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l_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(duì)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)其初值,在控制過程中對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行在線微調(diào),實(shí)現(xiàn)對(duì)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);模糊神經(jīng)網(wǎng)絡(luò);模型參考自適應(yīng)控制中圖分類號(hào):U463.526文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1【x】38639(2

2、【x】6)【)l一000404ModelReferenceSelf-AdaptingControlPolicyforFuzzyNeuralNetworkofAutomobilcABSLIUJia,DUTaihang,HELili,XUDongbin(HebeiUniversityofTechnology.Tianjin300130,China)Abstract:AimingatthecharacteristicsofautomotivebrakingandtheperformancedemandsofABS,themathematicmodelissetup;akindofself-adapt

3、ingcontrolpolicyforfuzzyneuralnetworkisadvancedtoformthederivingnetworkparametersofflineexerciseandmicroadjustmentonline.Thesimulationverifies:vehiclemaybebrakedaroundbestantisliderateondifferentroad;braketimeanddistancereachidealresultandmeetABSrequirements.Keywor:automobile;ABS;fuzzyneuralnetwork;

4、modelreferenceself-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)生突變的路面上,緊急制動(dòng)時(shí)易發(fā)生甩尾,失去轉(zhuǎn)向能力用就是通過調(diào)節(jié)制動(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,減小制動(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(duì)象,是一個(gè)復(fù)雜的,時(shí)滯非線性系統(tǒng).其參數(shù)變鼉隨路面狀況,輪胎材質(zhì)以及外界環(huán)境的不同而改變,因此,對(duì)ABS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.目前,大多數(shù)汽車上安裝的ABS的控制方法

5、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)性及魯棒性提出了一些新的控制方法,如:滑移控制,描述函基于模糊神經(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(duì)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(jiǎn)化的單輪模型日,如圖關(guān)系可知圖1車輪受力分析=一F=-IN(1)式中:每個(gè)車輪承載的平均質(zhì)量;汽車的速度;車輪與地面的摩擦系數(shù);卜摩擦力;_一支持力.車輛制動(dòng)的動(dòng)態(tài)微分方程為修改稿收稿日期:2【x】50906作者簡(jiǎn)介:劉佳(1980一),女,河

6、北工業(yè)大學(xué)住校研究生,研究方向工業(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(r)2006年第1期Jt=-Th+NR(2)計(jì)算機(jī)智能控制;杜太行(1963一),男,河北模式識(shí)別,工業(yè)自動(dòng)化.翻嘲薊閹釉嘲ch0蔓0i00謄i式中,一車輪的角速度;尺摩擦阻力矩:.,_車輪轉(zhuǎn)動(dòng)慣量;車輪制動(dòng)鼓與制動(dòng)蹄之間產(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=.xp,而輪缸的制動(dòng)壓力與主缸制動(dòng)壓力尸之間存在一個(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

7、參數(shù)是滑移率A,它的定義為A:v-t.oR(4)通常A作為被控壤,這是因?yàn)锳與摩擦系數(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.一:+AsinBtonCAtan_1(DA)】(5)式中: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(duì)于大多數(shù)路面狀況,最佳滑移率在0.103之間,考慮到實(shí)際應(yīng)用,參考有關(guān)ABS控制策略l41,本文將最佳滑移率選取為0.2.蓮滑移率圖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)模型參考自適應(yīng)控制(mod

8、elrefereneeadaptivecontrol,簡(jiǎn),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)與參考模型輸出的誤差設(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(duì)象特性的變化.好消息:免費(fèi)提供防:東液技術(shù)l詳見插3廣告?zhèn)鹘y(tǒng)的MRAC只能用于結(jié)構(gòu)已知,參數(shù)時(shí)變的神經(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)控制帶來了語(yǔ)言性模糊信息,這一點(diǎn)對(duì)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(shí)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

9、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,它將更好地解決時(shí)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,本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)模型參考自適應(yīng)控制在圖3中,FNNC(fuzzyneuralnetworkcontro1)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(duì)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;輸出為制動(dòng)壓力P;K為逆最化因子,腿逆量化后作為被控對(duì)象的控制量;FNNI(fuzzyn

10、euralnetworkidentify)表示模糊神經(jīng)網(wǎng)絡(luò)辨識(shí)器,起到辨識(shí)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:(12)A+2TAd(6)式中:采樣周期.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)如4所示.中第l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2o06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l,每個(gè)節(jié)點(diǎn)代表一個(gè)語(yǔ)言變量.用于計(jì)算各輸入分最,屬于各語(yǔ)言變量值模糊集合的隸屬

11、度函數(shù)采用鈴形函數(shù),即2(xi-)一一.=e(1,2;=1,2,8)(7)式中:c的節(jié)點(diǎn)數(shù)為l6.第3層對(duì)應(yīng)模糊推理,規(guī)則的適用度,即式中:._步長(zhǎng);l,廠目適應(yīng)字律,由于學(xué)習(xí)率的大小對(duì)學(xué)習(xí)算法有重要的影響,所以選擇盧.=1/8,/35=/3=I=L】2,O-I.表示,中的最小值,.表示權(quán)值的最大值.在樣本的學(xué)習(xí)訓(xùn)練過程中進(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=(Am-A)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(Am-A),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

12、并不很高,因此可以用會(huì)來代替.學(xué)習(xí)律選擇為6l=,6z=6=未s為梯度信息值,即AP.每個(gè)節(jié)點(diǎn)輸出對(duì)應(yīng)每條3系統(tǒng)仿真,=i(iI1,2,8;i21,2,8;,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=1,2,64),ll第5層對(duì)應(yīng)于規(guī)則推理的結(jié)論部分,化計(jì)算,即(8)=1,2,(9)實(shí)現(xiàn)清晰Jp=2-,(10)J=lFNNI與FNNC的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同,只是對(duì)應(yīng)的輸入FNNC的輸出P以及系統(tǒng)輸出A,FNNI的輸出為A.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(shí)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)

13、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=(AA)z/2,采用最速下降算法,可以導(dǎo)出參數(shù)調(diào)整的學(xué)習(xí)算法如下,(+1)】=,(kT)一盧l(A-A)7h(11)CI【(+1)】=c,()一/32T(12)C【(+1)=()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(shí)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(shí)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l50個(gè)樣本點(diǎn),并保證這些樣本點(diǎn)不包含異常點(diǎn).模糊神經(jīng)網(wǎng)絡(luò)控制器及辨識(shí)器根據(jù)訓(xùn)練后的參數(shù)值進(jìn)行在線微調(diào),辨識(shí)器實(shí)時(shí)

14、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,汽車以140km/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;在中附著路面,汽車右即可停車,仿真結(jié)果如圖6所示;在低附著路面,汽車以40km/h(11.1m/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(39ln/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2n1/s時(shí)控制效果可以不予考慮.雖然在制動(dòng)過程中

15、,滑移率及制動(dòng)壓力都不同程度地發(fā)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.l0R崮需器一卅西旦,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0器0t1霉旦,潯艇山出需器t/s23456t/s圖6汽車在中附著路面制動(dòng)的仿真結(jié)果圖7汽車在低附著路面制動(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)變非線性汽車制動(dòng)系統(tǒng)冀婚躥艇出耔磊F=;.0.4/

16、.=一:.'2=二=I一IIIII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(duì)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):0fNeuralNetworkstoAntiSkidBrakeSystemDesignA1.ConfereneeonVolume5.27NOV.一1Dee.1995Page(S):2409-2414vo1.5.控制系統(tǒng).上海交通大學(xué),1999,33(5):570573.ControlSystemsTechnology,1(2):122-12

17、9,June1993.4JWDouglas,TCSehafer.TheChryslersurebrake:Thefirstproductionfourwheelantiskidsystem.SAETeeh.Paper710248,1971.C.5孫增圻,張?jiān)倥d,鄧志東.智能控制理論與技術(shù)M.北京:清華大學(xué)出版社,l997.(責(zé)任編輯文珍)作者附言:將智能控制方法應(yīng)用到汽車ABS中,國(guó)內(nèi)外科z,ff工作者都進(jìn)行了一些卓有成效的z,ff究,但由于實(shí)物仿真的成本太高,許多z,ff究還是基于理論方面的仿真z,ff究.筆者的z,ff究也是通過分析汽車制動(dòng)的原理,力圖更近似地展現(xiàn)汽車實(shí)際制動(dòng)的模型,不斷地尋求更適合此系統(tǒng)的控制策略,然后采用MATLAB/SIMULINK這個(gè)強(qiáng)大的仿真平臺(tái)進(jìn)