ［J］. Automotive Engineering， 2019， 41（5）： 481-486.
5	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）： 1537-1546.
	CHEN X K， ZENG M K， LIU X， et al. Research on pre-sight control of semi-active suspension based on VSL-MPC ［J］. Automotive Engineering， 2022， 44（10）： 1537-1546.
6	YUAN C Y， LI K T， ZANG G R， et al. LQR Optimization of semi-active suspension LQR parameters based on local optimization with a skipping out particle swarm algorithm［C］. International Conference on Mechanical Design and Simulation （MDS 2022）： Volume 12261. SPIE， 2022： 1111-1116.
7	李子先，潘世举，朱愿，等. 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.
	LI Z X， PAN S J， ZHU Y， et al. Semi-active suspension control of intelligent vehicle based on state feedback and preview feedforward ［J］. Automotive Engineering， 2023， 45（5）： 735-745.
8	YU X， LIU X， WANG X， et al. Vibration control of improved LQG for wheel drive electric vehicle based on uncertain parameters［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2021，235（8）：2253-2264.
9	吴骁，史文库，陈志勇. 基于交互式多模型卡尔曼滤波的主动悬架控制［J］. 汽车工程， 2023， 45（7）： 1200-1211，1253.
	WU X， SHI W K， CHEN Z Y. Active suspension control based on interactive multi-model Kalman filter ［J］. Automotive Engineering， 2023， 45（7）： 1200-1211，1253.
10	于曰伟，赵雷雷，周长城，等. 车辆座椅次优控制主动悬架设计及分析［J］. 北京邮电大学学报， 2021， 44（3）： 87-93.
	YU Y W， ZHAO L L， ZHOU C C， et al. Design and analysis of vehicle seat suboptimal control active suspension ［J］. Journal of Beijing University of Posts and Telecommunications， 2021， 44（3）： 87-93.
11	鲁红伟，张志飞，徐中明，等. 汽车主动悬架次优控制策略等效性研究［J］. 振动与冲击， 2023， 42（23）： 316-324.
	LU H W， ZHANG Z F， XU Z M， et al. Research on the equivalence of suboptimal control strategy for automotive active suspension ［J］. Journal of Vibration and Shock， 2023， 42（23）： 316-324.
12	SOOSAIRAJ A S， KANDAVEL A. Ride comfort analysis of driver seat using super twisting sliding mode controlled magnetorheological suspension system［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2021， 235（14）： 3606-3618.
13	CHEN H， LIU Y J， LIU L， et al. Anti-saturation-based adaptive sliding-mode control for active suspension systems with time-varying vertical displacement and speed constraints［J］. IEEE Transactions on Cybernetics， 2022， 52（7）： 6244-6254.
14	HO C M， TRAN D T， AHN K K. Adaptive sliding mode control based nonlinear disturbance observer for active suspension with pneumatic spring［J］. Journal of Sound and Vibration， 2021， 509： 116241.
15	汪若尘，王英杰，丁仁凯，等. 基于卡尔曼观测器的磁流变悬架半主动控制［J］. 华中科技大学学报（自然科学版）， 2020， 48（12）： 49-54.
	WANG R C， WANG Y J， DING R K， et al. Semi-active control of magnetorheological suspension based on Kalman observer ［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2020， 48（12）： 49-54.

[1]	邓浩楠,赵治国,赵坤,李刚,于勤. 四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计[J]. 汽车工程, 2024, 46(8): 1357-1369.
[2]	张傲,李淑艳,高博麟,万科科,周光,曹通易. 基于云端地图的智能网联商用车质量估计算法研究[J]. 汽车工程, 2024, 46(6): 1006-1014.
[3]	邓云红,赵治国,杨一飞,于勤. ADAS系统视觉与毫米波雷达分布式抗差卡尔曼滤波融合算法[J]. 汽车工程, 2024, 46(5): 805-815.
[4]	严运兵,岳铭浩,李海玮. 基于扩展卡尔曼滤波与机器视觉融合的道路侧向坡度估计[J]. 汽车工程, 2024, 46(4): 605-616.
[5]	张念忠,宋强,王冠峰,王明生. 车用永磁同步电机无电流传感器控制研究[J]. 汽车工程, 2024, 46(2): 281-289.
[6]	俞志豪,罗荣康,吴佩宝,侯之超. 四轮轮毂驱动车辆横向稳定性的底盘协同控制[J]. 汽车工程, 2024, 46(10): 1733-1743.
[7]	邓斌, 李维汉, 吴迪, 张冰战, 赵韩. 基于KFESO的四轮主动转向积分滑模控制[J]. 汽车工程, 2024, 46(1): 100-108.
[8]	李勇滔,孙晨旭,郑伟光,许恩永,李育方,王善超. 基于毫米波雷达与视觉融合的碰撞预警[J]. 汽车工程, 2023, 45(9): 1666-1676.
[9]	胡明辉,朱广曜,刘长贺,唐国峰. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计[J]. 汽车工程, 2023, 45(9): 1688-1701.
[10]	吴骁, 史文库, 陈志勇. 基于交互式多模型卡尔曼滤波的主动悬架控制[J]. 汽车工程, 2023, 45(7): 1200-1211.
[11]	孙晓强, 王玉麟, 胡伟伟, 蔡英凤, 陈龙, Wong Pak Kin. 基于轮胎分段仿射辨识模型的车辆行驶状态估计策略研究[J]. 汽车工程, 2023, 45(7): 1212-1221.
[12]	浦震峰, 唐亮, 上官文斌, 王伟玮, 蒋开洪. 基于多传感器信息的汽车低速车速估计方法[J]. 汽车工程, 2023, 45(7): 1235-1243.
[13]	陈建华,徐中明,张志飞. 基于轴距预瞄的非匀速工况车辆悬架状态估计[J]. 汽车工程, 2023, 45(6): 1040-1049.
[14]	张钰,徐明帆,白光宇,董明明,高利,秦也辰. 考虑稳定性约束的智能车辆切换控制方法[J]. 汽车工程, 2023, 45(5): 709-718.
[15]	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.