基于PSO的履带车天棚控制参数优化方法研究_邵昊南.pdf

83电力与电子技术Power&Electronical Technology电子技术与软件工程Electronic Technology&Software Engineering履带车辆具有优越的通过性，在农田、山区、建筑用地等无路环境中被广泛应用。履带车的综合性能集成优化是一个多领域耦合性强、搜索空间维度高、非线性特性强、融合多学科设计的特殊的最优化问题。在车辆控制领域，履带车上悬架控制系统的性能提升是一个热点研究方向。履带车辆悬架控制的主要目的是，在不同频率起伏路面等复杂越野环境中行驶时，尽量提高车体的平均速度，兼顾平顺性和操纵稳定性。悬架控制时需要考虑不同工况下的性能参数，首先需要建立准确的履带车辆悬架模型；其次，需要建立能够顺利通过不平整路面的悬架控制器；最后，需要结合工况与悬架控制参数优化的思想，研究不同工况下悬架控制系统控制参数的优化匹配过程。设计者应根据路况和履带车振动等信息，利用智能优化算法调节悬架系统的控制参数，使履带车具有良好行驶平顺性和安全性。本文选取了一种在汽车中常用的天棚控制策略，并在 6轮履带车动力学模型上完成了控制器参数的优化匹配，有效缓解了履带车辆的振动，提高了整车的平顺性，为履带车平顺性控制提供较好的控制控制参数。1 悬架系统与天棚控制原理模型悬架系统是履带式车辆的重要组成部分，其主要功能是将车身与车轴弹性连接并传递力和力矩，同时减少因道路不平整等因素传递到车身的冲击载荷，减少车身振动，提升履带车辆应对不同环境中的运动性能，保证车辆驾驶的稳定性和平顺性（舒适性）12；此外，悬架设计与性能的优良，将有助于提升履带车辆的燃油经济性，有利于延长各种零部件的服役寿命，节约使用成本。传统悬架系统往往选用固定的弹簧劲度系数和减振器阻尼值。尽管这种方式结构简单，易于设计，却不能兼顾操纵稳定性和行驶平顺性等重要评价指标。对于不同行驶工况，传统悬架系统不能使车身主动地应对来自于地面的各种作用力，无法主动适应各种突发情况的变化，因此称为被动悬架系统。一方面，较“软”的悬架设计虽然能更好地缓解颠簸路段的振动问题以提升车辆平顺性，却难以满足高速转弯或急转弯对于车身侧倾和姿态等操纵稳定性的需求，较“硬”则反之。另一方面，为保证基本安全性，悬架的设计空间是有限的，这使得其静挠度和动挠度均存在限制，阻碍了车辆平顺性的提升。因此，传统悬架系统不仅在履带车辆性能评价体系中往往表现不佳。为解决上述问题，悬架系统控制技术经过了长期不断的发展。半主动悬架是目前履带车辆悬架控制领域研究的热点之一。相较于主动悬架的高成本和高性能的要求，半主动悬架具备结构相对简单和开发成本相对较低的优点，同时，在很大程度上，能克服被动悬架的性能局限，并具有良好的可靠性。半主动悬架控制的基本工作原理较为简单，即采用刚度可调的弹簧和（或）阻尼可调的元件构成悬架系统，根据簧载质量（通常可理解为车身）的振动响应等反馈信号，通过合理的优化算法，按一定规律自动调节悬架系统的参数，从而进一步提高车辆的驾驶性能。上述设计的核心即被称为可调减振器。通常，直接根据履带车辆的运动状态进行参数调节，虽然精度和即时性好，但非线性随机控制规律仍有待进一步的完善，开发难度较大且成本较高，故而采用根据路面随机激励的统计特性来调节的方案。天棚阻尼控制是控制车辆悬架的常规方法，也是最早被提出的方法之一。Karnap 介绍了近似实现理想天棚控制的基本原理和方法，Margolis 等人提出了与天棚阻尼控制相似的开关控制（“on-off”）控制策略34。天棚阻尼控制的控制参数为阻尼器的阻尼值，该方法首先将天空视为固定的墙体，此时要实现车身的运动状态的有效控制，可假设在车身和天空之间安装有一个阻尼器，则该阻尼器提供的阻尼力与车身的绝对速度成正比，控制原理如图 1 左图所示。由于该阻尼器是假想的，事实上不可能将车体和天空用阻尼器连接，基于 PSO 的履带车天棚控制参数优化方法研究邵昊南1鲁金直2张会生1（1.上海交通大学教育部重点实验室 上海市 200240 2.北京中科蜂巢科技有限公司 北京市 100089）摘要：本文研究了基于 PSO 优化算法改进履带车悬挂系统中的天棚控制参数。首先在 Simulink 中建立履带车动力学模型及动力学方程，完成了现有天棚控制方法的实现。然后确定了履带车的总体优化指标及各指标间的相互关系，为控制参数优化确定了优化目标与优化变量。其次，根据优化目标和模型间的关系，设计了优化计算流程，开发了优化计算步骤。最后，根据优化计算结构和优化算法，优化了履带车天棚控制中的 9 个控制参数，实现了悬架系统性能的有效提升。关键词：Simulink；半主动悬架；天棚控制；PSO 优化算法资助项目：国防科研计划项目（项目编号：JCKY2017208A001,JCKY2019204B009,JCKY2020208B004,JCKY2020208B036,MKF20200020）。84电力与电子技术Power&Electronical Technology电子技术与软件工程Electronic Technology&Software Engineering故需要将图 1 系统进行等效，如图 1 右图所示即为天棚控制的实际物理实现方法，即将悬架系统中的阻尼器改为可调，使车身的动力学方程在两图中等效。综合上述悬架控制调研，在众多控制策略中，本次研究改进现有的天棚控制策略，并进行悬架性能的分析。改进型天棚控制悬架阻尼包括两部分，一个是阻尼的基值，另一个是在其基础上的变化量。其物理原理是：为实现减振器阻尼力的可调，在传统减振器上安装电磁阀，以控制其节流孔的大小，从而实现阻尼力的可调。根据图1左图的原理，完成理想天棚动力学方程的构造：（1）（2）对于右侧等效的模型，根据其实施的控制策略图，建立动力学方程：（3）（4）两图的动力学方程等效，故需要下述方程组成立：（5）（6）因此，增加加速度为正值时的天棚控制系统方程提供的主动力如下式：（7）本次悬架系统优化主要改变参数为 cp-sky、csky与 cmin。以简化后的单个主动悬架为例建立起相应的二自由度动力学模型，以描述和反映悬架的空间模型和运动学原理。结合实际情况，本次研究的履带车辆对象，为悬架控制系统所控制的履带车轮为第一轮、第二轮和第六轮，因此，实际过程中改变的控制参数为：cpsky_1,cpsky_2,cpsky_6,csky_1,csky_2,csky_6,cmin_1,cmin_2与 cmin_6共 9 个悬架系统控制参数。2 基于PSO优化算法的控制参数优化方法2.1 粒子群优化算法在 1995 年，Eberhart 与 Kennedy 在思考飞鸟集群活动的规律性时受到启发，以群体智能和信息共享为重要考量因素，提出了的一种进化计算技术模型，并将其命名为粒子群优化（PSO）5。具体而言，该算法来自鸟类捕食行为的启示：集群通过信息共享，使个体能以群体信息为行为指导，进而使整个群体的运动从无序逐渐过渡为有序。在算法方面，每个优化问题的解可被看做空间中的一只鸟，或称作粒子，PSO 算法就是在问题的求解空间中对粒子进行上述演化过程，从无序到有序，从而获得最优解，故其被归类为启发式算法。PSO 优化算法是迭代优化算法。系统被初始化为一组随机解，并通过迭代寻求最佳值。在粒子群算法中，优化问题被转化为在所有解空间中寻找合适的粒子。寻找空间中最好的粒子是 PSO 的粒子跟踪解决方案。PSO 的优点是参数少，计算过程简洁易实现。目前，它已广泛应用于功能优化、神经网络训练、模糊系统控制和其他遗传算法。所有粒子都有一个由优化函数确定的目标函数值，每个粒子都有一个速度来确定其飞行方向和飞行距离，然后粒子跟随所有空间中的最佳当前粒子。PSO 所有解空间中的粒子通过计算寻找每个粒子的最优值。在每次迭代中，粒子都有两个不同维度的极值：第一个极值是粒子自身找到的最佳解，称为唯一极值；另一个是目前在整个粒子空间中找到的最佳解决方案，即全球极值。此外，也可以仅使用群体的一部分作为粒子的邻居，而不是整个群体，因此所有邻近的极值都是局部极值。粒子的动向将受到三个因素（或称经验）的影响：当前速度、自我记忆和群体信息。粒子综合上述三者，动态调整飞行速度（矢量），从而尽可能向粒子群中具有最佳位置的粒子飞行。该过程的结果是，优化问题得到最优解。标准 PSO 算法描述如下：假设搜索空间具有维度 d，并且群体中有 n 个 p 粒子，群体中生成粒子 ki 的位置由维度 d的向量表示 xki=(xki1,xki2,xkid)。粒子的速度帮助粒子生成下一步的位置 vki=(vki1,vki2,vkid)。粒子 i 的速度和位置更新通过下式得到：vk+1=wvk+c1rand(Pbestk-xk)+c2rand(Gbestk-xk)（8）xk+1=vk+1+xk （9）其中 k 是粒子刷新的迭代次数。对于 K 代，粒子 i 在 d维空间中的最佳位置记录为 Pbest_K。粒子簇中的最佳粒子位置记录为 Gbest_K，W 是惯性系数，c1 和 c2 是学习因子。图 1：改进型天棚控制原理85电力与电子技术Power&Electronical Technology电子技术与软件工程Electronic Technology&Software Engineering上述算法的流程如图 2 所示。在标准 PSO 算法的运行过程中，从一开始就开始计算场粒子速度，计算相应的gbest，根据上述结果更新位置和粒子的速度，计算常用的个体适宜性值，并和 gbst 进行比较，然后确定循环条件，直到粒子形成。它指的是适应环境的程度，分为两类。其中一个用于目标最优应用和最优适应度，另一个用于函数的有限适应度。粒子适合性反映粒子的当前位置是一个参数。对于一些高质量的粒子来说，他们所在的地方可能会升级到最佳水平。为了快速更新全局最大化，应减少粒子的惯性重量，以提高其局部最大化能力；对于低质量粒子，当前位置较差，全局优化程度较低。为了退出局部最优，粒子会选择比较合适的惯性权重跳出当前范围。粒子群算法的搜索能力较为突出，效率较高，有利于得到多目标下的最优解。同时，粒子群算法的通用性得到广泛认可，适合应用于需要处理多种类型的目标函数和约束的场景。此外，粒子群算法较容易与传统的优化方法相结合，从而改进自身尚存的局限性，多种方法相辅相成，能够更高效的解决问题。因此，将粒子群算法应用于解决多目标优化问题上有很大的优势，将基于 PSO 进行控制参数优化。2.2 基于PSO的控制参数优化流程优化求解上是模型参数化、优化计算循环迭代过程。为了提高计算效率和节省时间，有必要建立整个主动悬架系统的优化过程。天棚控制系统参数的优化通常以多目标、多约束和多混合变量为特征。在确定每个控制元件的阻尼参数时，有必要根据控制系统的总体性能要求，首先定义总体优化目标，并协调阻尼之间的关系。主动悬架系统的程序必须是参数化的，即其设计变量必须是可量化的。参数化是使用一组设计参数来商定悬架控制参数的优化目标和优化变量之间的关系，然后实现优化目标，例如通过参数化驾驶改变车辆的驾驶舒适性。参数化后的模型和优化过程之间相互进行数据的传递。因此，主动天棚控制参数和智能优化算法被组合以监控主动天棚优化迭代过程，从而实现相对减少分辨率空间、加速收敛速度和减少迭代次数的目标。优化过程是基于优化算法的设计和计算框架。对于悬架系统模型天棚控制参数中优化参数为 cpsky_1,cpsky_2,cpsky_6,csky_1,csky_2,csky_6,cmin_1,cmin_2,cmin_6共 9 个悬架系统控制参数。优化算法库通过调用响应的智能优化算法模型进行优化变量的赋值，通过赋值操作进行履带车悬架天棚控制系统模型的调用。优化目标是使得控制输出的加速度的均方值和俯仰角最小。系统模型根据优化的变量值找到响应的优化目标，进入到优化算法中判断是否达到最优，若没有达到最优解，则循环该过程直到获得最优解。利用典型的强非线性、强耦合、多维度的多目标优化问题对上述的优化流程、效率以