谷　磊

?

基于改進(jìn)粒子群算法優(yōu)化的車輛運(yùn)動側(cè)傾控制研究

谷磊

（徽商職業(yè)學(xué)院商貿(mào)系，安徽，合肥230000）

為了避免車輛在不同路面狀況下發(fā)生側(cè)翻現(xiàn)象，提高車輛行駛的穩(wěn)定性，采用改進(jìn)PID控制車輛側(cè)傾角位移運(yùn)動軌跡。創(chuàng)建車輛模型簡圖，給出車輛側(cè)傾運(yùn)動方程式。引用PID控制方法，對粒子群算法慣性權(quán)重系數(shù)進(jìn)行改進(jìn)，將改進(jìn)粒子群算法用于優(yōu)化PID控制，設(shè)計出車輛側(cè)傾角位移控制流程，對控制器參數(shù)進(jìn)行優(yōu)化和調(diào)節(jié)。通過MATLAB軟件對車輛側(cè)傾角位移跟蹤效果進(jìn)行仿真驗(yàn)證，并與PID控制效果進(jìn)行比較。結(jié)果表明：路面在無波形干擾條件下，采用傳統(tǒng)PID控制和改進(jìn)PID控制方法都能較好地完成車輛側(cè)傾角位移跟蹤，跟蹤誤差較?。宦访媸艿讲ㄐ胃蓴_條件下，采用傳統(tǒng)PID控制側(cè)傾角位移跟蹤誤差較大，而改進(jìn)PID控制側(cè)傾角位移跟蹤誤差較小。采用改進(jìn)PID控制方法，可以抑制路面波形的干擾，提高車輛側(cè)傾角位移跟蹤精度。

車輛側(cè)傾角位移；PID控制；改進(jìn)粒子群算法；優(yōu)化；仿真

0 引言

汽車在行駛過程中，由于經(jīng)過障礙物或復(fù)雜路面，經(jīng)常需要傾斜行駛或繞自身軸發(fā)生90°旋轉(zhuǎn)。駕駛員若操作不當(dāng)，就會導(dǎo)致汽車發(fā)生側(cè)翻現(xiàn)象。導(dǎo)致汽車發(fā)生側(cè)翻的因素有很多，如車身結(jié)構(gòu)設(shè)計、路面狀況、駕駛員技術(shù)及側(cè)傾控制方法等[1-2]。防側(cè)傾控制方法能夠降低側(cè)翻概率，但是容易受到不確定因素的干擾，從而導(dǎo)致控制失效。因此，研究抗干擾的控制方法，對于提高汽車行駛穩(wěn)定性具有重要的意義。

當(dāng)前，許多學(xué)者對車輛側(cè)傾控制方法展開了研究。例如：文獻(xiàn)[3]研究車輛側(cè)傾主動模糊PID控制方法，建立了多體動力學(xué)模型，引入模糊理論，設(shè)計了模糊自適應(yīng)PID控制器，通過MATLAB軟件對車輛側(cè)傾角位移進(jìn)行仿真，提高了車輛行駛的穩(wěn)定性；文獻(xiàn)[4]研究了車輛側(cè)傾滑模變結(jié)構(gòu)控制方法，創(chuàng)建整車側(cè)傾轉(zhuǎn)向動力學(xué)模型，設(shè)計了滑模變結(jié)構(gòu)控制器，確定側(cè)傾角運(yùn)動軌跡，采用matlab軟件對側(cè)傾角運(yùn)動軌跡誤差進(jìn)行仿真，提高了車輛轉(zhuǎn)彎時的操縱穩(wěn)定性；文獻(xiàn)[5]研究了車輛模糊滑?？刂品椒?，建立整車動力學(xué)模型，給出線性二自由度車輛運(yùn)動微分方程，設(shè)計了模糊滑?？刂破?，并對穩(wěn)定性進(jìn)行證明，通過matlab軟件對側(cè)傾角期望軌跡跟蹤進(jìn)行仿真，從而抑制車輛抖振現(xiàn)象。

基于傳統(tǒng)的PID控制技術(shù)的車輛側(cè)傾控制方法容易受到外界環(huán)境干擾，導(dǎo)致角位移跟蹤誤差較大，不能很好地適應(yīng)復(fù)雜路面行駛的需要。對此，本文建立了車輛側(cè)傾模型簡圖，給出車輛側(cè)傾運(yùn)動方程式。對粒子群算法權(quán)重系數(shù)進(jìn)行修正，設(shè)計了改進(jìn)PID控制方法。在復(fù)雜路面波形干擾情形下，通過MATLAB軟件對車輛行駛角位移跟蹤誤差進(jìn)行仿真，并與傳統(tǒng)PID進(jìn)行對比和分析，為深入研究車輛側(cè)傾控制方法提供參考依據(jù)。

1　車輛動力學(xué)模型

本文研究的車輛側(cè)傾模型，主要分為車輛側(cè)傾、橫擺及側(cè)向運(yùn)動的動力學(xué)模型，如圖1所示。

圖1 車輛側(cè)傾模型簡圖

側(cè)向方程式[6]為：

式中，F(=1,2,3,4)為各個車輪的側(cè)偏力；為車輛質(zhì)量；m為車輛懸掛質(zhì)量；v為縱向車速；v為側(cè)向車速；為車輛質(zhì)心高度；為橫擺角速度；為前輪轉(zhuǎn)角；為車輛側(cè)傾角。

橫擺方程式[6]為：

式中，I為橫擺轉(zhuǎn)動慣量；I為懸掛質(zhì)量繞軸和軸的慣性積；l、l為車輛前后軸距。

側(cè)傾方程式[6]為：

式中，I為懸掛質(zhì)量繞軸的轉(zhuǎn)動慣量；I為懸掛質(zhì)量繞軸和軸的慣性積；h為質(zhì)心到側(cè)傾中心高度；k為車輛側(cè)傾角剛度；c為車輛側(cè)傾角阻尼；為反側(cè)傾力矩。

車輛反側(cè)傾力矩方程式[7]為：

式中，為輪距；為橫向垂直距離；T為直流電機(jī)輸出轉(zhuǎn)矩；i為諧波齒輪傳動比。

根據(jù)直流電機(jī)輸出特性，可以得到：

式中，k為電機(jī)電流比例系數(shù)；為電機(jī)輸入電流。

2 改進(jìn)PID控制

2.1 改進(jìn)粒子群算法

粒子群算法（Particle swarm optimization ）縮寫為PSO，是近代發(fā)展的一種新的進(jìn)化算法[8]。它從初始種群隨機(jī)解開始，通過搜索產(chǎn)生最優(yōu)解。在種群搜索最優(yōu)解過程中，粒子搜索的速度和位置方程式[9]為

式中：V+1為個體迭代(+1)次后的速度；V為個體個迭代次后的速度；為慣性權(quán)重系數(shù)；1和2為區(qū)間[0,2]的學(xué)習(xí)因子；1和2為區(qū)間[0,1]的隨機(jī)數(shù)；P為個體的最佳位置；為種群中的最佳位置；X為個體迭代次后的位置。

慣性權(quán)重系數(shù)ω取值影響局部搜索能力和全局搜索能力，為了最大發(fā)揮二者優(yōu)勢，慣性權(quán)重系數(shù)采取修正方程式為：

式中，為當(dāng)前迭代次數(shù)；為最大迭代次數(shù)；max為最大加權(quán)系數(shù)；min為最小加權(quán)系數(shù)。

2.2 PID控制

PID控制主要由控制器和控制對象組成，如圖2所示。輸出誤差信號通過在線反饋來調(diào)節(jié)比例、積分和微分系數(shù)，使誤差最小化輸出。

圖2 PID控制流程

PID的控制方程式[10]為

式中，k為比例系數(shù)；k為積分系數(shù)；k為微分系數(shù)。

PID控制對象輸出誤差方程式為：

2.3 改進(jìn)PID控制

采用改進(jìn)粒子群算法優(yōu)化PID控制，主要是優(yōu)化PID控制器k、k、k三個參數(shù)。根據(jù)系統(tǒng)輸出誤差反饋，在線調(diào)節(jié)PID控制器參數(shù)，使輸出誤差達(dá)到最小化。具體優(yōu)化流程如下所示：

1） 設(shè)定粒子群算法參數(shù)，主要包括粒子維數(shù)n，學(xué)習(xí)因子1、2，最大迭代次數(shù)，粒子初始位置和速度；

2） 種群初始化，粒子維數(shù)產(chǎn)生初始化種群為：

式中，(1)=[k(0)，k(0)，···，k(0)]為第個粒子坐標(biāo)分量對應(yīng)PID控制器三個參數(shù)。

3）對粒子適應(yīng)度進(jìn)行評估，其評估方程式為：

4）將每個粒子與當(dāng)前最優(yōu)位置進(jìn)行比較，若較好，則替換當(dāng)前最優(yōu)位置；

5）更新權(quán)重系數(shù)，從而更新粒子的速度和位置；

6）檢驗(yàn)是否滿足最優(yōu)條件，若滿足條件，則停止迭代，輸出k、k、k參數(shù)；否則返回步驟2）。

采用改進(jìn)粒子群算法優(yōu)化PID控制車輛側(cè)傾流程如圖3所示。

圖3 車輛側(cè)傾角控制流程

3　仿真與分析

3.1 仿真參數(shù)優(yōu)化選擇確定

改進(jìn)粒子群算法的迭代次數(shù)對PID控制精度具有重要影響。為此，本文根據(jù)適應(yīng)度值來選擇粒子群最大迭代次數(shù)。隨著迭代次數(shù)的增加，粒子群算法和改進(jìn)粒子群算法的收斂情況如圖4所示。由圖4可知，改進(jìn)粒子群算法迭代次數(shù)達(dá)到23次，就處于收斂情況，而粒子群算法迭代次數(shù)達(dá)到50次才收斂。為了更好對比粒子群算法和改進(jìn)粒子群算法收斂條件，最大迭代次數(shù)設(shè)置為50，學(xué)習(xí)因子取值為1=2=2，隨機(jī)數(shù)取值為1=2=1。優(yōu)化后的PID控制參數(shù)為k= 28.35，k= 3.62，k= 4.12。

圖4 改進(jìn)粒子群算法適應(yīng)度曲線

3.2 仿真結(jié)果分析

為了驗(yàn)證車輛行駛側(cè)傾角控制優(yōu)化后的效果，采用MATLAB軟件對車輛傾角位移跟蹤軌跡進(jìn)行仿真，仿真參數(shù)隨機(jī)設(shè)置為：= 1550 kg，s= 1350 kg，z= 2412 kg·m2，x= 585 kg·m2，l= 1.32 m，l= 1.24 m，xy= 290 kg·m2，xz= 710 kg·m2，h= 0.44 m，= 0.54 m，= 0.72 m，k= 58000 N/m，c= 4800 N/m，車輛側(cè)傾角位移運(yùn)動軌跡為=4 sin(2πt)，車輛行駛速度為60 km/h，其它參數(shù)如3.1。假設(shè)路面無干擾信號，采用改進(jìn)粒子群算法優(yōu)化PID控制的車輛側(cè)傾角位移跟蹤結(jié)果如圖5所示。假設(shè)路面受到波形干擾，采用改進(jìn)粒子群算法優(yōu)化PID控制的車輛側(cè)傾角位移跟蹤結(jié)果如圖6所示。

圖5 側(cè)傾角位移跟蹤（路面無干擾）

由圖5可知，路面無波形干擾時，PID控制和改進(jìn)PID控制效果差別不大，車輛側(cè)傾角位移跟蹤誤差較小。由圖6可知，路面有波形干擾時，PID控制車輛側(cè)傾角位移誤差較大，而改進(jìn)PID控制車輛側(cè)傾角位移誤差較小。當(dāng)外界干擾導(dǎo)致誤差較大時，誤差就會反饋到適應(yīng)度函數(shù)，改進(jìn)粒子群算法根據(jù)誤差反饋在線調(diào)節(jié)PID控制參數(shù)。由于改進(jìn)粒子群算法迭代次數(shù)少，收斂速度快，能夠快速的調(diào)整PID控制參數(shù)，從而保持控制系統(tǒng)的穩(wěn)定輸出。綜合比較可知，采用改進(jìn)粒子群算法優(yōu)化PID控制方法，能夠抑制外界波形的干擾，提高車輛行駛的穩(wěn)定性，避免發(fā)生側(cè)翻現(xiàn)象。

4 結(jié)語

針對車輛行駛?cè)菀装l(fā)生側(cè)翻現(xiàn)象，設(shè)計了改進(jìn)PID控制方法。主要結(jié)論如下：

1）改進(jìn)粒子群算法通過修改慣性權(quán)重系數(shù)，不斷更新粒子的速度和位置，可以避免產(chǎn)生局部最優(yōu)解，搜索速度快，迭代次數(shù)較少。

2）采用改進(jìn)粒子群算法優(yōu)化PID控制方法，能夠在線優(yōu)化PID控制參數(shù)，抑制路面波形的干擾，車輛側(cè)傾角位移跟蹤誤差相對較小。

3）采用MATLAB軟件對車輛行駛側(cè)傾角位移進(jìn)行仿真，對車輛行駛路況進(jìn)行模擬，可以檢驗(yàn)車輛側(cè)傾角位移控制精度。

[1] 喻俊紅. 重型商用車建模與側(cè)傾穩(wěn)定性控制研究[D].長沙:湖南大學(xué),2017.

[2] 蘇帥康. 半掛汽車防側(cè)傾魯棒非線性控制方法[D].重慶:重慶理工大學(xué),2018.

[3] 段小成,唐新蓬,譚勇. 基于模糊PID的車輛側(cè)傾主動控制仿真研究[J].機(jī)械與電子,2007(4):53-55.

[4] 姚嘉凌,王蒙,李智宏,等. 基于主動懸架的車輛主動側(cè)傾控制研究[J].機(jī)械強(qiáng)度,2018,40(3):534-539.

[5] 陳祥林,趙韓,甄圣超. 基于模糊滑模控制的汽車主動橫向穩(wěn)定桿研究[J].農(nóng)業(yè)裝備與車輛工程,2018,56(6):18 -21.

[6] 陳松,夏長高,李勝永,等. 車輛橫擺與側(cè)傾穩(wěn)定性控制研究[J].機(jī)械設(shè)計,2018,35(6):97-103.

[7] 蔡宇萌. 基于車輛側(cè)傾運(yùn)動安全性的主動懸架LQG控制器設(shè)計[D].鎮(zhèn)江:江蘇大學(xué),2017.

[8] 李明. 標(biāo)準(zhǔn)粒子群算法的收斂性分析及改進(jìn)研究[D]. 錦州:渤海大學(xué),2018.

[9] 鄧偉,宋景,黃昊旻,等. 基于動態(tài)權(quán)重SA-PSO的工藝路線決策[J].井岡山大學(xué)學(xué)報:自然科學(xué)版,2018, 39(2):45-49.

[10] 宋倩云.高速列車橫向半主動懸掛自適應(yīng)PID控制研究[D].北京:北京交通大學(xué), 2018.

Research on vehicle motion roll control based on Improved Particle Swarm Optimization Algorithm

GU Lei

(Business department, Huishang Vocational College, Hefei, Anhui 230000, China)

In order to avoid rollover phenomenon under different road circumstances, the improved PID is used to control the trajectory of vehicle side slope displacement to improve the stability of vehicle driving. The vehicle model diagram is created, and the equation of vehicle roll motion is given. The PID control method is used to improve the inertia weight coefficient of particle swarm algorithm. The improved particle swarm algorithm is used to optimize the PID control. The control flow of vehicle roll angle displacement is designed, the controller parameters are optimized and adjusted.The tracking effect of vehicle roll angle displacement is simulated by MATLAB software and compared with PID control effect. Under the condition of no waveform disturbance, the traditional PID control and the improved PID control method can complete the vehicle roll angle displacement tracking well, the tracking error is small. Under the condition of waveform disturbance, the tracking error of roll angle displacement by traditional PID control is larger, while that by improved PID control is smaller. The improved PID control method can restrain the disturbance of road waveform and improve the tracking accuracy of vehicle roll angle displacement.

Vehicle side slope displacement; PID control; Improved particle swarm optimization; Optimization; Simulation

U461

A

10.3969/j.issn.1674-8085.2018.06.012

2018-09-25；

2018-10-15

安徽省教育廳科學(xué)技術(shù)研究項(xiàng)目(2017jyxm0852)

谷磊(1990-)，男，安徽合肥人，講師，碩士，主要從事車輛動力學(xué)控制、車輛工程、在線檢測技術(shù)等方面的研究(E-mail: leigu1990@163.com).

1674-8085(2018)06-0067-05