李仲興，管曉星，江 洪

（1.江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212013； 2.江蘇大學(xué)機(jī)械工程學(xué)院，鎮(zhèn)江 212013）

前言

空氣懸架以空氣彈簧作為彈性元件，因其優(yōu)良的性能在車輛領(lǐng)域得到了廣泛的運(yùn)用?；ヂ?lián)空氣懸架作為空氣懸架的衍生結(jié)構(gòu)，由Higginbotham于1961年提出［1］。Friendrich等建立了互聯(lián)空氣懸架數(shù)學(xué)模型并通過(guò)臺(tái)架試驗(yàn)驗(yàn)證其準(zhǔn)確性［2］；Dvais通過(guò)試驗(yàn)得出重型貨車通過(guò)增大縱向互聯(lián)管路內(nèi)徑能夠有效減小車軸對(duì)底盤施加的動(dòng)載荷，并提出懸架力相關(guān)度系數(shù)分析和T-test試驗(yàn)兩種關(guān)于懸架動(dòng)載荷分配的分析與評(píng)價(jià)體系，進(jìn)一步論證了縱向互聯(lián)結(jié)構(gòu)的均載作用［3-4］；崔振建立橫向互聯(lián)空氣懸架整車模型并搭建整車臺(tái)架研究系統(tǒng)靜動(dòng)態(tài)特性［5］；錢寬對(duì)不同互聯(lián)形式下懸架的振動(dòng)特性和整車性能進(jìn)行了仿真與試驗(yàn)研究［6］；琚龍玉提出了仿天棚互聯(lián)狀態(tài)控制策略，研究表明該策略在提升懸架隔振和消扭能力的同時(shí)保證了車輛的操縱穩(wěn)定性［7］。

在現(xiàn)代控制系統(tǒng)中，人們對(duì)邏輯問(wèn)題和決策問(wèn)題越來(lái)越重視，因此對(duì)具有自治性和學(xué)習(xí)性的智能體技術(shù)的研究日益增多。慎思型智能體的代表BDI（belief-desire-intention）是一種較為成熟的模型，學(xué)術(shù)界普遍認(rèn)為該模型是一種方便靈活、能夠有效適應(yīng)復(fù)雜動(dòng)態(tài)環(huán)境的智能體結(jié)構(gòu)［8］。Bratman在對(duì)理性與意圖兩者之間的關(guān)系進(jìn)行哲學(xué)分析后提出了BDI模型［9］。Rao和 Georgeff提出了一個(gè)形式化理論和抽象BDI解釋器，將BDI模型引入軟件智能體［10］。傳統(tǒng)的BDI模型存在一定的局限性，例如不存在內(nèi)部的學(xué)習(xí)結(jié)構(gòu)、不能處理不確定性下的決策等。因此，國(guó)內(nèi)外學(xué)者結(jié)合研究需求，適當(dāng)增加或者修改相應(yīng)的概念，得到合適的BDI模型用于自身研究。Farias建立了模糊感知的BDI模型解決信息不完全環(huán)境下的決策問(wèn)題［11］。Dominguez等利用BDI智能體系統(tǒng)解決無(wú)人機(jī)在空中移動(dòng)的人機(jī)協(xié)作問(wèn)題［12］。劉岳鵬基于BDI模型對(duì)空中仿真系統(tǒng)的管制員進(jìn)行建模，提出并設(shè)計(jì)了管制員學(xué)習(xí)行為［13］。

從目前的研究情況來(lái)看，學(xué)者們對(duì)互聯(lián)空氣懸架的研究多集中在特性研究方面，對(duì)互聯(lián)空氣懸架的控制研究較少。為更加充分發(fā)揮橫向互聯(lián)空氣懸架的優(yōu)勢(shì)，將智能體技術(shù)引入其互聯(lián)控制研究中。本文中首先建立橫向互聯(lián)空氣懸架整車模型并通過(guò)試驗(yàn)驗(yàn)證其準(zhǔn)確性。在此基礎(chǔ)上構(gòu)建橫向互聯(lián)空氣懸架互聯(lián)狀態(tài)控制智能體系統(tǒng)，其中具有自學(xué)習(xí)能力的仿天棚互聯(lián)狀態(tài)控制智能體是該系統(tǒng)的關(guān)鍵組成部分，它以仿天棚互聯(lián)狀態(tài)控制策略中關(guān)鍵參數(shù)滯回區(qū)間為控制對(duì)象，輸出適合于當(dāng)前環(huán)境狀態(tài)的最優(yōu)滯回區(qū)間，能夠提高仿天棚互聯(lián)狀態(tài)控制策略對(duì)行車過(guò)程中動(dòng)態(tài)環(huán)境的適應(yīng)能力，充分發(fā)揮該策略的控制效果，使車輛在行駛過(guò)程中獲得良好的整車綜合性能。

1 橫向互聯(lián)空氣懸架整車7自由度模型及試驗(yàn)驗(yàn)證

1.1 整車動(dòng)力學(xué)模型

根據(jù)研究需求，對(duì)四輪車輛物理結(jié)構(gòu)進(jìn)行適當(dāng)簡(jiǎn)化，建立包括車身垂向、側(cè)傾、俯仰運(yùn)動(dòng)和4個(gè)車輪垂向振動(dòng)的整車7自由度模型，簡(jiǎn)化后的橫向互聯(lián)空氣懸架整車振動(dòng)模型如圖1所示。

圖1 橫向互聯(lián)空氣懸架整車模型

圖中：Mb為車身質(zhì)量；Zcg為簧上質(zhì)量質(zhì)心的垂向位移；Mt為輪胎質(zhì)量；Zti（i＝1，2，3，4）為 4個(gè)簧下質(zhì)量質(zhì)心的垂向位移；lf，lr分別為前、后軸到質(zhì)心的距離；Kt為輪胎剛度；qi（i＝1，2，3，4）為路面施加于 4個(gè)簧下質(zhì)量的垂向激勵(lì)；Ir為車身繞側(cè)傾軸線（X軸）的轉(zhuǎn)動(dòng)慣量；θ為車身側(cè)傾角，以車身右傾為正；Ip為車身繞俯仰軸線（Y軸）的轉(zhuǎn)動(dòng)慣量；φ為車身俯仰角，以車身前傾為正；Bf為前軸輪距；Br為后軸輪距。

其動(dòng)力學(xué)方程為

其中

式中：Fi（i＝1，2，3，4分別對(duì)應(yīng)前左、前右、后左、后右4個(gè)懸架位置）為4個(gè)懸架空氣彈簧與減振器的合力；pa為大氣壓力；Aei（i＝1，2，3，4）為 4個(gè)空氣彈簧有效承載面積；c為減振器阻尼；fdi（i＝1，2，3，4）為4個(gè)懸架動(dòng)行程。

1.2 橫向互聯(lián)空氣彈簧模型

將空氣彈簧視為開(kāi)口絕熱系統(tǒng)，其氣體運(yùn)動(dòng)方程為

式中：const為常數(shù)；pi（i＝1，2，3，4）為 4個(gè)空氣彈簧內(nèi)氣體壓力；Vi（i＝1，2，3，4）為 4個(gè)空氣彈簧氣室容積；mi（i＝1，2，3，4）為 4個(gè)空氣彈簧中的氣體質(zhì)量；κ為絕熱指數(shù)，對(duì)于空氣，其值為1.4。

考慮互聯(lián)管路的節(jié)流效應(yīng)，將互聯(lián)管路的節(jié)流效應(yīng)等效為節(jié)流孔，其質(zhì)量流量可表示為

式中：pup為上游氣體壓力；pdn為下游氣體壓力；Tup為上游氣體溫度；At為有效通流面積。

考慮互聯(lián)管路沿程損失與時(shí)滯效應(yīng)，互聯(lián)管路不同位置處氣體質(zhì)量流量隨時(shí)間變化的函數(shù)可表示為

式中：L為管路長(zhǎng)度；pdn為管路末端氣壓；Tdn為管路末端溫度；c為聲速；Rt為連接管路內(nèi)壁阻力系數(shù)；R為氣體常數(shù)，對(duì)于空氣，R＝287 N·m／（kg·K）。

1.3 仿真分析

在MATLAB／Simulink環(huán)境下建立7自由度橫向互聯(lián)空氣懸架整車仿真模型，對(duì)車輛前左車輪施加階躍激勵(lì)，加速度響應(yīng)如圖2所示。對(duì)車輛施加側(cè)向加速度，車身側(cè)傾角變化如圖3所示。

從圖2可以看出，橫向互聯(lián)空氣懸架能夠更快衰減簧上質(zhì)量加速度，提高行駛平順性。從圖3可以看出，轉(zhuǎn)彎時(shí)空氣懸架互聯(lián)會(huì)降低車輛的操縱穩(wěn)定性。因此進(jìn)行互聯(lián)控制研究有其必要性。

1.4 模型驗(yàn)證

圖2 前左簧上質(zhì)量加速度響應(yīng)

圖3 車身側(cè)傾角隨側(cè)向加速度的變化

為驗(yàn)證所建立的模型的準(zhǔn)確性，基于MTS-320 4通道液壓伺服激振試驗(yàn)臺(tái)，搭建橫向互聯(lián)空氣懸架整車試驗(yàn)臺(tái)架，如圖4所示。對(duì)車輛前左輪施加振幅為15 mm的正弦掃頻激勵(lì)，激振頻率為0.75～7.25 Hz，每秒提升0.025 Hz，并將試驗(yàn)結(jié)果與仿真結(jié)果進(jìn)行對(duì)比，如圖5所示。

圖4 橫向互聯(lián)空氣懸架整車試驗(yàn)平臺(tái)

對(duì)四輪施加激勵(lì)，模擬車輛以70 km／h的車速行駛于路面不平度系數(shù)為256×10-6m3的道路，試驗(yàn)時(shí)間為300 s，并將試驗(yàn)結(jié)果與仿真結(jié)果進(jìn)行對(duì)比，如表1和表2所示。

由圖5和表1、表2可知，仿真結(jié)果與試驗(yàn)結(jié)果吻合度較高，證明所建立模型準(zhǔn)確可靠，可在此模型的基礎(chǔ)上進(jìn)行互聯(lián)狀態(tài)控制智能體系統(tǒng)的研究。

圖5 前左簧上質(zhì)量加速度均方根值隨激勵(lì)頻率的變化

表1 非互聯(lián)狀態(tài)下簧上質(zhì)量加速度均方根值

表2 互聯(lián)狀態(tài)下簧上質(zhì)量加速度均方根值

2 基于BDI模型的仿天棚互聯(lián)狀態(tài)控制智能體系統(tǒng)構(gòu)建

2.1 仿天棚互聯(lián)狀態(tài)控制策略原理及實(shí)現(xiàn)

橫向互聯(lián)空氣懸架是在傳統(tǒng)空氣懸架的基礎(chǔ)上，利用互聯(lián)管路將同軸左右兩個(gè)空氣彈簧連通，實(shí)現(xiàn)左右空氣彈簧中氣體自由交換的一種懸架形式。橫向互聯(lián)空氣懸架能提升車輛隔振、消扭能力，改善輪胎接地性，提升行駛平順性，但是在高速轉(zhuǎn)向時(shí)會(huì)加劇車身的側(cè)傾，因此需要制定合理的互聯(lián)狀態(tài)控制策略，通過(guò)互聯(lián)管路中電磁閥對(duì)互聯(lián)狀態(tài)進(jìn)行控制，保證車輛的綜合性能。

文獻(xiàn)［7］中提出了仿天棚互聯(lián)狀態(tài)控制策略，該策略原理為：當(dāng)簧上質(zhì)量側(cè)傾方向與其受到的總彈性回復(fù)力偶矩方向一致時(shí)互聯(lián)狀態(tài)開(kāi)啟，從而減小簧上質(zhì)量側(cè)傾運(yùn)動(dòng)的推力矩；當(dāng)簧上質(zhì)量側(cè)傾方向與其受到的總彈性回復(fù)力偶矩方向相反時(shí)互聯(lián)狀態(tài)關(guān)閉，從而增大簧上質(zhì)量側(cè)傾運(yùn)動(dòng)的阻力矩。該策略監(jiān)測(cè)參數(shù)為簧上質(zhì)量側(cè)傾角θ和簧下質(zhì)量側(cè)傾角θt，其中θt的定義為同軸左右簧下質(zhì)量質(zhì)心連線與水平面所呈夾角，如圖6所示。

圖6 仿天棚互聯(lián)狀態(tài)控制原理示意圖

應(yīng)用于互聯(lián)狀態(tài)僅有“開(kāi)”、“閉”兩種選擇的橫向互聯(lián)空氣懸架時(shí)，仿天棚互聯(lián)狀態(tài)控制規(guī)則退化為

式中：kroll＝krollmax，代表互聯(lián)狀態(tài)“關(guān)閉”；kroll＝krollmin，代表互聯(lián)狀態(tài)“開(kāi)啟”。

在仿真模型中，互聯(lián)狀態(tài)的開(kāi)閉是通過(guò)改變互聯(lián)管路的有效面積At來(lái)實(shí)現(xiàn)的。式（6）仿天棚控制規(guī)則在模型中變形為

式中：At-1為上一時(shí)刻的互聯(lián)管路有效通流面積；δmin為滯回區(qū)間下邊界；δmax為滯回區(qū)間上邊界。

滯回區(qū)間對(duì)車輛行駛時(shí)的綜合性能有著顯著的影響，針對(duì)不同的行駛工況設(shè)置不同滯回區(qū)間，能夠充分發(fā)揮仿天棚互聯(lián)狀態(tài)控制策略的優(yōu)勢(shì)。

2.2 橫向互聯(lián)空氣懸架互聯(lián)狀態(tài)控制智能體系統(tǒng)結(jié)構(gòu)

基于智能體理論建立仿天棚互聯(lián)狀態(tài)控制智能體系統(tǒng)，包括仿天棚互聯(lián)狀態(tài)控制智能體、傳感器信息采集模塊和互聯(lián)狀態(tài)控制模塊，如圖7所示。

圖7 互聯(lián)狀態(tài)控制智能體系統(tǒng)

信念表示智能體對(duì)于環(huán)境的認(rèn)知。仿天棚互聯(lián)狀態(tài)智能體感知環(huán)境狀態(tài)信息，經(jīng)過(guò)信念產(chǎn)生器生成行駛平順性評(píng)價(jià)指標(biāo)和操縱穩(wěn)定性評(píng)價(jià)指標(biāo)，以這兩項(xiàng)評(píng)價(jià)指標(biāo)作為自身信念并存入信念庫(kù)中。

愿望表示智能體希望自身達(dá)到或者保持的狀態(tài)。仿天棚互聯(lián)狀態(tài)控制智能體根據(jù)行駛平順性指標(biāo)和操縱穩(wěn)定性指標(biāo)建立綜合評(píng)價(jià)指標(biāo)，其愿望即為使車輛在行駛中達(dá)到更好的綜合性能。

強(qiáng)化學(xué)習(xí)是智能體從環(huán)境狀態(tài)到行為映射的學(xué)習(xí)，以使數(shù)值回報(bào)達(dá)到最大［14］。采用強(qiáng)化學(xué)習(xí)機(jī)制的智能體自身帶有確定的動(dòng)作集，感知環(huán)境狀態(tài)，根據(jù)動(dòng)作選擇機(jī)制執(zhí)行一個(gè)動(dòng)作并做出評(píng)價(jià)，如圖8所示。經(jīng)過(guò)大量訓(xùn)練，最終能得到一套狀態(tài)—?jiǎng)幼饔成潢P(guān)系。仿天棚互聯(lián)狀態(tài)控制智能體的學(xué)習(xí)問(wèn)題可最終歸結(jié)為“探索 利用”（exploration-exploitation）問(wèn)題。一方面，仿天棚互聯(lián)狀態(tài)控制智能體根據(jù)強(qiáng)化學(xué)習(xí)算法在動(dòng)作集中選擇目前為止回報(bào)最高的動(dòng)作，稱之為利用；另一方面，這個(gè)目前為止回報(bào)最高的動(dòng)作不一定是最優(yōu)動(dòng)作，還需選擇可能回報(bào)更高的動(dòng)作，稱之為探索。其關(guān)鍵是保持探索和利用的平衡，在有限的選擇中使得仿天棚互聯(lián)狀態(tài)控制智能體的收益最大化。

意圖表示智能體在愿望中選取的當(dāng)前最需要或最適合完成的一個(gè)，即智能體下一時(shí)刻執(zhí)行的動(dòng)作。對(duì)于仿天棚互聯(lián)狀態(tài)智能體而言，其意圖由學(xué)習(xí)模塊和愿望模塊共同決定。

2.3 橫向互聯(lián)空氣懸架互聯(lián)狀態(tài)控制智能體系統(tǒng)的實(shí)現(xiàn)

圖8 強(qiáng)化學(xué)習(xí)

在實(shí)際建模過(guò)程中，仿天棚互聯(lián)狀態(tài)控制智能體從傳感器信息采集模塊中感知環(huán)境狀態(tài)信息至信念產(chǎn)生器，包括 4個(gè)簧下質(zhì)量加速度 ati（i＝1，2，3，4）、車速 v、車身側(cè)傾角 θ、車身側(cè)向加速度 ays、車身前左簧上質(zhì)量3個(gè)方向加速度ax，ay，az。智能體通過(guò)車速v、路面不平度Gq（n0）和車身側(cè)向加速度ays對(duì)車輛所處環(huán)境進(jìn)行辨識(shí)，其中路面不平度Gq（n0）可以由簧下質(zhì)量加速度信息和車速信息處理后獲得［15］。由于以上為連續(xù)變量，需將其進(jìn)行離散化，綜合考慮計(jì)算量與劃分精度等，v離散化為F（F＝9）種狀態(tài)，ays離散化為 G（G＝4）種狀態(tài)，Gq（n0）離散化為H（H＝8）種狀態(tài)，由此建立行駛平順性信念矩陣RCbel、操縱穩(wěn)定性信念矩陣HSbel和綜合評(píng)價(jià)指標(biāo)矩陣Zdes。

參考 GB／T4971—2009《汽車平順性試驗(yàn)方法》，選取車身前左簧上質(zhì)量x，y，z 3個(gè)方向的總加權(quán)加速度均方根值aw作為行駛平順性評(píng)價(jià)指標(biāo)：

式中 axw，ayw，azw分別為 x，y，z方向加權(quán)加速度均方根值。

考慮實(shí)際行車過(guò)程中的可實(shí)施性，選取側(cè)傾因子R作為操縱穩(wěn)定性評(píng)價(jià)指標(biāo)［16］：

式中：m為總質(zhì)量；mb為簧上質(zhì)量；B為輪距；hR為側(cè)傾中心的高度；hs為車身質(zhì)心到側(cè)傾中心的距離；ays為車身側(cè)向加速度；θ為車身側(cè)傾角。

信念產(chǎn)生器感知環(huán)境狀態(tài)信息生成新的行駛平順性信念aw_new和新的操縱穩(wěn)定性信念Rnew，并進(jìn)行信念修正：

式中：aw_i為修正后的行駛平順性信念；aw_i-1為RCbel矩陣中相應(yīng)環(huán)境狀態(tài)下的行駛平順性信念；Ri為修正后的操縱穩(wěn)定性信念；Ri-1為HSbel矩陣中相應(yīng)環(huán)境狀態(tài)下的操縱穩(wěn)定性信念；p為信念修正的權(quán)重系數(shù)，p∈［0，1］。

智能體將修正后的信念儲(chǔ)存至信念庫(kù)RCbel矩陣和HSbel矩陣對(duì)應(yīng)坐標(biāo)下，該坐標(biāo)由當(dāng)前車速、側(cè)向加速度和路面不平度所處狀態(tài)f，g和h決定。

愿望產(chǎn)生器利用信念庫(kù)中的信念進(jìn)行推理行為，將信念矩陣中同一環(huán)境狀態(tài)坐標(biāo)下的行駛平順性信念和操縱穩(wěn)定性信念進(jìn)行歸一化，消除行駛平順性信念和操縱穩(wěn)定性信念之間的量綱影響，隨后建立綜合評(píng)價(jià)指標(biāo)并存入Zdes矩陣中作為強(qiáng)化學(xué)習(xí)的回報(bào)：

式中：J為綜合評(píng)價(jià)指標(biāo)；JRC為歸一化后的行駛平順性信念；JHS為歸一化后的操縱穩(wěn)定性信念；ω為權(quán)重系數(shù)，ω∈［0，1］。

湯普森抽樣算法是Thompson于1933年提出的基于貝葉斯主義后驗(yàn)可信區(qū)間的隨機(jī)算法，又稱隨機(jī)概率配對(duì)算法［17-18］。與UCB算法、MOSS算法相比，湯普森抽樣算法具有更好的經(jīng)驗(yàn)效果，模擬試驗(yàn)中其后悔最低［19］。仿天棚互聯(lián)狀態(tài)控制智能體需要在實(shí)際行車過(guò)程中進(jìn)行在線學(xué)習(xí)，因此選擇學(xué)習(xí)過(guò)程穩(wěn)健的湯普森抽樣算法作為其強(qiáng)化學(xué)習(xí)算法。

經(jīng)典湯普森采樣算法中假設(shè)回報(bào)為均勻分布，但在實(shí)際問(wèn)題中，回報(bào)的分布不盡相同，若直接采用服從均勻分布的回報(bào)則具有一定的局限性。利用仿天棚互聯(lián)狀態(tài)控制智能體仿真模型，觀察在不同環(huán)境狀態(tài)下智能體信念庫(kù)中行駛平順性評(píng)價(jià)指標(biāo)aw和操縱穩(wěn)定性評(píng)價(jià)指標(biāo)R所服從的概率分布，部分仿真結(jié)果如圖9～圖11所示。圖9為C級(jí)路面直線行駛時(shí)評(píng)價(jià)指標(biāo)分布隨速度變化曲線，圖10為50 km／h直線行駛時(shí)評(píng)價(jià)指標(biāo)分布隨路面等級(jí)變化曲線，圖11為B級(jí)路面50 km／h行駛時(shí)評(píng)價(jià)指標(biāo)分布隨側(cè)向加速度變化曲線。

圖9 評(píng)價(jià)指標(biāo)分布隨速度變化

圖10 評(píng)價(jià)指標(biāo)分布隨路面等級(jí)變化

圖11 評(píng)價(jià)指標(biāo)分布隨側(cè)向加速度變化

由圖9～圖11可知，隨著車速、路面和側(cè)向加速度的變化，評(píng)價(jià)指標(biāo)基本服從高斯分布，因此仿天棚互聯(lián)狀態(tài)控制智能體最終采用高斯-湯普森抽樣算法。

采用高斯湯普森抽樣算法的仿天棚互聯(lián)狀態(tài)控制智能體抽樣過(guò)程如圖12所示。該算法利用智能體感知的離散化環(huán)境狀態(tài)信息，將當(dāng)前車速、路面、側(cè)向加速度坐標(biāo)下全部滯回區(qū)間進(jìn)行抽樣，選擇其中回報(bào)最高的滯回區(qū)間輸出至意圖庫(kù)作為本次執(zhí)行的動(dòng)作。最后由意圖庫(kù)輸出至互聯(lián)狀態(tài)控制模塊，改變互聯(lián)狀態(tài)控制模塊中的仿天棚互聯(lián)狀態(tài)控制策略的滯回區(qū)間。

圖12 仿天棚互聯(lián)狀態(tài)控制智能體抽樣過(guò)程

3 仿天棚互聯(lián)狀態(tài)控制智能體系統(tǒng)控制效果分析

3.1 單一行駛工況下系統(tǒng)控制效果

設(shè)計(jì)單一行駛工況如表3所示。考慮到計(jì)算量與計(jì)算精度，仿真時(shí)間設(shè)為 100 s，仿真步長(zhǎng)為0.001 s。

表3 行駛工況

為保證仿真曲線清晰，圖13～圖20展示前20 s變化情況。其中，“平順性改善率”的計(jì)算方法為“（非互聯(lián)狀態(tài)下的aw值-智能體控制下的aw值）／（非互聯(lián)狀態(tài)下的aw值-互聯(lián)狀態(tài)下的 aw值）”；“操穩(wěn)性改善率”的計(jì)算方法為“（互聯(lián)狀態(tài)下的R值-智能體控制下的R值）／（互聯(lián)狀態(tài)下的R值-非互聯(lián)狀態(tài)下的R值）”。

圖13 行駛工況1下評(píng)價(jià)指標(biāo)的變化

圖14 行駛工況2下評(píng)價(jià)指標(biāo)的變化

圖15 行駛工況3下評(píng)價(jià)指標(biāo)的變化

圖16 行駛工況4下評(píng)價(jià)指標(biāo)的變化

從圖中可以看出，互聯(lián)狀態(tài)控制智能體系統(tǒng)在不同行駛工況的表現(xiàn)有所不同。當(dāng)車輛為直線行駛時(shí)，智能體控制下車輛行駛平順性優(yōu)于非互聯(lián)狀態(tài)下，在行駛工況1和行駛工況6時(shí)，行駛平順性甚至接近互聯(lián)狀態(tài)，且操縱穩(wěn)定性絕大多數(shù)工況下接近甚至優(yōu)于非互聯(lián)狀態(tài)。當(dāng)車輛為轉(zhuǎn)向行駛時(shí)，智能體系統(tǒng)控制下車輛犧牲部分行駛平順性來(lái)獲得更好的操縱穩(wěn)定性，且隨著側(cè)向加速度的增大，行駛平順性的犧牲也相應(yīng)增加，車輛性能接近非互聯(lián)懸架車輛，提高車輛行駛安全性。

圖17 行駛工況5下評(píng)價(jià)指標(biāo)的變化

圖18 行駛工況6下評(píng)價(jià)指標(biāo)的變化

圖19 行駛工況7下評(píng)價(jià)指標(biāo)的變化

3.2 混合行駛工況下系統(tǒng)控制效果

圖20 行駛工況8下評(píng)價(jià)指標(biāo)的變化

為進(jìn)一步驗(yàn)證橫向互聯(lián)空氣懸架互聯(lián)狀態(tài)控制智能體系統(tǒng)的控制效果，在混合行駛工況下進(jìn)行仿真，對(duì)比智能體系統(tǒng)控制下與互聯(lián)狀態(tài)、非互聯(lián)狀態(tài)下車輛的性能指標(biāo)，圖21所示為混合工況。

圖21 混合工況示意圖

根據(jù)表4和表5可知，在混合工況下，與傳統(tǒng)的非互聯(lián)空氣懸架相比，智能體控制下的橫向互聯(lián)空氣懸架的平順性改善了54.9%；與互聯(lián)空氣懸架相比，智能體控制下的橫向互聯(lián)空氣懸架的操穩(wěn)性改善了85.2%。結(jié)果表明：仿天棚互聯(lián)狀態(tài)控制智能體系統(tǒng)能夠權(quán)衡車輛的行駛平順性和操縱穩(wěn)定性，在保證行駛平順性的同時(shí)，獲得良好的操縱穩(wěn)定性。

表4 混合工況下平順性評(píng)價(jià)指標(biāo)a w值

表5 混合工況下操縱穩(wěn)定性評(píng)價(jià)指標(biāo)R值

4 結(jié)論

基于智能體理論，設(shè)計(jì)了橫向互聯(lián)空氣懸架互聯(lián)狀態(tài)控制智能體系統(tǒng)。該系統(tǒng)能夠通過(guò)感知外界環(huán)境信息動(dòng)態(tài)調(diào)整仿天棚互聯(lián)狀態(tài)控制策略中的滯回區(qū)間。

通過(guò)在混合工況下仿真，驗(yàn)證了橫向互聯(lián)空氣懸架互聯(lián)狀態(tài)控制智能體系統(tǒng)的控制效果。與傳統(tǒng)非互聯(lián)懸架車輛相比，該系統(tǒng)控制下的車輛前左簧上質(zhì)量加權(quán)加速度均方根值降低了54.9%；與互聯(lián)懸架車輛相比，車輛側(cè)傾因子降低了85.2%，車輛在行駛過(guò)程中的綜合性能得到了保證。

下一步考慮基于智能體理論對(duì)橫向互聯(lián)空氣懸架其他可控部件進(jìn)行智能體系統(tǒng)建模，并通過(guò)協(xié)同控制策略進(jìn)一步建立橫向互聯(lián)空氣懸架多智能體系統(tǒng)。