Loading [MathJax]/jax/output/SVG/jax.js
  • ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

考虑能耗的电磁主动悬架LQR控制策略

孙凤 邢大壮 周冉 金俊杰 徐方超

孙凤, 邢大壮, 周冉, 金俊杰, 徐方超. 考虑能耗的电磁主动悬架LQR控制策略[J]. 西南交通大学学报, 2023, 58(4): 754-760, 798. doi: 10.3969/j.issn.0258-2724.20220815
引用本文: 孙凤, 邢大壮, 周冉, 金俊杰, 徐方超. 考虑能耗的电磁主动悬架LQR控制策略[J]. 西南交通大学学报, 2023, 58(4): 754-760, 798. doi: 10.3969/j.issn.0258-2724.20220815
SUN Feng, XING Dazhuang, ZHOU Ran, JIN Junjie, XU Fangchao. LQR Control Strategy for Electromagnetic Active Suspension Considering Energy Consumption[J]. Journal of Southwest Jiaotong University, 2023, 58(4): 754-760, 798. doi: 10.3969/j.issn.0258-2724.20220815
Citation: SUN Feng, XING Dazhuang, ZHOU Ran, JIN Junjie, XU Fangchao. LQR Control Strategy for Electromagnetic Active Suspension Considering Energy Consumption[J]. Journal of Southwest Jiaotong University, 2023, 58(4): 754-760, 798. doi: 10.3969/j.issn.0258-2724.20220815

考虑能耗的电磁主动悬架LQR控制策略

doi: 10.3969/j.issn.0258-2724.20220815
基金项目: 国家自然科学基金(52005345, 52005344);国家重点研发计划(2020YFC2006701);辽宁省教育厅项目(LFGD2020002); 辽宁省”揭榜挂帅”科技重大专项(2022JH1/10400027)
详细信息
    作者简介:

    孙凤(1978—),男,教授,博士,研究方向为机械系统多元驱动及其控制技术,E-mail:sunfeng@sut.edu.cn

  • 中图分类号: TH122;U463.33

LQR Control Strategy for Electromagnetic Active Suspension Considering Energy Consumption

  • 摘要:

    为改善车辆电磁主动悬架功率过大的问题,提出一种考虑能耗的改进线性二次型调节器(linear quadratic regulator,LQR)控制策略. 首先,介绍电磁主动悬架的结构,由等效磁路法得出直线电机的推力模型,再建立电磁主动悬架的动力学模型;其次,在传统的LQR加权系数优化模型基础上提出增加有关能耗的约束条件,设计了一种改进LQR控制策略;最后,使用MATLAB/Simulink进行仿真,通过主动力大小进行控制器正确性的验证,并对比分析随机路面下的能耗与动力学效果. 结果表明:改进LQR控制策略的主动力大小符合优化时约束的概率最低为99.89%;改进LQR控制策略与原LQR控制策略相比,功率均方根降低80.29%,悬架动行程均方根没有明显差别,轮胎动变形均方根优于原LQR控制策略约5%,车身垂向加速度降幅最低仍能达到原LQR控制策略的50%.

     

  • 车辆悬架是车身与车桥之间的传力连接装置,其优劣会影响车辆的整体性能. 被动悬架一般由参数不可调的弹簧与阻尼器组成,无法在所有工况保持较好的性能. 主动悬架是在悬架系统中增加力作动器,具有改善车辆性能的能力. 相比其他主动悬架,电磁主动悬架具有无需气路或油路、响应快、易于控制等特性,成为主动悬架的研究热点[1-4]. 而电磁主动悬架的性能取决于控制器的设计[5-7]. 最优控制理论与计算机技术的发展促进了控制器的设计与优化,推动了电磁主动悬架的发展.

    Satyanarayana等[8]对改进线性二次型调节器(linear quadratic regulator,LQR)控制策略分别进行了平顺行驶与严苛行驶条件的仿真;Ding等[9]在循环工况的路面激励下,得到了LQR控制策略在各路面等级的动力学响应;Shahid等[10]设计了Super-Twisting高阶滑模控制、一阶滑模控制、积分滑模控制、比例积分微分(PID)和LQR等控制策略;Manna等[11]为比较LQR控制与模型预测控制(model predictive control,MPC)的效果,选取了2组LQR参数与3组MPC参数进行试验分析. 上述研究促进了悬架主动控制策略的发展. Montazeri-Gh等[12]研究滚珠丝杠式电磁主动悬架,对频域使用遗传算法确定天棚阻尼与地棚阻尼系数;Ataei等[13]对电磁混合悬架建立了舒适模式、操稳模式及馈能模式,并使用NSGA-Ⅱ算法进行多目标优化;Yamin等[14]使用布谷鸟搜索算法设计了PID与天棚控制策略;史文库等[15]使用基于Sobol序列的差分-禁忌混合优化算法进行悬架参数识别. 上述研究均涉及了控制策略的参数优化,然而,电磁主动悬架受到温升、能效经济性等方面的限制,因此设计控制策略时还应考虑能耗的约束,而现有悬架控制策略的设计与优化并未建立系统输入与能耗的关系.

    本文以直线电机作为悬架作动器,对电磁主动悬架进行建模,并提出一种考虑能耗的改进LQR控制策略;使用MATLAB/Simulink进行仿真,与被动悬架、使用原LQR控制策略的主动悬架对比,验证了改进LQR控制策略的可行性.

    直线电机具有结构简单、响应速度快、运行稳定等优点. 本实验室结合直线电机结构,在不改变被动悬架的基础上,提出一种能够同时进行主动控制与能量回收的新型电磁悬架.

    新型电磁悬架主要由弹簧、液压阻尼器、作动器、上端盖、下端盖等组成,如图1所示[16]. 直线电机作动器置于弹簧内部、液压阻尼器外部.

    图  1  新型电磁悬架结构
    Figure  1.  Structure of new electromagnetic suspension

    作动器结构如图2所示,由初级与次级组成:初级主要由永磁环、软铁环、固定环、外壁、底座等组成,永磁环与软铁环交替排列,相邻永磁环两两相斥,最上方为固定环,以防止永磁环因斥力移动;次级主要由3组线圈与线圈骨架组成,其中线圈2用于主动控制,线圈1与线圈3用于能量回收. 在组装时,初级底座与下端盖的限位托盘固连,次级上端通过法兰端盖与上端盖固联,作动器的次级跟随活塞杆运动提高了电磁悬架的可靠性.

    图  2  直线电机结构
    Figure  2.  Structure of linear motor

    图3为所设计的直线电机示意. 图中:rk为线圈从内向外第k层绕组的半径,k=1~ned为线圈绕组漆包线的直径;rm为永磁环与软铁环的外半径;hi1hi2hi3分别为各软铁环高度;hc1hc2hc3分别为各线圈高度;Φ1Φ2Φ3Φ4分别为等效磁路中的主磁通;Φ5Φ6Φ7Φ8分别为等效磁路中的漏磁通.

    图  3  直线电机示意
    Figure  3.  Parameters of linear motor

    由等效磁路法知,软铁环2对应气隙的磁感应强度为

    Bgg2(rk)=Φ2+Φ32πhi2(rm+rk). (1)

    本文是主动控制部分的研究,使用的线圈为线圈2. 假设线圈中改变磁感线方向的磁路忽略不计,由安培力公式与式(1)得

    F=Bgg2LI=nek=1(Φ2+Φ3)rkhc2hi2(rm+rk)dI (2)

    式中:F为电机出力;L为切割磁感线的线圈长度;I为电流.

    将与电流无关的项整理为推力系数kf,则

    F=kfI. (3)

    使用电机热功率均方根(式(4))作为能耗的评价指标,如式(4).

    Prms=1TT0I2r2dt (4)

    式中:T为采样时长;r为线圈电阻;t为时间.

    悬架的作用为控制刚体模态,短波激励下输入主要影响的是单个车轮而非车身;长波激励下,左、右轮输入通常有较高相关性,且乘用车参数前、后部分的相互影响很小. 因此,使用1/4车模型能较为准确地反映所设计悬架的基本特性. 故建立电磁主动悬架动力学模型,如图4所示. 图中:mb为簧载质量;mw为非簧载质量;ks为悬架弹簧刚度;cs为减振器阻尼;kt为轮胎刚度;xb为簧载质量位移;xw为非簧载质量位移;xg为路面输入.

    图  4  1/4车电磁主动悬架模型
    Figure  4.  Quarter electromagnetic active suspension model

    由牛顿第二定律,有

    {mb¨xb=ks(xwxb)+cs(˙xw˙xb)+F,mw¨xw=kt(xgxw)ks(xwxb)cs(˙xw˙xb)F. (5)

    取系统的状态变量为

    X=(xbxw,xwxg,˙xb,˙xw)T, (6)

    输入与扰动分别为

    U=I (7)
    W=˙xg. (8)

    输出为车身垂向加速度、悬架动行程、轮胎动变形与电流,如式(9).

    Y=(¨xb,xbxw,xwxg,I)T. (9)

    由式(3)、(5)得系统的状态空间方程为

    {˙X=AX+BU+GWY=CX+DU (10)

    式中:A=[00110001ksmb0csmbcsmbksmwktmwcsmwcsmw]

    B=[00kfmbkfmw]T
    C=[ksmb0csmbcsmb100001000000]
    D=[kfmb001]TG=[0100]T.

    参考GB/T 7031—2005[17],进行车辆舒适性和悬架的评价等研究可利用统计参数来描述路谱;道路不平度可由基于位移功率谱密度的拟合来评价. 采用最小二乘法将平滑过的位移功率谱密度函数Gd用一条直线进行拟合,一般公式为

    Gd(n)=Gd(n0)(nn0)ω (11)

    式中:n为空间频率;n0为参考空间频率(0.1 m−1);ω为拟合功率谱密度的指数.

    当研究单位距离上路面垂向变化时,使用速度功率谱密度Gv(n)比较方便. Gd(n)与Gv(n)的关系为

    Gv(n)=Gd(n)(2πn)2. (12)

    重构满足既定功率谱密度的路面时域模型有两个前提条件:道路过程是平稳的高斯随机过程;道路过程具有遍历性[18]. 对于路面模拟,令ω=2,此时Gv(n)为常数,可以通过对白噪声积分而获得位移模拟. 取下截止空间频率n1=0.01 m−1,以避免在低频段出现大的位移[17].

    本文使用滤波白噪声模型进行随机路面输入[18],如式(13).

    ˙xg=2πn1vxg+2πn0Gd(n0)vw (13)

    式中:v为车速;w为一均值为0、方差为1的高斯白噪声.

    最优控制是在一定的条件约束下,寻求使性能指标达到极值时的控制函数问题. 当被控对象的运动特征由微分方程来描述,性能指标由泛函来表示时,确定LQR控制函数的问题就转为在微分方程约束下求泛函的条件极值.

    悬架的设计目标是尽可能提高车辆的乘坐舒适性、操纵稳定性和行驶平顺性,此外,主动悬架还应对作动器控制力进行约束以降低系统能耗. 故参考式(9),选取LQR控制策略的性能指标函数J

    J=0[q1¨xb2+q2(xbxw)2+q3(xwxg)2+q4I2]dt (14)

    式中:qi分别为各性能指标的加权系数,i=1, 2, 3, 4.

    将式(10)代入式(14),整理为

    J=0(XTQX+UTRU+2XTNU)dt (15)

    式中:Q=1m2b[q1k2s+q2m2b0q1kscsq1kscs0q3m2b00q1kscs0q1c2sq1c2sq1kscs0q1c2sq1c2s]

    R=1m2b(q1k2f+q4m2b)
    N=1m2b[q1kskf0q1cskfq1cskf]T.

    LQR控制策略的反馈增益矩阵为

    K=R1BTP (16)

    式中:P可由Riccati方程解出,如式(17).

    ATP+PA(PB+N)R1(BTP+NT)+Q=0. (17)

    对状态反馈的LQR控制策略,求得系统输入为

    U=KX. (18)

    由此,主动控制策略的设计就转化为qi的选取问题.

    工程问题大多存在多个彼此冲突的目标,属于多目标优化问题,其最优解通常由数量众多甚至无穷大的Pareto最优解组成. 智能优化算法相比传统的数学规划法,能同时处理一组解,每运行一次能获得多个可行解,且对Pareto最优前端的形状和连续性不敏感. 智能优化算法在多目标优化领域已被普遍接受并广泛采用.

    优化问题的数学模型为寻找一组设计变量,在满足约束条件的前提下使适应度函数尽可能小. 对于车辆垂向动力学问题,其模型可表示如下:[19]

    设计变量为

    q=[q1q2q3q4]. (19)

    适应度函数为车身垂向加速度、悬架动行程与轮胎动变形的归一化之和,如式(20).

    minf(q)=RMS(xb(q)xw(q))RMS(xbPxwP)+RMS¨xb(q)RMS¨xbP+RMS(xw(q)xg(q))RMS(xwPxgP), (20)

    式中:RMS为均方根(root-mean-square,RMS); xbPxwPxgP分别为被动悬架的簧载质量位移、非簧载质量位移、路面输入.

    约束条件为车身垂向加速度、悬架动行程与轮胎动变形的归一化分别小于1,如式(21).

    {\text{RMS}¨xb(q)RMS¨xbP<1RMS(xb(q)xw(q))RMS(xbPxwP)<1RMS(xw(q)xg(q))RMS(xwPxgP)<1. (21)

    此模型能够同时保证车身垂向加速度、悬架动行程与轮胎动变形相比被动悬架有所改善,近年来在悬架设计优化问题中被广泛使用.

    本文所使用的悬架参数如表1所示. 解模均使用如下工况与算法:Gd(n0)=256×10−6 m3(C级路面),路面长度s=300 m,v=60 km/h,优化时间为以v驶过s的路面所用时长,使用遗传算法求解,其中前10 s的路面高程如图5所示.

    表  1  1/4悬架参数
    Table  1.  Parameters of quarter suspension
    参数数值
    mb/kg459
    mw/kg50
    ks/(N·m−157000
    cs/(N·s·m−11800
    kt/(N·m−1230000
    kf/(N·A−140
    r25.3
    下载: 导出CSV 
    | 显示表格
    图  5  时速60 km/h路面高程
    Figure  5.  Road elevation at speed of 60 km/h

    使用式(19)~(21)优化模型,且设对i=1, 2, 3, 4,均有qi∈[1, + ∞),迭代求解得原LQR控制策略的加权系数矩阵 qa=(174.5545, 91.0002, 54.6267, 1).

    首先,对优化模型进行分析简化. 车辆指标中直接与乘坐舒适性相关的是车身垂向加速度,如果车身垂向加速度能够改善,则可以接受悬架动行程与轮胎动变形在设计范围内有轻微劣化. 故取消对悬架动行程与轮胎动变形的约束条件,只保留

    RMS¨xb(q)RMS¨xbP<1. (22)

    使用式(19)、(20)、(22)的简化模型,其他条件同3.2节,得qb=(174.5545, 91.0002, 54.6267, 1). 对所设计的LQR控制策略,去掉式(21)中悬架动行程与轮胎动变形的约束条件对优化结果没有影响,简化后的优化问题模型减少了迭代过程的计算量.

    其次,在简化优化模型中增加约束能耗的条件. 由LQR控制原理知,加权系数q4有约束系统输入的能力. 然而式(22)约束条件与式(20)适应度函数中没有关于系统输入或消耗能量的变量,导致能耗在优化过程中未能受到控制.

    对于状态反馈的LQR控制策略,由式(10)、式(18)得

    {˙X=(ABK)X+GWY=(CDK)X. (23)

    系统相当于是以路面为单输入的线性系统. 由随机振动理论可知,若随机振动系统是线性的,激励是平稳、各态历经的和接近于正态分布,则线性系统的响应也有近似于正态的概率分布[20]. 经过大量试验,在式(22)的约束条件基础上,增加对主动力的控制,以出力来约束能耗,如式(24).

    {RMS¨xb(q)RMS¨xbP<1RMSF<13Fp (24)

    式中:Fp为优化过程期望的电机最大出力.

    使用式(19)、(20)、(24)的改进优化模型,令 Fp=600 N,其他条件同3.2节,得改进LQR控制策略的加权系数矩阵 qc=(37.4349, 68.9191, 35.2202, 1.0372). 使用MATLAB/Simulink联合仿真计算主动控制力,如图6所示. 对主动控制力的绝对值求概率分布,得主动控制力的最大值为613.035 N,小于Fp的概率为99.89%,从而证明了改进LQR控制策略的有效性.

    图  6  改进LQR控制策略仿真主动力
    Figure  6.  Simulated active force of modified LQR control strategy

    以被动悬架、使用原LQR控制策略的电磁主动悬架和使用改进LQR控制策略的电磁主动悬架分别进行MATLAB/Simulink仿真,仿真工况同3.2节,仿真时长为10 s,其车身垂向加速度、悬架动行程与轮胎动变形3~8 s的变化如图7所示.

    图  7  仿真3~8 s悬架动力学性能
    Figure  7.  Suspension dynamic performance in 3–8 s during simulation

    改进LQR控制策略仿真全过程的功率均方根值(1082.43 W)相比原LQR控制策略(5492.41 W)的降幅为80.29%. 仿真全过程动力学性能指标均方根值与相比被动悬架降幅分别如表23所示.

    表  2  性能指标均方根
    Table  2.  RMS of performance indexes
    策略 车身垂向加
    速度/(m·s−2
    悬架动行
    程/mm
    轮胎动变
    形/mm
    被动 2.2197 14.7514 5.8153
    原 LQR
    控制策略
    1.3202 12.0841 5.6834
    改进 LQR
    控制策略
    1.7254 12.1087 5.3656
    下载: 导出CSV 
    | 显示表格
    表  3  性能指标均方根降幅
    Table  3.  Reduction of RMS of performance indexes %
    策略车身垂向
    加速度
    悬架动
    行程
    轮胎动
    变形
    原 LQR控制策略40.5218.082.27
    改进 LQR控制策略22.2717.917.73
    下载: 导出CSV 
    | 显示表格

    图7表3可知:相比被动悬架,改进LQR控制策略能够降低车身垂向加速度与悬架动行程的峰值,控制车身姿态;改进LQR控制策略其动力学3指标的均方根值相比被动悬架分别改善了22.27%、17.91%和7.73%,能够提高车辆的乘坐舒适性、操纵稳定性和行驶平顺性.

    两种主动悬架相比,原LQR控制策略虽然能改善性能尤其是车身垂向加速度,然而其只求取最优解的原理难以约束系统输入,导致功率均方根过大,对直线电机温升及能耗极为不利;而改进LQR控制策略其功率均方根约只有原LQR控制策略的20%,且由表3可知,车身垂向加速度降幅最少仍能达到原LQR控制策略的50%,悬架动行程与原LQR控制策略没有明显差距,轮胎动变形降幅优于原LQR控制策略约5%. 综合能耗与效果考虑,使用改进LQR控制策略的电磁主动悬架表现出显著的能效经济性优势.

    1) 期望最大出力为600 N的条件下,使用改进优化模型求得的LQR加权系数进行仿真,主动控制力的最大值为613.035 N,小于600 N的概率为99.89%,验证了改进LQR控制策略的正确性.

    2) 使用改进LQR控制策略的电磁主动悬架与被动悬架车辆相比,其动力学指标明显改善,且相比使用原LQR控制策略的主动悬架,在功率均方根降低80.29%的同时,仍能得到50%以上的车身垂向加速度均方根降幅,以及同等以上水平的悬架动行程与轮胎动变形性能. 改进LQR控制策略为重视能耗的电磁悬架参数选取提供了理论支持.

  • 图 1  新型电磁悬架结构

    Figure 1.  Structure of new electromagnetic suspension

    图 2  直线电机结构

    Figure 2.  Structure of linear motor

    图 3  直线电机示意

    Figure 3.  Parameters of linear motor

    图 4  1/4车电磁主动悬架模型

    Figure 4.  Quarter electromagnetic active suspension model

    图 5  时速60 km/h路面高程

    Figure 5.  Road elevation at speed of 60 km/h

    图 6  改进LQR控制策略仿真主动力

    Figure 6.  Simulated active force of modified LQR control strategy

    图 7  仿真3~8 s悬架动力学性能

    Figure 7.  Suspension dynamic performance in 3–8 s during simulation

    表  1  1/4悬架参数

    Table  1.   Parameters of quarter suspension

    参数数值
    mb/kg459
    mw/kg50
    ks/(N·m−157000
    cs/(N·s·m−11800
    kt/(N·m−1230000
    kf/(N·A−140
    r25.3
    下载: 导出CSV

    表  2  性能指标均方根

    Table  2.   RMS of performance indexes

    策略 车身垂向加
    速度/(m·s−2
    悬架动行
    程/mm
    轮胎动变
    形/mm
    被动 2.2197 14.7514 5.8153
    原 LQR
    控制策略
    1.3202 12.0841 5.6834
    改进 LQR
    控制策略
    1.7254 12.1087 5.3656
    下载: 导出CSV

    表  3  性能指标均方根降幅

    Table  3.   Reduction of RMS of performance indexes %

    策略车身垂向
    加速度
    悬架动
    行程
    轮胎动
    变形
    原 LQR控制策略40.5218.082.27
    改进 LQR控制策略22.2717.917.73
    下载: 导出CSV
  • [1] WEI W, ZHANG X Y, SUN F. An electromagnetic actuator for vibration control and energy recycle[J]. The Proceedings of JSME Annual Conference on Robotics and Mechatronics (Robomec), 2018(2018): 2P1-E13.
    [2] 杨超,李以农,郑玲,等. 基于多目标粒子群算法的电磁主动悬架作动器优化[J]. 机械工程学报,2019,55(19): 154-166. doi: 10.3901/JME.2019.19.154

    YANG Chao, LI Yinong, ZHENG Ling, et al. Optimum of electromagnetic active suspension actuator using multi-objective particle swarm optimization algorithm[J]. Journal of Mechanical Engineering, 2019, 55(19): 154-166. doi: 10.3901/JME.2019.19.154
    [3] MIN X, LI Y M, TONG S C. Adaptive fuzzy output feedback inverse optimal control for vehicle active suspension systems[J]. Neurocomputing, 2020, 403: 257-267. doi: 10.1016/j.neucom.2020.04.096
    [4] 孙凤,李华辰,单光坤,等. 磁力馈能悬架的设计与实验研究[J]. 机械科学与技术,2023,42(3): 402-407. doi: 10.13433/j.cnki.1003-8728.20200579

    SUN Feng, LI Huachen, SHAN Guangkun, et al. Design and experimental study of magnetic energy-harvesting suspension[J]. Mechanical Science and Technology for Aerospace Engineering, 2023, 42(3): 402-407. doi: 10.13433/j.cnki.1003-8728.20200579
    [5] GU C, YIN J, LUO J, et al. Performance-oriented controls of a novel rocker-pushrod electromagnetic active vehicle suspension[J]. Mechanical Systems and Signal Processing, 2018, 109: 1-14. doi: 10.1016/j.ymssp.2018.02.019
    [6] LIU J, LI X J, ZHANG X L, et al. Modeling and simulation of energy-regenerative active suspension based on BP neural network PID control[J]. Shock and Vibration, 2019, 2019: 4609754.1-4609754.8.
    [7] KOU F R, JING Q Q, CHEN C, et al. Endocrine composite skyhook-groundhook control of electromagnetic linear hybrid active suspension[J]. Shock and Vibration, 2020, 2020: 3402168.1-3402168.17.
    [8] SATYANARAYANA V S V, RAO N M, SATEESH B. Parameters optimisation of vehicle suspension system for better ride comfort[J]. International Journal of Vehicle Performance, 2018, 4(2): 186-199. doi: 10.1504/IJVP.2018.090956
    [9] DING R K, WANG R C, MENG X P, et al. Energy consumption sensitivity analysis and energy-reduction control of hybrid electromagnetic active suspension[J]. Mechanical Systems and Signal Processing, 2019, 134: 106301.1-106301.20.
    [10] SHAHID Y, WEI M X. Comparative analysis of different model-based controllers using active vehicle suspension system[J]. Algorithms, 2019, 13(1): 13010010.1-13010010.15.
    [11] MANNA S, MAZUMDAR R. Comparative performance analysis of LQR and MPC for active suspension system[C]//2020 IEEE 5th International Conference on Computing Communication and Automation (ICCCA). Greater Noida: IEEE, 2020: 352-356.
    [12] MONTAZERI-GH M, KAVIANIPOUR O. Investigation of the active electromagnetic suspension system considering hybrid control strategy[J]. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 2014, 228(10): 1658-1669. doi: 10.1177/0954406213511430
    [13] ATAEI M, ASADI E, GOODARZI A, et al. Multi-objective optimization of a hybrid electromagnetic suspension system for ride comfort, road holding and regenerated power[J]. Journal of Vibration and Control, 2017, 23(5): 782-793. doi: 10.1177/1077546315585219
    [14] YAMIN A H M, DARUS I Z M, NOR N S M, et al. Intelligent cuckoo search algorithm of PID and skyhook controller for semi-active suspension system using magneto-rheological damper[J]. Malaysian Journal of Fundamental and Applied Sciences, 2021, 17(4): 402-415. doi: 10.11113/mjfas.v17n4.2067
    [15] 史文库,张曙光,陈志勇,等. 磁流变半主动座椅悬架建模及振动特性分析[J]. 西南交通大学学报,2023,58(2): 253-260.

    SHI Wenku, ZHANG Shuguang, CHEN Zhiyong, et al. Modeling and vibration analysis of semi-active seat suspension with magnetorheological damper[J]. Journal of Southwest Jiaotong University, 2023, 58(2): 253-260.
    [16] 韦伟. 电磁主动悬架设计与控制策略研究[D]. 沈阳: 沈阳工业大学, 2020.
    [17] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 机械振动道路路面谱测量数据报告: GB/T 7031—2005[S]. 北京: 中国标准出版社, 2006.
    [18] 陈杰平,陈无畏,祝辉,等. 基于Matlab/Simulink的随机路面建模与不平度仿真[J]. 农业机械学报,2010,41(3): 11-15.

    CHEN Jieping, CHEN Wuwei, ZHU Hui, et al. Modeling and simulation on stochastic road surface irregularity based on Matlab/simulink[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(3): 11-15.
    [19] 孟杰,张凯,焦洪宇. 基于遗传算法优化的汽车主动悬架LQG控制器的设计[J]. 机械科学与技术,2013,32(6): 914-918. doi: 10.13433/j.cnki.1003-8728.2013.06.030

    MENG Jie, ZHANG Kai, JIAO Hongyu. Optimal control design of the vehicle active suspension based on the genetic algorithm[J]. Mechanical Science and Technology for Aerospace Engineering, 2013, 32(6): 914-918. doi: 10.13433/j.cnki.1003-8728.2013.06.030
    [20] 庄表中, 王行新. 随机振动概论[M]. 北京: 地震出版社, 1982.
  • 期刊类型引用(4)

    1. 李仲兴,王雪,程淇谦,虞屹. 轮毂电机电动汽车空气悬架阻尼GA-LQR控制研究. 重庆理工大学学报(自然科学). 2024(03): 13-23 . 百度学术
    2. 汪若尘,曾昆阳,陈龙,丁仁凯,蔡英凤. 主动悬架直线电机温升-电磁特性分析与优化设计. 重庆理工大学学报(自然科学). 2024(08): 20-29 . 百度学术
    3. 谢志强,刘怡帆,王旭飞,张宁超. 汽车主动悬架系统控制方法综述. 汽车文摘. 2024(10): 14-22 . 百度学术
    4. 李思原,张凝,邓羽棋,彭搏,王文迪,肖馨. 基于被囊群优化模糊PID算法的电磁主动悬架控制研究. 汽车电器. 2024(12): 36-39 . 百度学术

    其他类型引用(6)

  • 加载中
图(7) / 表(3)
计量
  • 文章访问数:  558
  • HTML全文浏览量:  250
  • PDF下载量:  59
  • 被引次数: 10
出版历程
  • 收稿日期:  2022-11-29
  • 修回日期:  2023-03-19
  • 网络出版日期:  2023-06-01
  • 刊出日期:  2023-03-29

目录

/

返回文章
返回