一种架空轨道穿梭车的参数优化与仿真分析

研究了一种架空轨道穿梭车,可用于多种工业场合的物料运输。为了提高穿梭车的工作效率,减小轨道垂向不平顺引起的车身垂向振动,基于H2优化确定了悬架的最优参数,使车身垂向振动的能量最小。为验证悬架参数的合理性,分别对1/4车模型和整车模型进行仿真。对1/4车模型进行数值仿真,仿真结果验证了参数的合理性。基于Simpack建立了整车的多体动力学模型,利用根轨迹法计算了整车模型在美国六级轨道谱下失稳的临界速度,仿真结果满足设计要求,再次验证了参数的合理性。     

电动轮汽车差动助力转向稳定性控制策略

在建立驾驶员模型、差动转向系统及整车机电系统耦合动力学模型的基础上,考虑了系统存在的不确定因素,分析了驱动转矩和横摆力矩之间的耦合关系。以理想横摆角速度为控制目标,研究了融合模糊逻辑和滑模变结构控制的电动轮汽车差动转向稳定性控制策略。通过模糊逻辑确定滑模趋近律在不同状态下的控制量,以补偿被控系统的不确定性和非线性的影响。仿真结果表明:所设计的稳定性控制器不仅可以有效地解决滑模变结构控制在高频下的抖振问题,而且在不同路面附着系数、不同车速以及侧向风的干扰下均能保证系统具有良好的稳定性。     

轮毂电机驱动汽车半主动悬架自适应最优控制

针对轮毂电机驱动汽车非簧载质量增加和轮毂电机不平衡电磁力带来的振动负效应,提出了一种自适应线性二次型调节器(LQR)半主动悬架控制策略,以提升轮毂电机驱动汽车的性能。考虑路面随机激励与轮毂电机不平衡电磁力的耦合作用,建立了轮毂电机驱动汽车系统的垂向、纵向与扭转振动的动力学模型。以垂向振动性能最优为目标,提出了LQR最优控制策略,将自适应遗传算法应用于确定LQR最优控制权重矩阵,以获取控制器的最优反馈悬架控制力。仿真结果表明:带有自适应LQR控制器的系统能有效提高系统的垂向与纵向性能,对簧载质量垂向与纵向振动加速度均方根值、悬架动行程均方根值、轮毂电机偏心距均方根值、轮胎动载荷均方根值和纵向驱动力波动的改善效果明显,有效提高了车辆的行驶平顺性与乘坐舒适性。     

基于模型辨识的CMOS图像传感器热电制冷系统滑模控制

为了提高CMOS图像传感器热电制冷系统的工作性能,解决CMOS图像传感器工作时由于积热导致的暗电流问题,提出了基于模型辨识的CMOS图像传感器热电制冷系统滑模控制方法。分析了CMOS图像传感器热电制冷系统的传热机理,进而建立了CMOS图像传感器热电制冷系统在工作点附近的控制模型。针对辨识出的模型在不同工作点参数变化较大的问题,设计了对CMOS图像传感器热电制冷系统参数变化不敏感的基于指数趋近律的滑模控制器,以提高系统的鲁棒性。利用Matlab/Simulink对系统进行仿真分析,仿真结果表明:相比于传统的PID控制算法,滑模控制方法的动态响应和稳态精度均更优。最后,在实际的CMOS图像传感器热电制冷控制系统中进行了实验测试,结果表明:室温20℃的条件下,输入不同的温度指令滑模控制算法的稳态误差均小于PID控制算法,为±0. 1℃,满足CMOS图像传感器热电制冷控制系统的温控精度的要求。     

轮毂电机电动汽车空气悬架阻尼GA-LQR控制研究

针对轮毂电机驱动电动汽车因电机内部不平衡电磁力引起的负面振动加剧等问题,提出一种基于遗传算法的线性二次型调节器(GA-LQR)的空气悬架阻尼控制方法。建立包含轮毂电机和空气悬架系统的轮毂电机驱动电动汽车8自由度半车动力学模型,并进行实车试验验证模型;仿真分析路面激励和不平衡电磁力两者对电动汽车垂向振动的影响;根据最优控制理论提出LQR控制策略,并通过遗传算法对LQR控制中的加权矩阵Q和R进行全局搜索优化,构建了GA-LQR阻尼控制器。仿真结果表明：相较于被动悬架和LQR控制的空气悬架,基于GA-LQR控制的空气悬架对电动汽车各评价指标的改善效果明显,可有效抑制轮毂电机因偏心引起的不良振动,极大地提高车辆的乘坐舒适性。     

重型车辆ISD悬架平顺性与道路友好性分析

为解决重型车辆行驶过程中引发的道路损伤难题,提升重型车辆的平顺性与道路友好性,将加装惯容器的ISD(inerter-spring-damper)悬架应用于重型车辆悬架系统中,建立了重型车辆ISD悬架半车模型。运用改进粒子群算法对悬架系统的主要参数进行优化求解,并在不同路面等级和不同行驶车速条件下进行仿真分析。结果表明:与传统被动悬架相比,应用惯容器的重型车辆ISD悬架可有效抑制悬架的低频共振,减小重型车辆轮胎动载荷对道路的损害,显著提升重型车辆的平顺性与道路友好性。     

半主动空气悬架的神经模糊控制

以带附加气室容积可调空气悬架的整车为研究对象,首先建立附加气室容积可调空气弹簧模型,并将该模型以弹簧力形式引入整车,然后设计以平顺性指标为主导地位的综合目标函数及约束条件。采用改进遗传算法对该目标函数进行逐段优化,同时得到不同工况下前悬架和后悬架模糊控制器的最优输出数据。最后将该输出数据作为导师信号供神经网络学习,从而建立整车半主动空气悬架的T-S型神经模糊控制器。仿真结果表明:在不同行驶工况下,相比被动空气悬架,采用神经模糊控制的半主动空气悬架的行驶平顺性显著提高,且满载时的改善效果优于空载。     

基于非线性约束的涡轮压缩机滑模变结构PI控制仿真研究

为了使燃料电池堆化学反应更加充分,提高发电效率,根据涡轮压缩机驱动原理建立燃料电池堆的涡轮压缩系统模型。基于永磁同步电机驱动数学模型定义控制参数变量,使用高速涡轮压缩机和机电阀控制燃料电池系统中的空气质量流量和压力。针对传统PI控制器进行改进,提出了一种可在不同控制结构上改装的变结构抗饱和策略,设计涡轮压缩机滑模变结构PI控制器。采用Matlab软件对空气质量流量和压力跟踪误差进行仿真,与传统PI控制方法进行对比。结果显示:与PI控制方法相比,涡轮压缩系统采用滑模变结构PI控制方法,空气质量流量和压力跟踪误差较小,控制系统相对稳定。采用滑模变结构PI控制方法,能够提高控制系统的响应速度和跟踪精度,提高燃料电池发电效率。     

基于深度强化学习的轮毂电机驱动电动汽车垂向振动控制

轮毂电机驱动电动车作为分布式驱动的一种理想的解决方案，对于缓解能源问题具有重要意义，然而当轮毂电机引入轮毂时，其平顺性会恶化。为解决轮毂电机电动汽车平顺性问题，建立了考虑座椅、车身和簧下质量振动特性以及主动与半主动悬架时间迟滞因素的三自由度轮毂电机电动汽车的1/4车模型，并基于深度强化学习算法对轮毂电机驱动电动汽车通过主动悬架进行垂向振动控制。在此基础上，对轮毂电机驱动电动车在随机路面与减速带路面下行驶的情况进行训练，进而对其训练案例的控制效果进行测试，并将之与被动悬架和天棚阻尼控制策略的控制效果进行对比，最后对轮毂电机驱动电动车在随机路面的基于深度强化学习主动悬架控制策略进行泛化能力测试。结果表明，对于训练与泛化测试案例，针对轮毂电机驱动电动车的垂向振动控制，基于深度强化学习的主动悬架控制策略所产生的控制效果均优于被动悬架与天棚阻尼控制策略。     

主动悬架的滑模控制指数趋近率参数优化

针对车辆主动悬架滑模控制方法中按经验选取指数趋近率参数造成悬架控制效果未能达到预期的问题,提出一种滑模控制参数优化方法,消除了指数趋近率参数选取的随意性,提高了主动悬架的控制效果和控制精度。首先建立1/4车辆主动悬架系统模型,并根据滑模运动方程稳定的Hurwitz判据选择滑模面系数,使用指数趋近率改善滑模运动段的动态特性;其次分析滑模控制方法中按经验选取指数趋近率参数的缺点,并采用遗传算法对其进行优化。仿真结果显示:与被动悬架和滑模控制悬架相比,优化后的滑模控制悬架二次型性能指标分别减小了7.6%和35.6%,簧载质量加速度均方根值减小了13.3%和45.6%,表明运用遗传算法对滑模控制参数优化后的控制效果优于优化之前,证明了这种优化滑模控制方法的先进性。     

提取悬架连接点载荷的等效模型提载法

提出了一种基于有限元分析软件Abaqus的悬架连接点载荷提取方法,即等效模型提载法。以四连杆悬架为例,建立了基于Abaqus的悬架完整模型及等效模型,分析了建立等效模型的依据,建立了基于多体动力学分析软件Adams的悬架模型。分别提取出各模型在典型工况下的硬点载荷进行对比,发现等效模型与完整模型的载荷值十分接近,验证了悬架等效模型提载法的准确性,并简要讨论了各模型之间载荷值差异的原因。该悬架等效模型提载法简单快速,对缩短悬架的开发周期具有重要意义。     

采用神经网络滑模控制的齿隙摩擦补偿

基于滞环齿隙模型和集合摩擦模型,建立了齿轮传动系统动力学变结构模型。采用径向基函数(RBF)神经网络和滑模控制构成复合控制器,对系统齿隙、摩擦非线性因素进行了补偿。利用RBF神经网络调节滑模控制器的切换项增益,降低了滑模控制的抖振,提高了补偿效果,仿真结果验证了该方法的可行性。     

非接触电能传输系统恒流充电控制方法研究

针对非接触电能传输(CPT)系统的输出充电电流控制,提出一种基于H∞控制的原边主动控制方法。借助于微分动力学模型的频域展开,实现了系统广义状态空间平均模型,构建了系统性能加权函数及控制系统结构,建立了控制器及观测器的Ricatti方程,并通过Hermitian矩阵完成了该方程的求解,利用迭代计算方法以获得最优H∞控制器。该方法可动态调节不同负载条件下原边注入能量,有效提高轻载下系统整体效率。实验结果验证了该方法的有效性。     

基于垂向载荷转移率的微型客车侧倾敏感性研究

在Matlab/Simulink软件环境下建立某微型客车三自由度侧倾模型,分析车辆结构参数、道路输入参数及驾驶员输入参数对车辆侧倾倾向性的影响。利用干路面蛇形试验数据对所建立的仿真模型进行验证,通过J-turn试验和鱼钩仿真试验(fish-hook)分析车速、转向盘转角对车辆侧向加速度、车身侧倾角等侧向稳定性输出参数的影响。同时提出动态垂向载荷转移率(VTRd)作为侧倾敏感性因数,分析车辆结构及运行参数对微型客车侧倾敏感性的影响。结果表明:悬架侧倾刚度对侧倾敏感性影响最为明显;结合驾驶员对转向盘转角的输入,车辆的侧倾变化趋势对车速的变化比较敏感,当车速增加到80 km/h以上时,较小的转向盘转角变化就会使车辆发生侧倾。     

无人车辆轨迹跟踪与横摆稳定协调控制研究

针对无人车辆轨迹跟踪问题,为兼顾车辆轨迹跟踪和横摆稳定的双控制目标,提出了一种无人车辆轨迹跟踪与横摆稳定协调控制策略。根据车辆轨迹跟踪模型,基于快速幂次趋近律设计了车辆轨迹跟踪滑模控制器,旨在通过无人车辆自主转向控制跟踪参考轨迹。同时,利用滑模算法设计了车辆横摆稳定控制器,通过横摆力矩控制跟踪参考横摆角速度。考虑到横摆稳定控制器中横向车速未知的情况,设计了横向车速滑模观测器,从而为横摆稳定控制器提供信息输入。此外,利用横摆力矩控制量设计了前轮转向角补偿模块,通过轨迹跟踪和横摆稳定控制器的协调,进一步修正轨迹跟踪精度。利用CarSim和Simulink平台搭建了联合仿真模型。仿真结果表明:所提出的轨迹跟踪与横摆稳定协调控制策略能够实现轨迹跟踪,并兼顾车辆的横摆稳定性。     

三相VIENNA整流器滑模直接功率控制与软启动研究

三相VIENNA整流器传统双闭环PI控制系统存在动态性能较差、参数设计困难的问题。为此,基于直接功率控制(direct power control,DPC)理论,将滑模控制(sliding mode control,SMC)应用到VIENNA整流器中,控制系统内环采用PI控制器满足系统稳定性要求,系统外环选取滑模变结构控制器以改善系统的动态响应特性及鲁棒性。同时,为解决三电平整流器中点电位波动问题,引入平衡因子,采用正负小矢量相互抵消的方法来平衡中点电位。此外,为有效抑制启动瞬间出现的冲击电流,设计了一种三段式启动控制策略,从而实现对整流器的软启动。最后,在Matlab/Simulink软件中搭建三相VIENNA整流器控制系统仿真模型,验证了滑模直接功率控制策略和软启动方案的正确性和有效性。     

主动悬架非脆弱H_∞控制器设计

考虑车辆建模不确定性和执行器参数不确定性,基于2自由度1/4车辆模型设计主动悬架的非脆弱H_∞控制器,使悬架加速度、悬架动扰度、轮胎形变量得到优化。非脆弱H_∞控制器通过LMI(linear matrix inequality,线性矩阵不等式)算法求解,并在Matlab7.0/Simulink环境下搭建仿真模型进行仿真分析。研究结果表明:该控制器能有效改善车辆的乘坐舒适性,较好地解决平顺性与操纵稳定性之间的矛盾。     

基于Matlab的自适应控制技术在车辆制动中的应用

针对汽车在制动环节中的纵向稳定性问题,根据其受力情况,建立了1/4车辆单轮模型,并在对传统控制器模型特点进行分析的基础上,优化设计了基于参数自适应的模糊PID控制器模型。利用Matlab针对不同控制方法进行仿真分析,结果显示:改良后的模糊PID控制器模型在其鲁棒性、控制精度、反应灵敏度、智能控制化方面有着较为明显的优势。这为进一步改进该控制器模型的模糊规则与控制算法方面提供了一定的参考。     

智能车辆路径跟踪横向控制研究

针对传统基于单一控制方法的车辆路径跟踪控制算法无法准确跟踪路径的缺点,以智能车作为研究对象,提出基于预瞄控制和模糊滑模控制的车辆横向控制算法。基于智能车在横向控制中的运动特性,建立横向和横摆两个自由度的车辆模型。针对传统基于反馈控制的方法实时性差的缺点,通过建立预瞄模型来获取预瞄偏差,保证车辆在行驶中提前预估前方道路环境信息,提高实时性。基于滑模和模糊控制,设计了智能车辆路径跟踪横向控制器。采用由集成偏差组成的滑模切换函数及其微分作为控制器的输入,把对误差的控制转化为对滑模函数的控制,保证了车辆转向时的稳定性。Matlab/Simulink的仿真结果表明:智能车辆路径跟踪横向控制器能够在曲率急剧变化的路段实现路径准确跟踪,满足车辆实际行驶要求。     

双点预瞄式智能车大曲率路径的横向控制

针对智能车在大曲率弯道中转向机构过早响应以及跟线精度不高的问题,提出了一种基于双预瞄点的智能车大曲率路径横向模糊控制方法。首先建立了车辆的横向控制系统结构,给出了车辆的动力学模型和视觉预瞄模型,进而提出了双点预瞄调节策略,给出了模糊控制器的设计方法并采用遗传算法进一步优化了控制器的控制规则,最后通过仿真实验验证了控制器的有效性及准确性。结果表明:所设计的控制系统能根据前方道路的曲率及车速实时调节预瞄距离,既能确保车辆的转向角以较高精度实时跟踪大曲率路径,又能保证车速在弯道中处于预定的受控范围内。