科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提升不同运行工况下的路面状态识别精度及主动悬架平顺性控制性能,本文提出一种基于ResNeSt(residual convolutional neural networks with split-attention)网络路面状态识别的主动悬架模型预测控制(model predictive control, MPC)方法.搭建基于多路径分散注意力思想的ResNeSt网络架构,建立面向主动悬架实时控制的路面状态识别算法,采用交叉熵目标损失函数和AdamW梯度下降算法进行网络训练以及测试试验验证;在此基础上设计基于路面状态识别的主动悬架MPC控制算法,根据离散状态空间方程推导悬架系统预测模型,以悬架预测输出和控制力输入为性能指标建立目标函数,并考虑不同路面的控制策略确定加权矩阵取值,在系统约束条件下MPC目标函数转化为二次最优规划问题的求解;将所提出控制算法与被动悬架、LQG控制进行对比仿真分析.结果表明:ResNeSt网络可以快速准确地识别多种路面状态,所提出控制算法能够根据路面状态对悬架进行实时瞬态主动控制,簧载质量加速度、悬架动挠度和轮胎动载荷的均方根值平均值相比LQG控制分别降低36.56%、32.99%和36.28%.
- 出版日期2023
- 单位西安科技大学
