为了减小车辆振动,提高车辆乘坐舒适性和操纵稳定性,将惯容器与非线性能量汇相结合,构建惯容非线性能量汇(Nonlinear Energy Sink Inerter,NESI),并将其运用于车辆悬架和座椅悬架,进一步提出一种基于遗传算法的无模型自适应控制方法(Mod...为了减小车辆振动,提高车辆乘坐舒适性和操纵稳定性,将惯容器与非线性能量汇相结合,构建惯容非线性能量汇(Nonlinear Energy Sink Inerter,NESI),并将其运用于车辆悬架和座椅悬架,进一步提出一种基于遗传算法的无模型自适应控制方法(Model-free Adaptive Control,MFAC)。研究了采用MFAC方法的耦合NESI的车-座椅系统在路面随机激励下的动态特性,并与被动系统和比例积分微分(Proportional Integral Derivative,PID)控制系统进行对比。结果表明,与车-座椅被动系统相比,采用MFAC方法的车-座椅系统的车身垂直加速度与座椅垂直加速度均方根值在低中高车速下都显著减小;与PID控制相比,车身垂直加速度、座椅垂直加速度、悬架动行程和轮胎动载荷均方根值在低、中、高车速下都有所降低。展开更多
在无人矿用卡车的轨迹跟踪任务中,露天矿的地形信息繁杂且路面类型多样,导致跟踪精度与横向稳定性之间的矛盾突出;此外,无人矿卡轮地交互的动力学特性复杂,矿卡的轨迹跟踪面临建模难度大的挑战。针对以上问题,提出了一种基于稳定性评价...在无人矿用卡车的轨迹跟踪任务中,露天矿的地形信息繁杂且路面类型多样,导致跟踪精度与横向稳定性之间的矛盾突出;此外,无人矿卡轮地交互的动力学特性复杂,矿卡的轨迹跟踪面临建模难度大的挑战。针对以上问题,提出了一种基于稳定性评价的无模型自适应控制(Stability-based Model Free Adaptive Control,SMFAC)方法,以数据驱动的方式实现对行驶稳定性和跟踪精确性的协调控制。在Pacejka轮胎公式的基础上引入路面附着系数对矿卡的影响,结合简化的动力学方程构建矿卡的质心侧偏角-质心侧偏角速度相平面,并对不同环境工况的稳定域边界实现动态辨识,实时求解矿卡的稳定系数。基于径向基网络构建Actor-Critic无模型轨迹跟踪控制器,Actor网络依据系统状态计算控制量,Critic网络评估实时控制量的价值并对价值函数进行拟合;结合稳定系数设计学习过程中的网络误差,以最小化误差函数为目标求解隐藏层权值的更新律,通过矿卡与环境的交互迭代出轨迹跟踪的最优策略。基于CarSim与MATLAB/Simulink搭建轨迹跟踪联合仿真系统,以验证所提出的SMFAC方法的有效性。结果表明:相比于无模型的PID算法与有模型的MPC与LQR算法,所提方法在低速与高速的情况下均可兼顾角度跟踪精度与横向跟踪精度,在双移线、单移线、曲线工况中均取得最优轨迹跟踪性能。此外,SMFAC方法可抑制输出动作的波动,生成较为平滑的行驶轨迹,保障了无人矿卡的操纵稳定性。展开更多
文摘为了减小车辆振动,提高车辆乘坐舒适性和操纵稳定性,将惯容器与非线性能量汇相结合,构建惯容非线性能量汇(Nonlinear Energy Sink Inerter,NESI),并将其运用于车辆悬架和座椅悬架,进一步提出一种基于遗传算法的无模型自适应控制方法(Model-free Adaptive Control,MFAC)。研究了采用MFAC方法的耦合NESI的车-座椅系统在路面随机激励下的动态特性,并与被动系统和比例积分微分(Proportional Integral Derivative,PID)控制系统进行对比。结果表明,与车-座椅被动系统相比,采用MFAC方法的车-座椅系统的车身垂直加速度与座椅垂直加速度均方根值在低中高车速下都显著减小;与PID控制相比,车身垂直加速度、座椅垂直加速度、悬架动行程和轮胎动载荷均方根值在低、中、高车速下都有所降低。
文摘在无人矿用卡车的轨迹跟踪任务中,露天矿的地形信息繁杂且路面类型多样,导致跟踪精度与横向稳定性之间的矛盾突出;此外,无人矿卡轮地交互的动力学特性复杂,矿卡的轨迹跟踪面临建模难度大的挑战。针对以上问题,提出了一种基于稳定性评价的无模型自适应控制(Stability-based Model Free Adaptive Control,SMFAC)方法,以数据驱动的方式实现对行驶稳定性和跟踪精确性的协调控制。在Pacejka轮胎公式的基础上引入路面附着系数对矿卡的影响,结合简化的动力学方程构建矿卡的质心侧偏角-质心侧偏角速度相平面,并对不同环境工况的稳定域边界实现动态辨识,实时求解矿卡的稳定系数。基于径向基网络构建Actor-Critic无模型轨迹跟踪控制器,Actor网络依据系统状态计算控制量,Critic网络评估实时控制量的价值并对价值函数进行拟合;结合稳定系数设计学习过程中的网络误差,以最小化误差函数为目标求解隐藏层权值的更新律,通过矿卡与环境的交互迭代出轨迹跟踪的最优策略。基于CarSim与MATLAB/Simulink搭建轨迹跟踪联合仿真系统,以验证所提出的SMFAC方法的有效性。结果表明:相比于无模型的PID算法与有模型的MPC与LQR算法,所提方法在低速与高速的情况下均可兼顾角度跟踪精度与横向跟踪精度,在双移线、单移线、曲线工况中均取得最优轨迹跟踪性能。此外,SMFAC方法可抑制输出动作的波动,生成较为平滑的行驶轨迹,保障了无人矿卡的操纵稳定性。
