汽車ABS中的模糊神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制策略

1、汽車abs中的模糊神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制策略1_0汽車abs中的模糊神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制策略劉佳,杜太行，何莉莉,徐東彬（河北工業(yè)大學(xué)電氣與自動(dòng)化學(xué)院，天津300130）摘要:針對汽車制動(dòng)的特點(diǎn)以及汽車防抱死制動(dòng)系統(tǒng)的性能要求，建立了汽車的數(shù) 學(xué)模型，提出一種模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)控制方案，構(gòu)建了基于模糊神經(jīng)網(wǎng)絡(luò)的控制器和辨識器的結(jié)構(gòu)模型. 通過對網(wǎng)絡(luò)參數(shù)的離線訓(xùn)練得岀其初值，在控制過程中對網(wǎng)絡(luò)參數(shù)進(jìn)行在線微調(diào)，實(shí)現(xiàn)對汽車制動(dòng)過程的有效控制.仿真結(jié)果表明:在不同的路面,汽車均能保持在最佳滑移率附近進(jìn)行制動(dòng)，制動(dòng)時(shí)間及距離比較理想，滿足abs的安全性能要求.關(guān)鍵詞:汽車;防抱死制動(dòng);模糊

2、神經(jīng)網(wǎng)絡(luò);模型參考白適應(yīng)控制中圖分類號:u463.526文獻(xiàn)標(biāo)識碼:a文章編號:1【x】38639（2【x】6）【）1 一 0004 04modelreferenceself-adaptingcontrolpolicyforfuzzyneuralnetwork ofautomobilcabsliujia,dutaihang,helili,xudongbin（hebeiuniversityoftechnology.tianjin300130,china）abstract: aimingatthecharacteristicsofautomotivebrakingandtheperformance

3、demandso fabs,the mathematicmodelissetup;akindofself-adaptingcontrolpolicyforfuzzyneuralnetworkisad vancedtoformthestructuralmodelofcontrollerandidentifiethuseffectivecontrolofautomotivebnikingisac hievedbyinitialvaluederivingnetworkparametersoff lineexerciseandmicroadjustmenton line.thesimulationve

4、rifies:vehiclemaybebrakedaroundbestanti sliderateondifferentroad;braketimeanddistancereachidealresultandmeetabs requirements.keywor :automobile;abs;fuzzyneunilnetwork;modeheferenceself-adaptingcontrol 汽車制動(dòng)時(shí)車輪容易發(fā)生抱死現(xiàn)象，特別是在 濕滑，道路兩邊摩擦系數(shù)不同或附著系數(shù)發(fā)牛突變 的路面上，緊急制動(dòng)時(shí)易發(fā)生甩尾,失去轉(zhuǎn)向能力 等危險(xiǎn)情況.汽車防抱死制動(dòng)系統(tǒng)abs最主要的作 用就是通過調(diào)節(jié)制

5、動(dòng)輪缸的制動(dòng)壓力來控制制動(dòng)力 矩，使車輪的附著系數(shù)保持在最大值附近,從而防 止車輪抱死贓小制動(dòng)距離目前,abs已經(jīng)越來 越廣泛地成為汽車必備的安全裝置.車輛的制動(dòng)系統(tǒng)作為控制對象，是一個(gè)復(fù)雜的，時(shí)滯非線性系統(tǒng)其參數(shù)變龍隨路面狀況，輪 胎材質(zhì)以及外界環(huán)境的不同而改變，因此對abs 控制器的設(shè)計(jì)要求很高要求其在各種不同的路 面，不同氣候條件下,均能在較少的時(shí)間和較短的 距離內(nèi)完成車輛的制動(dòng)過程.口前,大多數(shù)汽車上安裝的abs的控制方法采用的是基于經(jīng)驗(yàn)的邏輯門限值控制法，此系統(tǒng)需要 大量的道路試驗(yàn)摸索控制規(guī)律，自適應(yīng)性及魯棒性 差，其性能有待改善國內(nèi)外科研工作者在理淪上 提出了一些新的控制方法，如:

6、滑移控制,描述函 數(shù)法，最優(yōu)控制及模糊控制等方法.本文闡述一種 基于模糊神經(jīng)網(wǎng)絡(luò)的模型參考自適應(yīng)控制方法.1汽車制動(dòng)過程的動(dòng)力學(xué)分析本文重點(diǎn)是對模糊神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制在abs上的應(yīng)用效果的研究，故忽略載荷轉(zhuǎn)移，空氣阻力,輪胎滾動(dòng)阻力等的影響,并設(shè)汽車自重及載重均勻分布于每個(gè)車輪，采用簡化的單輪模型口，如圖i所示分析車輪的受力關(guān)系可知圖1車輪受力分析='f=in(l)式屮:一一每個(gè)車輪承載的平均質(zhì)量;一一汽車的速度;一一車輪與地面的摩擦系數(shù)；卜摩擦力;1/_ 一支持力.車輛制動(dòng)的動(dòng)態(tài)微分方程為修改稿收稿h期：2【x】50906作者簡介:劉佳(1980)，女，河北工業(yè)大學(xué)住校研究生，研究方

7、向工業(yè)大學(xué)教授，博士生導(dǎo)師，主要研究方向:計(jì)算機(jī)應(yīng)用，計(jì)算機(jī)智能控制, 舉(7)2006年第1期jt 二 th+nr(2)計(jì)算機(jī)智能控制;杜太行(1963 )，男，河北模式識別,工業(yè)自動(dòng)化.翻嘲薊閹釉嘲cho蔓oioo譽(yù)i式中，一車輪的角速度;iv尺一一摩擦阻力矩:一車輪轉(zhuǎn)動(dòng)慣量;車輪制動(dòng)鼓與制動(dòng)蹄z間產(chǎn)生的制動(dòng)力矩.最常兀尢的制動(dòng)系統(tǒng)是液壓制動(dòng)系統(tǒng)，通過調(diào)節(jié)主缸和輪缸內(nèi)的液量來調(diào)節(jié)制動(dòng)壓力，制動(dòng)力矩與輪缸的制動(dòng)壓力成線性關(guān)系，即二.xp,而輪缸的制動(dòng)壓力與主缸制動(dòng)壓力尸z間存在一個(gè) 滯后環(huán)節(jié)，其變換關(guān)系可以表示為=(15)+5p(3)式中：卜采樣周期.另外,abs中最主要的參數(shù)是滑移率a,它

8、的定義為a:一vt.一or通常a作為被控壤，這是因?yàn)閍與摩擦系數(shù)之 間存在密切的關(guān)系，而又是汽車制動(dòng)的關(guān)鍵因素.入關(guān)系常用h.b.paujka提出的魔術(shù)公式來描述汁asinbtonca一tan_l(da)】(5)式中:一一車輪在純滾動(dòng)時(shí)的附著系數(shù),一般情況下可以認(rèn)為是0；a,b,c,d待定系 數(shù),是與路面有關(guān)的常數(shù)，反映了不同路面的情況. 通過仿真得到3種典型路面的一入曲線圖，如圖 2所示由圖2分析可知,對于大多數(shù)路面狀況，最 佳滑移率在003之間，考慮到實(shí)際應(yīng)用,參考有 關(guān)abs控制策略141,本文將最佳滑移率選取為0.2. 蓮01.0滑

9、移率圖23種典型路面的滑移率一附著系數(shù)曲線圖2汽車防抱死制動(dòng)系統(tǒng)的控制設(shè)計(jì)模型參考r適應(yīng)控制(modelrefereneeadaptive control,簡,mrac)是一種傳統(tǒng)自適應(yīng)控制方案， 它用一個(gè)參考模型來給出所希望的控制系統(tǒng)閉環(huán) 響應(yīng)，根據(jù)實(shí)際系統(tǒng)與參考模型輸出的課差設(shè)計(jì)自 適應(yīng)律，實(shí)時(shí)修正控制器參數(shù)，以適應(yīng)對象特性 的變化.好消息:免費(fèi)提供防:東液技術(shù)1詳見插3廣告 傳統(tǒng)的mrac只能用于結(jié)構(gòu)己知，參數(shù)時(shí)變的 線性系統(tǒng)，局限性較大.而人工智能的分支一一神 經(jīng)網(wǎng)絡(luò)，由于具有逼近任意連續(xù)有界非線性函數(shù)的 能力51,所以它給非線性系統(tǒng)的自適應(yīng)控制帶來了 新的思路而模糊控制器可以利用操作

10、人員提供的 語言性模糊信息，這一點(diǎn)對具有高度不確定因素的 系統(tǒng)尤其重要.將模糊邏輯與神經(jīng)網(wǎng)絡(luò)有機(jī)地結(jié)合起來，匯集 各自的優(yōu)點(diǎn),集學(xué)習(xí)，聯(lián)想，識別，自適應(yīng)及模糊 信息處理于一體,形成的模糊神經(jīng)網(wǎng)絡(luò)，由于它擴(kuò) 大了系統(tǒng)處理信息的范圍，使系統(tǒng)可同時(shí)處理確定 信息和非確定信啟,，同時(shí)，它也大大增加了系統(tǒng)處 理信息的手段，使系統(tǒng)處理信息的方法變得更加靈 活，因此，它將更好地解決吋變非線性系統(tǒng)的自適 應(yīng)控制問題考慮abs的復(fù)雜時(shí)變非線性,木文采 用基于模糊神經(jīng)網(wǎng)絡(luò)的模型參考自適應(yīng)控制策略， 控制系統(tǒng)的結(jié)構(gòu)框圖如圖3所示.圖3模糊神經(jīng)網(wǎng)絡(luò)模型參考白適應(yīng)控制 在圖 3 中,fnnc(fuzzyneuralne

11、tworkcontro 1) 表示模糊神經(jīng)網(wǎng)絡(luò)控制器，其輸入為參考模型的輸 出a與被控對象的輸出a之間的偏差e,以及偏差e的 導(dǎo)數(shù),k和k為鎊化因子;輸岀為制動(dòng)壓力p;k為 逆最化因子，腿逆量化后作為被控對象的控制量； fnni(fuzzyneuralnetworkidentify)表示模糊神經(jīng) 網(wǎng)絡(luò)辨識器，起到辨識汽車制動(dòng)動(dòng)態(tài)模型和提供給fnnc網(wǎng)絡(luò)在線學(xué)習(xí)的梯度信息的作用;參考模 型為階模型，輸出為a:(l2)a+2tad(6)式中:采樣周期.2.1模糊神經(jīng)網(wǎng)絡(luò)控制器fnnc與辨識器fnni的 模型模糊神經(jīng)網(wǎng)絡(luò)控制器的作用是根據(jù)偏差e和偏 差的變化率產(chǎn)生合適的制動(dòng)壓力p,使得汽車制動(dòng) 時(shí)的

12、滑移率達(dá)到最佳模糊神經(jīng)網(wǎng)絡(luò)控制器的模型 如4所示.圖4中采用基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò).其屮第1層為輸入層，輸入值為e和,輸出為量化后 的值第2層表示模糊子空間劃分為8個(gè)子集fpl,pm, 汽車電器2。06年第1期圖4模糊神經(jīng)網(wǎng)絡(luò)控制器模型ps,z,ns,nm,nl=正大，正中，正小，零,負(fù)小，負(fù)中，負(fù)大1,每個(gè)節(jié)點(diǎn)代表一個(gè)語言變量. 用于計(jì)算各輸入分最，屬于各語言變量值模糊集合 的隸屈度函數(shù)采用鈴形函數(shù)，即2(xi)=e( 1,2;= 1,2,8)(7)式中:c隸屈度的中心和寬度.該層 的節(jié)點(diǎn)數(shù)為16.第3層對應(yīng)模糊推理，規(guī)則的適用度，即式中:一步長;1,廠目適應(yīng)字律，由于學(xué)習(xí)率的大小對學(xué)習(xí)

13、算法有重要的影響， 所以選擇盧=l/8,/35=/3=i=|l 2,0-1 表示.sz/)l.nm，中的最小值,，.表示權(quán)值的最大值.在樣本的學(xué)習(xí)訓(xùn)練過程屮進(jìn)行學(xué)習(xí)律的在線調(diào) 整，將調(diào)整后的結(jié)果作為系統(tǒng)在線微調(diào)時(shí)的學(xué)習(xí) 律.fnnc的誤差代價(jià)函數(shù)為=(ama)2/2,其學(xué) 習(xí)算法與fnni的思想一樣，只是由于在用誤差反傳 算法計(jì)算時(shí)需要用到梯度信息，即一 (ama),而由于系統(tǒng)建模網(wǎng)絡(luò)經(jīng)過訓(xùn)練后,使入" ，那么ap 一，而梯度信息的精度要求并不很 高,因此可以用會來代替學(xué)習(xí)律選擇為61=6乙=6=未8為梯度信息值，即aap.每個(gè)節(jié)點(diǎn)輸出對應(yīng)每條3系統(tǒng)仿真,=1(iiwl,2,8;i2

14、wl,2,8; ,m;m=64)該層的節(jié)點(diǎn)數(shù)為64.第4層實(shí)現(xiàn)歸一化計(jì)算，即q=l=l,2,64)工，第5層對應(yīng)于規(guī)則推理的結(jié)論部分，化計(jì)算，即=12實(shí)現(xiàn)清晰jp=2,(10)j二 1fnni與fnnc的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同，只是 對應(yīng)的輸入fnnc的輸出p以及系統(tǒng)輸出a,fnni 的輸出為a.2.2學(xué)習(xí)算法fnnc和fnni的參數(shù)調(diào)整均采用反向傳播(bp) 算法，采用經(jīng)驗(yàn)知識進(jìn)行離線訓(xùn)練,在線微調(diào)的方 法，可以改善bp算法收斂較慢的缺點(diǎn)，并且離線訓(xùn) 練后的網(wǎng)絡(luò)參數(shù)值為合理值，因此住線微調(diào)時(shí)可以 克服陷入局部極小點(diǎn)的問題.v/fnni的誤差代價(jià)函 數(shù)為二(aa)z/2,采用最速下降算法，可以導(dǎo)

15、出 參數(shù)調(diào)整的學(xué)習(xí)算法如下,(+1)】 =,(kt)一盧 l(a-a)7h(ll)ci【(+1)1 二c,()一/32t(12)c【(+1)二()一盧竺(13)汽車電器>2006年第1期模糊神經(jīng)網(wǎng)絡(luò)根據(jù)經(jīng)驗(yàn)知識進(jìn)行離線訓(xùn)練，在 系統(tǒng)實(shí)際運(yùn)行時(shí)進(jìn)行在線學(xué)習(xí)在仿真過程中，控 制器以及辨識器采用上文所介紹的模糊神經(jīng)網(wǎng)絡(luò)結(jié) 構(gòu)，離線訓(xùn)練的樣本根據(jù)經(jīng)驗(yàn)規(guī)則【選取150個(gè)樣本 點(diǎn),并保證這些樣木點(diǎn)不包含異常點(diǎn).模糊神經(jīng)網(wǎng)絡(luò)控制器及辨識器根據(jù)訓(xùn)練后的參 數(shù)值進(jìn)行在線微調(diào)，辨識器實(shí)時(shí)地向控制器提供梯 度信息，另外控制器的輸出為量化后的值，因此需 要進(jìn)行控制量的逆量化.仿真結(jié)果如下:在高附著路面,

16、汽車以140 km/h(39tn/s)的速度制動(dòng),汽車在6s左右即可停 午,仿真結(jié)果如圖5所示;在屮附著路面，汽車 以80km/h(22.2m/s)的速度制動(dòng),汽車在5.5s左 右即可停車,仿真結(jié)果如圖6所示;在低附著路 面,汽車以40km/h( 11m/s)的速度制動(dòng)，汽車 在8s左右即可停車，仿真結(jié)果如圖7所示;當(dāng)汽 車以140km/h(391n/s)的速度開始制動(dòng),并且制 動(dòng)4s后由高附著路面駛到中附著路面時(shí)，制動(dòng)過程 如圖8所示.仿真結(jié)果分析:由于汽車在減速到一定值后，abs將不再起作用，因此當(dāng)車速小于2nl/s時(shí)控制效 果可以不予考慮雖然在制動(dòng)過程屮，滑移率及制 動(dòng)壓力都不同程度地發(fā)

17、生些震動(dòng)，但滑移率基本跟 隨參考模型的輸出，可以達(dá)到最佳滑移率的要求. 另外，汽車由高附著路面駛到中附著路面時(shí)，滑移 率也能較快恢復(fù)到最佳滑移率，并且制動(dòng)壓力合 理,制動(dòng)時(shí)間比較理想.蓄電池用水不用愁接通水源自動(dòng)流i詳見插3廣告1002r崗卅西旦10234562f/s34563456t/s圖5汽車在高附著路面制動(dòng)的仿真結(jié)果0器0察01.5r1.01奮0.1籽u器0t1霉.h得艇山出器23456 t/s圖6汽車在中附著路面制動(dòng)的仿真結(jié)果圖7汽車在低附著路而制動(dòng)的仿真結(jié)果4結(jié)論將基于模糊神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制應(yīng)用 到汽車abs控制系統(tǒng),結(jié)合模糊神經(jīng)網(wǎng)絡(luò)及自適應(yīng) 控制各自的優(yōu)點(diǎn)，為解決時(shí)變非線性

18、汽車制動(dòng)系統(tǒng) 冀婚躥艇磊0.4/.出:'2=二二1iiiii圖8汽車由高附著路面駛到中附著路面制動(dòng)的仿真結(jié)果 的控制提供了一個(gè)有益的思路.仿真結(jié)果表明:此 方法在不同路面均能實(shí)現(xiàn)對汽車制動(dòng)系統(tǒng)的有效控 制,汽車能在較短的時(shí)間內(nèi)制動(dòng)，制動(dòng)距離較短， 符合abs的安全性能要求.參考文獻(xiàn)：lsanjaykmazumdar,chengchewlim.theapplication ofneuralnetworkstoanti一skidbrakesystemdesignal.neuralnetworks.l995.proceedings.ieeeinternational confereneeonvolume5.27nov.一 ldee.l995page(s):2409-2414vol.5.莫友聲侏榮，李思恩，沈莉汽車abs模糊神經(jīng)網(wǎng)絡(luò) 控制系統(tǒng)上海交通大學(xué),1999,33(5):570573.f3jrlayne,kmpassino,syurkovieh.fuzzylearning controlforantiskidbrakingsystems.ieeetransactionson controlsystemstechnology, 1 (2): 122-129,june 1993.4 j