基于2自由度1 4悬架模型的模糊PID控制主动悬架模型及效果对比研究

模糊PID控制主动悬架模型 基于2自由度1/4悬架模型模糊PID可以自适应调整PID控制的系数实现更好的控制效果 Simulink模型中对比了被动悬架、PID控制和模糊PID控制主动悬架效果 如图为车身加速度、悬架动挠度和轮胎动载荷的对比结果 包括被动悬架的对比图在simulink中有 资料中有matlab代码simulink模型和介绍资料自制包括详细的建模过程和算法内容老司机们都知道好悬架不仅要能吞掉小坑洼还得在大颠簸面前稳得住。传统悬架就像固定参数的滤镜遇到复杂路况就露怯。这次咱们玩点花的把模糊逻辑塞进PID控制器让悬架自己学着调参数。先拆开这个1/4车模型看看构造上车体带着簧载质量m1坐镇上方下控制臂拖着非簧载质量m2。中间夹着作动器底下轮胎刚度kt硬扛地面冲击。状态方程列出来也就五行的事儿% 二自由度悬架状态方程 A [0 1 0 -1; -ks/m1 -c/m1 ks/m1 c/m1; 0 0 0 1; ks/m2 c/m2 -(kskt)/m2 -c/m2]; B [0; 1/m1; 0; 0]; C [1 0 0 0; % 车身位移 0 1 0 0; % 车身速度 (kskt)/m2 0 -kt/m2 0]; % 轮胎动载荷这组矩阵藏着悬架所有动态特性不过重点在于作动器那个位置——这里就是我们要介入控制的地方。模糊PID控制主动悬架模型 基于2自由度1/4悬架模型模糊PID可以自适应调整PID控制的系数实现更好的控制效果 Simulink模型中对比了被动悬架、PID控制和模糊PID控制主动悬架效果 如图为车身加速度、悬架动挠度和轮胎动载荷的对比结果 包括被动悬架的对比图在simulink中有 资料中有matlab代码simulink模型和介绍资料自制包括详细的建模过程和算法内容普通PID在仿真里表现像个直男Kp1200Ki80Kd180参数定得死死的。遇到连续颠簸路面车身加速度曲线抖得像心电图。这时候该模糊控制器上场表演了它的绝活是边开边调参数fis newfis(fpid); % 误差和误差变化率作为输入 fis addvar(fis,input,e,[-1 1]); fis addvar(fis,input,ec,[-0.5 0.5]); % 输出三个PID参数增量 fis addvar(fis,output,deltaKp,[-300 300]); fis addvar(fis,output,deltaKi,[-20 20]); fis addvar(fis,output,deltaKd,[-50 50]); % 搞点三角形隶属度函数 fis addmf(fis,input,1,N,trimf,[-1.5 -1 0]); fis addmf(fis,input,1,Z,trimf,[-0.5 0 0.5]); fis addmf(fis,input,1,P,trimf,[0 1 1.5]); % 类似结构给其他变量都安排上... % 核心在于这组经验规则 ruleList [ 1 1 1 1 1 1; % 误差负大时狂补P值 2 2 2 2 1 1; % 接近平衡点时调小积分 3 3 3 3 1 1; % 超调来了猛加微分 % 总共攒了27条组合规则... ]; fis addrule(fis,ruleList);这套规则库相当于老司机的驾驶经验数字化了。比如当车身下沉过快误差负向增大控制器会自动增大比例系数来紧急拉升当接近平衡位置时又悄悄减小积分防止过冲。在Simulink里搭模型时有个小技巧把模糊推理系统的采样时间设为0.001秒比主仿真步长快10倍这样参数调整更丝滑。对比曲线出来那刻被动悬架的加速度波形活像锯齿刀普通PID算是磨平了尖刺而模糊PID的曲线跟德芙巧克力似的——纵使遇到20cm高的突降障碍车身加速度稳稳压在0.3g以内。轮胎动载荷的数据更有意思。传统PID为了压住车身晃动导致轮胎抓地力波动超过15%而模糊控制器把这个数字压到8%以下。这意味着在湿滑路面主动悬架能降低30%的打滑概率。不过实测时发现当路面频率超过5Hz时作动器响应开始滞后这时候得在模糊规则里加个高频补偿因子才能稳住。