[發(fā)明專利]一種對非線性主動懸掛系統(tǒng)實現(xiàn)有限時間控制的方法

有效

• 申請?zhí)枺?/td>: 202110405497.5
• 申請日: 2021-04-15
• 公開（公告）號: CN113110053B
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計）人: 黃運保;梁桂銘;林志躍;詹宏遠(yuǎn);周健松
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 佛山市君創(chuàng)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44675
• 代理人: 杜鵬飛

1.一種對非線性主動懸掛系統(tǒng)實現(xiàn)有限時間控制的方法，其特征在于，包括以下步驟：

(1)、建立主動懸掛系統(tǒng)模型方程，分析主動懸掛系統(tǒng)的空間狀態(tài)及需要改進(jìn)的性能指標(biāo)，其中，所述的性能指標(biāo)包括簧載質(zhì)量加速度懸架撓度z_s-z_u、輪胎撓度z_u-z_r，其中，z_s,z_u分別為簧載質(zhì)量和非簧載質(zhì)量的垂直位移，z_r為道路的輸入；

(2)、建立具有時滯補(bǔ)償?shù)恼`差系統(tǒng)，通過輔助系統(tǒng)補(bǔ)償主動懸掛系統(tǒng)時滯的影響；其中，

所述的輔助系統(tǒng)的方程為：

與主動懸掛系統(tǒng)的誤差系統(tǒng)為：

結(jié)合①和②，誤差系統(tǒng)為：

其中，p₁＞1/2,p₂＞1且為已知參數(shù)，λ₁,λ₂為變量且滿足初值條件z₁為簧載質(zhì)量位移誤差，z₂為簧載質(zhì)量速度誤差，x₁＝z_s,x_d為理想的軌跡，α₁為虛擬控制律；m_s,為簧載質(zhì)量；u(t-τ)為具有恒定時滯τ的主動控制律發(fā)生器；u(t)指未加時滯的主動控制發(fā)生器；

(3)、通過誤差系統(tǒng)建立李雅普諾夫函數(shù)關(guān)系，利用反演技術(shù)得出虛擬控制律α₁，控制律u，改善相應(yīng)的性能指標(biāo)；

(4)、通過灰色神經(jīng)網(wǎng)絡(luò)訓(xùn)練得出補(bǔ)償后的誤差系統(tǒng)的近似非線性函數(shù)；

(5)、通過控制律u修正后，產(chǎn)生新的更小的主動懸掛系統(tǒng)時滯影響，在有限時間內(nèi)重復(fù)步驟(1)開始循環(huán)。

2.根據(jù)權(quán)利要求1所述的對非線性主動懸掛系統(tǒng)實現(xiàn)有限時間控制的方法，其特征在于，在步驟(1)中，主動懸掛系統(tǒng)模型方程為：

其中，z_s,z_u分別為簧載質(zhì)量和非簧載質(zhì)量的垂直位移，z_r為道路的輸入，m_s,m_u分別為簧載質(zhì)量和非簧載質(zhì)量，u(t-τ)為具有恒定時滯τ的主動控制律發(fā)生器，f_s,f_d為存在非線性因素的懸架部件的彈簧力和阻尼力函數(shù)，f_us,f_ud為輪胎受力等效替換的彈簧力與阻尼力；

令則主動懸掛系統(tǒng)的空間狀態(tài)為：

其中，f(x,t)為：

3.根據(jù)權(quán)利要求2所述的對非線性主動懸掛系統(tǒng)實現(xiàn)有限時間控制的方法，其特征在于，在步驟(3)中，虛擬控制律α₁：

控制律u：

其中，通過α₁，u實現(xiàn)有限時間穩(wěn)定控制；β,k₁,k₂,p₁,p₂為標(biāo)量，取值范圍p₁＞1/2,p₂＞1。

4.根據(jù)權(quán)利要求3所述的對非線性主動懸掛系統(tǒng)實現(xiàn)有限時間控制的方法，其特征在于，在步驟(4)中，通過灰色神經(jīng)網(wǎng)絡(luò)訓(xùn)練得出補(bǔ)償后誤差系統(tǒng)的近似非線性函數(shù)的步驟為：

(4-1)、對灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中，訓(xùn)練的輸入與輸出定義如下：

其中，x₁,x₂分別表示簧載質(zhì)量位移、簧載質(zhì)量速度；x₃,x₄分別表示非簧載質(zhì)量位移、非載質(zhì)量速度；x₅是虛擬控制律α₁的導(dǎo)數(shù)；x₆是變量λ₂；x₇是代表的輸出；

對灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟為：

(4-11)、對數(shù)據(jù)進(jìn)行規(guī)范化：

其中，x_i(k)為x_i的第k個數(shù)據(jù)；i,j＝1,2,…,n；n代表數(shù)據(jù)的數(shù)量；x_j(l)為x_j的第l個數(shù)據(jù)；

(4-12)、對訓(xùn)練數(shù)據(jù)進(jìn)行累加生成工作，形成新的數(shù)據(jù)序列y_i，其中，

(4-13)、建立包含系數(shù)b_i的灰色神經(jīng)網(wǎng)絡(luò)：

其中，y_i(k)表示y_i的第k個數(shù)據(jù)；

(4-14)、為了加快訓(xùn)練速度和初始權(quán)重，參數(shù)b_i由最小二乘法計算：

ν＝(B^TB)^-1B^TY；

其中，Y＝[x₇(2),x₇(3),…,x₇(n)]^T并且B滿足下列矩陣：

設(shè)置初始權(quán)重如下：

其中，x_{7_1}表示x₇的第一個元素；

(4-15)、計算每一層的輸出：

其中，W₂＝[w₂₁,w₂₂,…,w₂₆],X＝[y₁,y₂,…,y₆]^T,X∈R^6×n；表示第j層的第i個神經(jīng)的輸出，Z^[j]表示第j層所有神經(jīng)的輸出；w₃₂為假設(shè)權(quán)重且Z^[3](s)，w₃₂(s)，t(s)中的s表示矩陣Z^[3]，w₃₂，t的第s列數(shù)據(jù)；

(4-16)、計算每個輸出的誤差和權(quán)重：

(4-17)、更新權(quán)重后，流程返回步驟(4-15)；若迭代與設(shè)置的迭代相關(guān)，則保存權(quán)重；

(4-18)、利用更新后的權(quán)重進(jìn)行預(yù)測，根據(jù)步驟(4-15)，對測試數(shù)據(jù)計算其每一層的輸出，而后進(jìn)行逆累積和逆移軸操作；預(yù)測被改寫為：

其中，為第k,k-1組測試數(shù)據(jù)的最后一層輸出。