国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

采用改進粒子群算法與人工神經(jīng)網(wǎng)絡相結合的車輛轉向控制研究

2018-12-25 03:01張勁恒
中國工程機械學報 2018年6期
關鍵詞:人工神經(jīng)網(wǎng)絡角速度權重

姚 俊,張勁恒

(南昌理工學院 電子與信息學院,南昌 330044)

隨著中國高速公路的快速發(fā)展,汽車的平均行駛速度也隨之提高,汽車操縱的穩(wěn)定性和安全性也受到了社會廣泛關注[1-2].當汽車遇到危險時,汽車轉向控制系統(tǒng)如果反應遲鈍,就會導致動力分配不當,汽車將失去平衡,從而造成事故的發(fā)生.因此,提高汽車的主動控制技術已經(jīng)成為當今汽車技術發(fā)展的重要研究方向.研究車輛穩(wěn)定性的控制,可以有效降低汽車發(fā)生交通事故.

為了改善車輛行駛的穩(wěn)定性,提高駕駛員操作的安全性,需要設計出合理的車輛轉向控制系統(tǒng).國內外學者從不同角度對車輛轉向控制系統(tǒng)進行了大量研究.文獻[3-4]研究了車輛轉向PID控制系統(tǒng),構造了四輪轉向車輛模型,提出PID控制車輛橫擺角速度,通過Matlab軟件仿真車輛在不同工況條件下,可以補償橫擺角速度控制損失部分,改善了車輛操縱的穩(wěn)定性.文獻[5-6]研究了車輛轉向滑??刂破髟O計,建立了車輪非線性整車模型,設計了車輛轉向滑??刂破?在路面干擾情況下進行仿真對比,實現(xiàn)車輛的穩(wěn)定性控制,高速行駛操縱能力更強.文獻[7-8]研究了車輛橫擺角速度神經(jīng)網(wǎng)絡自適應控制方法,建立了車輛四輪轉向虛擬樣機模型,設計了車輛橫擺角速度的神經(jīng)網(wǎng)絡控制在線修正參數(shù),通過理論與仿真對比,證明了神經(jīng)網(wǎng)絡控制的有效性.在以往文獻中,研究的大多數(shù)控制器都是基于簡化車輛動態(tài)模型,假定不變的道路和參數(shù)條件.由于不可預知和意外的參數(shù)變化,有必要設計一個控制器,在操縱過程中調整其參數(shù)以改善車輛的操控性.對此,本文建立車輛轉向運動簡圖,推導出橫擺角速度動力學方程式,采用改進粒子群優(yōu)化算法優(yōu)化神經(jīng)網(wǎng)絡PID控制器參數(shù).通過軟件Matlab對橫擺角速度跟蹤效果進行仿真,并且與傳統(tǒng)PID控制器控制效果進行對比分析,為提高車輛轉向控制系統(tǒng)的深入研究提供參考依據(jù).

1 車輛模型

車輛平面圖形如圖1所示,其中兩個后輪和前輪由一組輪替換.運動的二維控制方程[9-10]為

式中:m為汽車總質量;vy和vx分別為沿y方向和x方向的速度;Fcr和Fcf為施加到后輪和前輪的側向力;δf為前輪轉向角;Iz為質量慣性矩;ψ為偏航角;lf和lr分別為前后輪和質心之間的距離;l為后軸和前軸之間的距離;αf和αr分別為前后輪的側滑角.

假設后輪胎和前輪胎的轉彎剛度不變,則側向力改寫為

圖1 參考模型的原理圖Fig.1 Schematic of reference model

式中:Cf,Cr,β分別為前、后輪的轉彎剛度和汽車側滑角.

通過引入β和dψ/dt作為狀態(tài)變量,可以得到以下狀態(tài)空間方程式[10]為

(6)

導致前輪的橫擺角速度和轉向角之間的傳遞函數(shù)[10]為

(7)

式中:s為拉普拉斯算子;A1,A2,B1,B2和B3為系數(shù),其關系式為

(8)

由圖1得

式中:mf和mr分別為非操作狀態(tài)下后方和前方的分布質量.

將式(10)和式(11)代入式(9),可以得到

(12)

式中:ay為橫向加速度;Ku為轉向系數(shù)

(13)

由式(10)~式(13),可以推導出車輛偏航率與轉向角之間的傳遞函數(shù)為

(14)

式(14)為我們的控制仿真裝置準備了參考信號,而在本文中,采用Matlab軟件模擬具有真實和不同路況的車輛響應.

2 改進神經(jīng)網(wǎng)絡控制器設計

2.1 粒子群優(yōu)化算法

粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)是一種隨機搜索算法,基于對動物的社會行為觀察,如鳥類和魚群,找到成本函數(shù)的最佳值.該算法由Kennedy等[11]提出,可用于優(yōu)化二元離散優(yōu)化以及連續(xù)問題.在一些工作中已經(jīng)研究了算法尋找最優(yōu)候選的能力.在PSO中,首先創(chuàng)建了一組包含n個粒子的群體(初始化步驟),然后評估這些粒子的適應度函數(shù).每個粒子的最佳位置(個人最好)和所有粒子中的最好位置(全局最好)被選中,并分別命名為“Pbest”和“Gbest”.如果停止標準得到滿足,則過程停止并且最終Gbest被報告為最佳種群.

在模擬中,每個粒子包括3個參數(shù),即一般PID控制器的系數(shù).它們被命名為xi1=kp,xi2=ki和xi3=kd,其中i是第i個粒子.

創(chuàng)建一組三維粒子,評估這些粒子的適應度函數(shù)(平方誤差的積分),并計算“Pbest”和“Gbest”.每個粒子可以通過其當前的速度和位置來定義.每個粒子位置的更新[11]為

(15)

式中:xij,vij為整個種群的第i個粒子參數(shù)j的位置和速度.

速度的更新規(guī)則[12]為

(16)

式中:ω為慣性權重;c1,c2為[0,2]區(qū)間的速度更新參數(shù);r1j,r2j為[0,1]區(qū)間的隨機數(shù).

為了更好地調節(jié)PSO的全局搜索與局部搜索能力,慣性權重采用線性遞減方式,即

(17)

式中:ω1,ω2分別為初始慣性權重和最終慣性權重系數(shù);t為當前迭代次數(shù);T為最大迭代次數(shù).

2.2 PID控制器

在設備控制過程中,PID控制器大多采用增量式,其控制結構如圖2所示.

圖2 PID控制器結構Fig.2 PID controller structure

PID控制規(guī)律方程[13]為

(18)

式中:kp為比例系數(shù);ki為積分系數(shù);kd為微分系數(shù);Ti為積分時間常數(shù);Td為微分時間常數(shù);e(t)為誤差,de(t)/dt為誤差導數(shù).

當今PID控制器大多采用數(shù)字式,必須對式(18)進行離散化處理,即

(19)

在線控制過程中,采用系統(tǒng)輸出絕對誤差積分來判斷性能指標(ITAE):

(20)

為了更好地控制超調現(xiàn)象的發(fā)生,若產生超調,則對其進行懲罰.故,將超調量添加到目標函數(shù)中,控制系統(tǒng)最優(yōu)控制方程式如下:

(21)

PID控制器是通過選擇比例、積分和微分系統(tǒng)參數(shù)進行設備控制.傳統(tǒng)PID控制器參數(shù)很難尋找到理想?yún)?shù),導致系統(tǒng)控制輸出不理想.人工神經(jīng)網(wǎng)絡能以任意精度逼近非線性函數(shù),從而在線調整PID控制器參數(shù).

2.3 改進神經(jīng)網(wǎng)絡PID控制器

人工神經(jīng)網(wǎng)絡是模擬人類生物大腦中先前訓練過的行為和數(shù)據(jù)來做決定.在人工神經(jīng)網(wǎng)絡被輸入/輸出信號訓練之后,會由未知輸入來決定合適的響應.圖3顯示了本研究中使用的雙層前饋神經(jīng)網(wǎng)絡控制器的架構.在這個模型中,第1層的所有激活函數(shù)(f)都是雙曲正切S形函數(shù),而第2層的所有激活函數(shù)都是線性的.參照這個架構,第1層的網(wǎng)點[14]為

(22)

第2層的輸出信號[13]為

(23)

式中:wij為輸入神經(jīng)元和中間神經(jīng)元之間層權值;vl為中間神經(jīng)元和輸出神經(jīng)元之間的層權值;zl為第l層網(wǎng)點輸出值.

圖3 神經(jīng)網(wǎng)絡控制器結構Fig.3 Neural network controller structure

在模擬/訓練和每次迭代期間,誤差信號通過以下關系計算:

(24)

式中:Yref為參考信號;y(n)為實際輸出信號.

成本函數(shù)定義為

(25)

層權重更改規(guī)則的關系為

(26)

式中:η為訓練系數(shù);?u/?wij為輸出值u對權值?wij的微分;?u/?vi為輸出值u對權值?vi的微分.

分層權重的更新規(guī)律變?yōu)?/p>

(27)

采用改進PSO針對特定路況優(yōu)化常規(guī)PID控制器的參數(shù),即kp,ki和kd之后,對神經(jīng)網(wǎng)絡控制器進行訓練,設定神經(jīng)網(wǎng)絡控制器的權重,在控制過程中調整神經(jīng)網(wǎng)絡的權重.在此,改進PSO已經(jīng)用于優(yōu)化訓練人工神經(jīng)網(wǎng)絡PID控制器,其優(yōu)化控制原理如圖4所示.

圖4 改進神經(jīng)網(wǎng)絡PID控制器結構Fig.4 Improved neural network PID controller structure

3 仿真結果分析

采用改進神經(jīng)網(wǎng)絡PID控制器控制車輛橫擺角速度,車輛仿真參數(shù)如表1所示.

表1 車輛仿真參數(shù)Tab.1 Vehicle simulation parameters

種群大小為200,最大迭代次數(shù)為1 000,初始權重為ω1=0.75,最終權重為ω2= 0.4,速度更新參數(shù)為c1=c2=2,隨機數(shù)為r1j=r2j=1,PID控制參數(shù)Kp=0.2,Ti=0.15,Td=0.25.假設車輛在不同工況路面條件下行駛,橫擺角速度分別采用正弦波信號、梯形波信號和方波信號,其車輛轉彎角速度跟蹤效果分別如圖5、圖6和圖7所示.

圖5 車輛橫擺角速度變化曲線(正弦波信號)Fig.5 Vehicle yaw rate curve (sinusoidal signal)

圖6 車輛橫擺角速度變化曲線(梯形波信號)Fig.6 Vehicle yaw rate curve (trapezoidal wave signal)

圖7 車輛橫擺角速度變化曲線(方波信號)Fig.7 Vehicle yaw rate curve (square wave signal)

由圖5和圖6仿真曲線可知:車輛橫擺角速度為正弦波和梯形波信號時,采用PID控制和改進神經(jīng)網(wǎng)絡PID控制所產生的誤差相差不大,角速度跟蹤效果較好.

由圖7仿真曲線可知:車輛橫擺角速度為方波信號時,采用PID控制,響應時間為0.25 s,角速度跟蹤誤差最大值為0.08 rad/s;采用改進神經(jīng)網(wǎng)絡PID控制,響應時間為0.1 s,角速度跟蹤誤差最大值為0.02 rad/s.因此,在相同道路轉彎條件下,車輛橫擺角速度跟蹤采用改進神經(jīng)網(wǎng)絡PID控制器,不僅響應時間短,而且控制精度高.

4 結論

本文采用改進神經(jīng)網(wǎng)絡PID控制器研究車輛轉向控制系統(tǒng),建立車輛轉向機構運動簡圖模型,推導車輛擺動角速度與轉角之間關系式.修改傳統(tǒng)PID控制器,添加人工神經(jīng)網(wǎng)絡模型,引用改進PSO對PID控制器參數(shù)進行優(yōu)化和在線調整,在Matlab軟件中對優(yōu)化后人工神經(jīng)網(wǎng)絡PID控制器參數(shù)進行仿真,并且與PID控制器進行比較.仿真曲線顯示:常規(guī)工況路面,PID控制器和改進人工神經(jīng)網(wǎng)絡PID控制器都能很好地實現(xiàn)擺動角速度跟蹤任務,但是對于復雜工況路面,改進人工神經(jīng)網(wǎng)絡PID控制明顯優(yōu)于PID控制器,能夠快速、精確地實現(xiàn)跟蹤任務,提高車輛行駛的穩(wěn)定性.

猜你喜歡
人工神經(jīng)網(wǎng)絡角速度權重
權重望寡:如何化解低地位領導的補償性辱虐管理行為?*
權重常思“浮名輕”
利用人工神經(jīng)網(wǎng)絡快速計算木星系磁坐標
人工神經(jīng)網(wǎng)絡實現(xiàn)簡單字母的識別
為黨督政勤履職 代民行權重擔當
圓周運動角速度測量方法賞析
基于改進人工神經(jīng)網(wǎng)絡的航天器電信號分類方法
半捷聯(lián)雷達導引頭視線角速度提取
基于構架點頭角速度的軌道垂向長波不平順在線檢測
基于人工神經(jīng)網(wǎng)絡的經(jīng)濟預測模型
莱芜市| 湟中县| 灌云县| 永泰县| 黔西| 息烽县| 福州市| 蒲城县| 和顺县| 安福县| 潮州市| 天峻县| 古交市| 天台县| 响水县| 陆丰市| 南岸区| 凯里市| 开阳县| 炎陵县| 景德镇市| 洮南市| 丹东市| 西丰县| 泸西县| 宾阳县| 牙克石市| 吐鲁番市| 沙坪坝区| 田林县| 铜鼓县| 贞丰县| 报价| 南平市| 梁河县| 武强县| 济阳县| 招远市| 永定县| 建瓯市| 塔河县|