基于神经网络的MR阻尼器车辆悬架振动半主动控制优化

需积分: 9 2 下载量 177 浏览量 更新于2024-08-12 收藏 295KB PDF 举报
本文主要探讨了基于磁流变(MR)阻尼器的车辆悬架振动优化控制技术,针对MR阻尼器的非线性特性提出了创新性的解决方案。MR阻尼器因其高度非线性,使得在进行振动控制时,如何将控制力转化为实际的输入电压成为一个挑战。传统的方法如开关控制律和开关最优控制算法存在控制信号连续可调性的限制,这可能影响MR阻尼器性能的发挥。 作者们提出了一种新颖的策略,即利用神经网络技术构建MR阻尼器的神经网络模型,来模拟其逆向动态特性。这个模型能够预测当给定MR阻尼器的位移、速度以及期望输出力时,所需的最佳输入电压。这种逆模型与经典的LQR(最优控制)主动控制方法相结合,形成一个闭环反馈控制系统,实现了半主动悬架的智能控制。 通过神经网络逆模式控制,可以克服输入电压的开关限制,实现控制电压的连续可调,从而有效地调节阻尼力,充分发挥MR阻尼器的智能作用。这种方法旨在改善车辆悬架系统的减振效果,与传统的被动悬架系统相比,能提供显著的性能提升。 研究的关键技术包括神经网络建模、逆向动力学理解和最优控制策略的集成。这种方法对于提高车辆行驶舒适性、降低振动噪声以及增强车辆动态性能具有重要意义。通过仿真结果的验证,文章证实了这种半主动控制策略的有效性和实用性。 总结来说,本文的主要贡献在于提供了一种新型的MR阻尼器控制策略,通过神经网络和最优控制技术,实现了车辆悬架振动的高效优化,为智能车辆悬挂系统的研发提供了新的理论支持和实践指导。