半主動(dòng)空氣懸架神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制的仿真研究

1、半主動(dòng)空氣懸架神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制的仿真研究王輝朱思洪(江蘇工業(yè)學(xué)院常州213016(南京農(nóng)業(yè)大學(xué)南京210031摘要文章提出將神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制策略用于半主動(dòng)空氣懸架的控制,通過仿真研究表明半主動(dòng)懸架能較好地改善車輛行駛的平順性和操縱穩(wěn)定性,同時(shí)還證明該策略用于半主動(dòng)空氣懸架控制是可行的和有效的。關(guān)鍵詞空氣懸架;神經(jīng)網(wǎng)絡(luò);變剛度中圖分類號(hào):T P 391.9文獻(xiàn)標(biāo)識(shí)碼:AAbstract :T he self 2adap tive neu ral netw o rk con tro l strategy is emp loyed to con tro l the sem i 2active s

2、u spen si on system .T he si m u lati on research show s that sem i 2active su spen si on can i m p rove the ride com fo rt and m an i pu lati on stab ility ,and that the sem i 2active air su spen si on self 2adap tive neu ral netw o rk con tro l is app licab le and effective .Key words :air su spen

3、 si on ;neu ral netw o rk s ;variab le rate 收稿日期:20052022100前言目前空氣懸架控制系統(tǒng)的控制策略,主要是利用高度控制閥實(shí)現(xiàn)的分級(jí)控制,控制精度不高。由于空氣懸架是一個(gè)復(fù)雜的非線性系統(tǒng),因此可以利用非線性的神經(jīng)網(wǎng)絡(luò)反映控制對(duì)象的特征,通過對(duì)空氣彈簧剛度的調(diào)節(jié),實(shí)現(xiàn)對(duì)懸架進(jìn)行有效的控制。本文基于神經(jīng)網(wǎng)絡(luò)控制理論,用M atlab Si m u link 軟件,對(duì)半主動(dòng)空氣懸架系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制算法進(jìn)行仿真研究。1系統(tǒng)模型的建立由于空氣懸架系統(tǒng)這一被控對(duì)象的復(fù)雜性,在建立系統(tǒng)的數(shù)學(xué)模型時(shí),就需要在模型的簡化和精確度之間進(jìn)行折衷。本論文研究的是

4、對(duì)車輛垂直方向的振動(dòng)進(jìn)行減振,因此不考慮車輛的橫向振動(dòng)和前后的俯仰振動(dòng),為了簡化研究對(duì)象,突出問題的本質(zhì),采用1 4車輛兩自由度模型,如圖1所示。圖中:m 1為非簧載質(zhì)量;m 2為簧載質(zhì)量;k 1為輪胎剛度;k 2為懸架靜剛度;k r 為控制剛度;c 0為懸架阻尼器阻尼系數(shù);x 0為路面激勵(lì)位移;x 1為非簧載質(zhì)量位移;x 2為簧載質(zhì)量位移。根據(jù)牛頓第二定律,系統(tǒng)運(yùn)動(dòng)方程為m 1x 1+k 1(x 1-x 0-c 0(x 2-x 1-k 2(x 2-x1-k r (x 2-x 1=0m 2x 2+c 0(x 2-x 1+k 2(x 2-x 1+k r (x 2-x 1=0(1式中:k 1(x

5、1-x 0為車輪動(dòng)載荷;(x 2-x 1為懸架的動(dòng)撓度;控制量為剛度k r ;取狀態(tài)向量X =x 2-x 1x 1-x 0x1x 2T ,Y1=x2,Y 2=k 1(x 1-x 0。圖1兩自由度1 4車輛模型路面激勵(lì)速度為x 0(t ,設(shè)W =x 0(t ,則控制方程為X =AX +GWY =CX(2式中:A =00-1-10010-(k 2+k r m 1-k 1m 1-c 0 m 1c 0 m 1-(k 2+k r m 20c 0 m 2-c 0 m 2= -100;C=-(k2+k r m20c0 m2-c0 m 20k1002神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制系統(tǒng)結(jié)構(gòu)圖2為所設(shè)計(jì)的半主動(dòng)空氣懸架神經(jīng)網(wǎng)

6、絡(luò)控制系統(tǒng),其中3層神經(jīng)網(wǎng)絡(luò)辨識(shí)器用于對(duì)被控對(duì)象進(jìn)行在線辨識(shí),3層神經(jīng)網(wǎng)絡(luò)控制器NN C用于自適應(yīng)控制。yd為懸架系統(tǒng)期望輸出,y為懸架系統(tǒng)實(shí)際輸出,r為懸架系統(tǒng)的路面激勵(lì),y為神經(jīng)網(wǎng)絡(luò)辨識(shí)器NN I輸出,u為神經(jīng)網(wǎng)絡(luò)控制器NN C輸出,其作用是對(duì)懸架系統(tǒng)剛度進(jìn)行控制。學(xué)習(xí)算法1是根據(jù)神經(jīng)網(wǎng)絡(luò)辨識(shí)器的輸出和懸架系統(tǒng)的實(shí)際輸出的誤差e1進(jìn)行學(xué)習(xí) ,使辨識(shí)的結(jié)果更準(zhǔn)確。學(xué)習(xí)算法 2是利用懸架系統(tǒng)的期望輸出和神經(jīng)網(wǎng)絡(luò)辨識(shí)器的輸出之差e2進(jìn)行學(xué)習(xí),調(diào)整神經(jīng)網(wǎng)絡(luò)控制器的輸出,使兩者的誤差達(dá)到最小,實(shí)現(xiàn)懸架系統(tǒng)控制的目的。圖2半主動(dòng)空氣懸架神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制圖3半主動(dòng)空氣懸架神經(jīng)網(wǎng)絡(luò)辯識(shí)器1神經(jīng)網(wǎng)絡(luò)辨識(shí)器

7、設(shè)計(jì)。圖3為半主動(dòng)空氣懸架神經(jīng)網(wǎng)絡(luò)辯識(shí)器模型NN I,設(shè)車輛半主動(dòng)懸架系統(tǒng)是一個(gè)單輸入、輸出非線性系統(tǒng),可描述為y(k=fy(k-1,y(k-n,u(k-1,u(k-m(3式中:y(k為車身加速度在k時(shí)刻的值;u(k-1為系統(tǒng)在(-1;,統(tǒng)的輸出和輸入,代表簧載質(zhì)量質(zhì)心處垂直振動(dòng)加速度x和控制剛度;n,m分別為時(shí)間序列y(k和u(k的階次;f為非線性函數(shù)。要使性能指標(biāo)J1=12y(k+1-y(k+12(4最小化,則利用梯度下降法可得權(quán)值學(xué)習(xí)公式為wij(k+1=wij(k+wij(k=wij(k+y(k+1-y(k+1×fnet i(kw i(knet i(k(5式中:為學(xué)習(xí)系數(shù),0

8、<1。2神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)。為了使懸架系統(tǒng)輸出信號(hào),需跟蹤輸入,其控制器設(shè)計(jì)如下u(k=Gy(k,y(k-1,y(k-n+1,y r(k+d,u(k-1,u(k-m+1(6其性能指標(biāo)函數(shù)為J C=12y3(k+1-y(k+12(7式中:y3為期望輸出;y為估計(jì)輸出。經(jīng)過學(xué)習(xí)后,將y逼近y,則J P=12y3(k+1-y(k+12(8可由y(k+1代替y(k +1,即性能指標(biāo)由J C代替,神經(jīng)網(wǎng)絡(luò)控制器的權(quán)值調(diào)整公式用B P算法。神經(jīng)網(wǎng)絡(luò)控制器的結(jié)構(gòu)如圖4所示。圖4半主動(dòng)空氣懸架神經(jīng)網(wǎng)絡(luò)控制器u=fRi=1w1iO2i(9w1i(k+1=w1i(k+w1i(k5y(k+1 5u(10其中

9、對(duì)象的特性5y(k+1 5u是未知的,可以用辨識(shí)器的信息,由y(k+1代替y(k+1,得w1i(k+1=w1i(k+w1i(k5y(k+1 5u=w 1i (k +w 1i (k R i =1wif net i (k w ij (k (11綜上所述,可得如下半主動(dòng)空氣懸架控制系統(tǒng)的神經(jīng)網(wǎng)絡(luò)自適應(yīng)算法:用(-0.95,0.95間的隨機(jī)值對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值初始化;采樣得到y(tǒng) (k ;計(jì)算誤差信號(hào)e 1(k ,調(diào)整NN I 的權(quán) 值,計(jì)算估計(jì)輸出y (k ;計(jì)算誤差信號(hào)e 2(k ,調(diào)整NN C 的權(quán)值;用神經(jīng)網(wǎng)絡(luò)控制器產(chǎn)生控制信號(hào)u (k ;令k =k +1,返回算法。3仿真計(jì)算及結(jié)果分析在M at

10、lab 6.1+Si m u link +Too l Box 環(huán)境2 下進(jìn)行仿真研究,神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)隱含層的激活函數(shù)是s 型函數(shù),輸出層激活函數(shù)采用了線性函數(shù)。神經(jīng)網(wǎng)絡(luò)辨識(shí)器的結(jié)構(gòu)為4-8-1,神經(jīng)網(wǎng)絡(luò)控制的結(jié)構(gòu)為5-7-1。懸架系統(tǒng)的采樣時(shí)間序列的階次選取為2,車身垂直加速度為懸架系統(tǒng)的輸出,期望值y 3=0。由于所研究懸架振動(dòng)頻率范圍主要集中在20H z 以下,則采樣時(shí)間間隔取0.01s ,截止頻率為50H z 。空氣彈簧可調(diào)剛度的范圍為015kN m 。選取某奔馳車型,其懸架結(jié)構(gòu)參數(shù)為3:m 1=25kg ,m 2=330kg ,k 1=170kN m ,k 2=13kN m ,c 0

11、=1000N s m 。本研究以車速為v =20m s 行駛過C 級(jí)路面,路面不平度系數(shù)G x r (n 0=256×10-6m 2m -1,路面激勵(lì)信號(hào)的方差n 0=0.14,模擬研究了被動(dòng)懸架、神經(jīng)網(wǎng)絡(luò)控制半主動(dòng)空氣懸架的車身加速度響應(yīng)、懸架動(dòng)撓度響應(yīng)、車輪動(dòng)載荷響應(yīng)。 圖5被動(dòng)懸架車身加速度 圖6半主動(dòng)空氣懸架車身加速度圖7被動(dòng)懸架的懸架動(dòng)撓度圖8半主動(dòng)空氣懸架的懸架動(dòng)撓度圖9被動(dòng)懸架車輪動(dòng)載荷圖10半主動(dòng)空氣懸架車輪動(dòng)載荷由圖510可以看出,神經(jīng)網(wǎng)絡(luò)控制半主動(dòng)空氣懸架車身加速度變化比被動(dòng)懸架有較大程度的減小,表明神經(jīng)網(wǎng)絡(luò)控制半主動(dòng)懸架使車輛的乘坐舒適性得到了較大改善。神經(jīng)網(wǎng)絡(luò)

12、控制半主動(dòng)懸架的動(dòng)撓度和車輪動(dòng)載荷比被動(dòng)懸架都有一定程度的衰減,表明神經(jīng)網(wǎng)絡(luò)控制半主動(dòng)懸架改善了車身穩(wěn)定性和操縱穩(wěn)定性。4結(jié)論采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制的變剛度半主動(dòng)空氣懸架系統(tǒng),通過調(diào)節(jié)剛度達(dá)到了減小車身垂直加速度,懸架的動(dòng)撓度和輪胎動(dòng)載荷也得到了減小,提高了車輛的行駛平順性和操縱穩(wěn)定性,神經(jīng)網(wǎng)絡(luò)控制策略應(yīng)用于變剛度半主動(dòng)懸架的可行性和有效性得到了驗(yàn)證。半主動(dòng)空氣懸架神經(jīng)網(wǎng)絡(luò)控制的性能明顯優(yōu)于被動(dòng)懸架。仿真研究為以后變剛度半主動(dòng)空氣懸架神經(jīng)網(wǎng)絡(luò)控制的試驗(yàn)及實(shí)際應(yīng)用研究打下了基礎(chǔ)。信息化項(xiàng)目風(fēng)險(xiǎn)管理策略的機(jī)理模型和應(yīng)用分析王然馬智宏衷愛東楊贊(中國遠(yuǎn)洋運(yùn)輸(集團(tuán)總公司北京100031摘要分析了風(fēng)險(xiǎn)

13、管理的方法體系和關(guān)聯(lián)模型,從決策、實(shí)施和應(yīng)用3個(gè)階段論述了信息化項(xiàng)目生命周期全過程的風(fēng)險(xiǎn)特征,在此基礎(chǔ)上提出了二維矩陣的風(fēng)險(xiǎn)管理策略,建立了反映風(fēng)險(xiǎn)管理內(nèi)在機(jī)理的實(shí)施策略模型,并結(jié)合中遠(yuǎn)集團(tuán)建設(shè)I R IS 22和中遠(yuǎn)財(cái)務(wù)信息系統(tǒng)(SA P 項(xiàng)目的成功實(shí)踐,應(yīng)用研究成果,進(jìn)行了風(fēng)險(xiǎn)管理策略的案例分析。關(guān)鍵詞信息化項(xiàng)目;風(fēng)險(xiǎn)管理;風(fēng)險(xiǎn)策略;案例分析中圖分類號(hào):T P 391文獻(xiàn)標(biāo)識(shí)碼:BAbstract :T he paper analyzes the risk m anagem en t system and sets up its relative model .Based on the d

14、ecisi on ,i m p lem en tati on and app licati on stage of IT p ro ject lifecycle ,the paper discu sses its risk character and pu ts fo rw ard the tw o 2di m en si on 2m atrix risk m anagem en t strategy .T hen ,it p resen ts its m echan is m model.F inally ,acco rding to the successfu l i m p lem en

15、 tati onexperience of tw o i m po rtan t IT p ro jects in CO SCO including I R IS 22and SA P ,the paper carries ou t the effective case app licati on analysis of m echan is m model fo r the risk m anagem en t of IT p ro jects.Key words :IT p ro ject ;risk m anagem en t ;risk strategy ;case analysis收

16、稿日期:20042122130引言在信息化建設(shè)過程中,項(xiàng)目風(fēng)險(xiǎn)是導(dǎo)致其延遲、超預(yù)算和失敗的一個(gè)重要原因。系統(tǒng)化建設(shè)的思維方式和全面風(fēng)險(xiǎn)管理策略對(duì)項(xiàng)目管理至關(guān)重要,任何環(huán)節(jié)的紕漏都可能使其前功盡棄。因此,樹立風(fēng)險(xiǎn)意識(shí),關(guān)注項(xiàng)目風(fēng)險(xiǎn),掌握風(fēng)險(xiǎn)管理的知識(shí)與技能,從項(xiàng)目組織、職責(zé)、流程與制度上建立一套風(fēng)險(xiǎn)管理機(jī)制是確保信息化項(xiàng)目成功的前提與保障。1風(fēng)險(xiǎn)管理及其關(guān)聯(lián)模型風(fēng)險(xiǎn)是事先假想的一種由于設(shè)計(jì)方案或者管理上存在漏洞時(shí)導(dǎo)致?lián)p失的可能,是一種潛在的、負(fù)面的東西,處于未發(fā)生的狀態(tài)。風(fēng)險(xiǎn)的構(gòu)成包括5個(gè)方面:起源、方式、途徑、受體和后果。它們的相互關(guān)系可表述為:風(fēng)險(xiǎn)的一個(gè)或多個(gè)起源,采用一種或多種方式,通過一種或多種途徑,侵害一個(gè)或多個(gè)受體,造成不良后果。因此,完整的風(fēng)險(xiǎn)管理應(yīng)該包括風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)評(píng)估、風(fēng)險(xiǎn)控制3個(gè)環(huán)節(jié)1,并有著相互關(guān)聯(lián)的意義和內(nèi)涵。1風(fēng)險(xiǎn)識(shí)別。風(fēng)險(xiǎn)識(shí)別是找出影響項(xiàng)目質(zhì)量、進(jìn)度、投資等目標(biāo)順利實(shí)現(xiàn)的主要風(fēng)險(xiǎn)源,是風(fēng)險(xiǎn)管理的第1步,常用的風(fēng)險(xiǎn)識(shí)別方法有專家調(diào)查法、幕景分析法和故障樹分析法等。進(jìn)行風(fēng)險(xiǎn)識(shí)別時(shí),風(fēng)險(xiǎn)管理者不僅要識(shí)別所發(fā)現(xiàn)或推測(cè)的因素是否存在不確定性,而且要確認(rèn)這種不確定性是客觀存在的;將識(shí)別的風(fēng)險(xiǎn)一一列出后,就建立了風(fēng)險(xiǎn)