Ein neuartiger Ansatz mit einem Fuzzy-Sliding-Mode-Proportional-Integral-Regelungsalgorithmus, abgestimmt durch die Fuzzy-Methode (FSMPIF)

Nov 27, 2023

Scientific Reports Band 13, Artikelnummer: 7327 (2023) Diesen Artikel zitieren

226 Zugriffe

Details zu den Metriken

Die Vibrationen eines Automobils können durch Anregungen der Straßenoberfläche verursacht werden. Die Änderung der Weg- und Beschleunigungswerte der gefederten Masse wird zur Bewertung der Fahrzeugschwingungen herangezogen. Um den Fahrkomfort zu erhöhen, empfiehlt sich der Einsatz eines aktiven Federungssystems. In diesem Artikel wird eine neuartige Strategie zur Regelung des Betriebs eines aktiven Federungssystems vorgestellt, die zur Prüfung vorgelegt wurde. Als Grundlage für die Entwicklung des FSMPIF-Algorithmus dienten der PI-Algorithmus (Proportional Integral), der SMC-Algorithmus (Sliding Mode Control) und der Fuzzy-Algorithmus. Das vom SMC-Algorithmus erzeugte Signal wird als Eingabe für den Fuzzy-Algorithmus verwendet. Darüber hinaus werden die Einstellungen des PI-Reglers mit Hilfe eines weiteren Fuzzy-Algorithmus verändert. Diese beiden Fuzzy-Methoden arbeiten unabhängig voneinander und in einer völlig unterschiedlichen Umgebung. Dieser Algorithmus wurde auf völlig originelle und neuartige Weise erstellt. Mithilfe einer numerischen Modellierungstechnik werden die Vibrationen von Automobilen untersucht, wobei der Schwerpunkt auf zwei unterschiedlichen Nutzungssituationen liegt. Es erfolgt jeweils ein Vergleich zwischen vier verschiedenen Sachverhalten. Sobald die FSMPIF-Methode implementiert ist, haben die Ergebnisse des Simulationsprozesses gezeigt, dass die Werte für Verschiebung und Beschleunigung der gefederten Masse deutlich verringert werden. Dies wurde durch Betrachtung der Werte vor und nach der Implementierung des neuen Algorithmus ermittelt. Im ersten Fall überschreiten diese Werte nicht mehr als 2,55 % im Vergleich zu Fahrzeugen mit passiven Federungssystemen. Im zweiten Fall liegen diese Zahlen insgesamt unter 12,59 %. Als direkte Folge wurden Stabilität und Komfort des Fahrzeugs deutlich verbessert.

Komfort und Stabilität des Fahrzeugs sind entscheidende Faktoren. Dies kann den Komfort der Fahrzeuginsassen beeinträchtigen. Das Federungssystem garantiert den richtigen Fahrkomfort1. Typischerweise befindet sich das Federungssystem zwischen der Fahrzeugkarosserie und dem Rad. Die Komponenten über einem Federungssystem werden als gefederte Masse (Fahrzeugkarosserie) bezeichnet. Die Komponenten unterhalb eines Federungssystems werden als ungefederte Masse2 bezeichnet. Die Hauptkomponenten eines Aufhängungssystems sind ein Stoßdämpfer, Hebelarme (oberer oder unterer Hebelarm) und Federn (Schraubenfeder, Blattfeder)3. Bestimmten Studien zufolge ist der Stabilisator auch eine Komponente des Federungssystems4,5. Im Vergleich zu anderen Systemen ist der Aufbau des Federungssystems relativ komplex.

Laut Zuraulis et al.6 sind unebene Straßenoberflächen die Hauptquelle für Fahrzeugvibrationen. Mehrere weitere Variablen können ebenfalls zu Variationen beitragen. Der Einfluss dieser Variablen ist jedoch vernachlässigbar. Radvibrationen werden über das Federungssystem auf die Karosserie übertragen. Das Federungssystem reguliert diese Vibrationen. Darüber hinaus verringert das Federungssystem die Vibrationsenergie. Bei der Analyse der Schwingungen eines Fahrzeugs werden mehrere Faktoren berücksichtigt, entscheidend sind jedoch die Verschiebungs- und Beschleunigungswerte der gefederten Masse. Diese beiden Marker wurden in viel früherer Forschung verwendet7,8. Die Verschiebung und Beschleunigung einer Fahrzeugkarosserie kann durch Simulation oder Experiment ermittelt werden. Für diskontinuierliche Vibrationen sollten nur die höchsten Werte für die Verschiebung und Beschleunigung der Fahrzeugkarosserie berücksichtigt werden. Für kontinuierliche Vibrationen können die Mittel- und Maximalwerte der beiden oben genannten Parameter verwendet werden. RMS kritisch ermöglicht die Berechnung von Mittelwerten9,10,11.

Die Leistung des passiven Federungssystems (mechanisches Federungssystem) ist schlecht. Es erfüllt nicht die Anforderungen an die Glätte bei hohen Frequenzen und kontinuierlichen Volumenanregungen. Stattdessen sollten mechatronische Fahrwerkslösungen zum Einsatz kommen. Zhang et al. präsentierte die pneumatische Federung12. Dieses System nutzt Ballons mit vollständig automatisierten Steuerungssystemen. Bei diesen pneumatischen Ballons handelt es sich um pneumatische Federn mit variabler Steifigkeit13. Die Härte pneumatischer Federn kann durch Einstellen des Drucks in pneumatischen Ballons verändert werden. Dies wurde von Geng et al.14 betont. Wenn ein Fahrzeug mit einer Luftfederung ausgestattet ist, ist die Fahrqualität gut. Allerdings ist dieser Typ ziemlich teuer. Der Einsatz elektromagnetischer Absorber als Ersatz für herkömmliche Absorber, die oft als „semiaktives Federungssystem“ bezeichnet werden, ist eine weitere von Oh et al.15 vorgestellte Technologie. Laut Basargan et al. verändert der Strom im Dämpfer die Anordnung der Metallpartikel in seiner Umgebung. Dadurch ist die Dämpfungssteifigkeit kontinuierlich variabel16. Diese Art ist einfacher und kostengünstiger. Ihre Wirksamkeit ist jedoch typisch. Um die Vibrationen des Fahrzeugs besser bewältigen zu können, ist ein zusätzlicher Aktuator zur Aufrüstung des Federungssystems erforderlich. Basierend auf diesem Ansatz wurde ein aktives Federungssystem implementiert17. Das aktive Federungssystem umfasst einen hydraulischen Aktuator. Dieser Aktuator kann von zwei Seiten Kraft auf die Fahrzeugmasse ausüben. Folglich wird sich seine Leistung verbessern. Dennoch wird die Konstruktion des Federungssystems komplexer. Darüber hinaus ist eine aktive Federung teurer als ein semiaktives Federungssystem.

In letzter Zeit wurden mehrere Veröffentlichungen zur Steuerung von Federungssystemen veröffentlicht. Nguyen schlug für den i18 vor, den doppelten kombinierten PID-Regler (Proportional Integral Derivative) für das Vierteldynamikmodell des Fahrzeugs zu verwenden. Dieser integrierte Doppelcontroller besteht aus zwei separaten Controllern. Jeder Komponentencontroller regelt einen bestimmten Parameter. Die Parameter KP, KI und KD des PID-Reglers müssen geeignet gewählt werden. Wenn anstelle eines PID-Reglers ein FOPID-Regler (Fractional Order Proportional Integral Derivative) verwendet wird, verdoppelt sich die Anzahl der Variablen19. Han et al.20 haben eine Fuzzy-Methode entwickelt, um diese Einstellungen zu ändern. Nach der Demonstration von Mahmoodabadi und Nejadkourki21 kann sich der Wert dieser drei Faktoren kontinuierlich ändern. Darüber hinaus wurden intelligente Algorithmen eingesetzt, um die PID-Reglereinstellungen22,23,24 zu optimieren. Für Systeme mit mehreren Objekten sind entweder LQR- (Linear Quadratic Regulator) oder LQG- (Linear Quadratic Gaußian) Steuerungsalgorithmen vorzuziehen25. Durch die Reduzierung der Kostenfunktion trägt dieser Ansatz zur Optimierung der Fahrzeugvibrationen bei26. Häufig werden die oben genannten Techniken zum Betrieb linearer Systeme eingesetzt. Für nichtlineare Systeme muss die SMC-Methode verwendet werden. Laut Azizi und Mobki gleiten die Objekte über die Oberfläche. Das Objekt bewegt sich dann in Richtung des Gleichgewichtspunkts27. Laut Nguyen ist eine Gleitfläche eine komplizierte Funktion, die vom Fehlersignal des Controllers abhängt28. Die Auswertung des Fehlersignals erfolgt über die Ableitung höherer Ordnung. Um das Problem zu lösen, ist es wichtig, einen hydraulischen Aktuator zu linearisieren. Diese Informationen wurden von Nguyen et al.11 bereitgestellt. Durch die Kombination der SMC- und Fuzzy-Techniken wird die Leistung verbessert29. Dies wurde von Chen et al. in30, als sie eine Kombination aus SMC- und Fuzzy-Algorithmen für das nichtlineare System verwendeten. Darüber hinaus tragen die adaptiven Fuzzy-Algorithmen auch dazu bei, den Fehlerzustand des Systems besser zu beobachten31. Viele weitere intelligente Regelalgorithmen wurden auch auf die Federungssteuerung angewendet. In32, Liu et al. führte den ANN-Algorithmus (Adaptive Neural Network) für die aktive Federung mit Einschränkungen in Bezug auf Fahrzeuggeschwindigkeit und Hubraum ein. Die Parameter der Regler für die Suspension können durch Methoden wie GA (Genetischer Algorithmus)33 oder PSO (Particle Swarm Optimization)34 optimal ausgewählt werden. Einige Techniken, die künstliche Intelligenz zum Entwurf der Federungssteuerung nutzen, wurden auch auf schwere Lkw angewendet35. Darüber hinaus sind mehrere Steuermethoden für Aufhängungssysteme äußerst effizient36,37.

Um die Anforderungen an den Fahrkomfort des Automobils zu erfüllen, ist es von entscheidender Bedeutung, die Funktion des Federungssystems zu regulieren. Die Autoren bieten in dieser Arbeit einen originellen Steuerungsalgorithmus, FSMPIF, an, der auf vier unterschiedlichen Perspektiven basiert. Außerdem wird im Inhalt des Artikels das Verfahren zum Controller-Entwurf beschrieben. Darüber hinaus wird ein numerischer Simulationsansatz zur Analyse der Schwingungen des Automobils eingesetzt. Dieser Artikel besteht aus vier Abschnitten. Im Abschnitt „Einführung“ werden einige Konzepte und Literaturübersichten erläutert. Im Abschnitt „Modelle“ erläutern die Autoren den Prozess der Erstellung eines Fahrzeugdynamikmodells und eines Steuerungsalgorithmus. Der Berechnungs- und Simulationsprozess wird im nächsten Abschnitt „Ergebnisse und Diskussionen“ durchgeführt. Abschließend werden im Abschnitt „Schlussfolgerungen“ einige Kommentare angegeben. In den folgenden Abschnitten des Artikels werden spezifische Details angeboten.

Zunächst ist die Entwicklung eines Dynamikmodells der Fahrzeugschwingungen erforderlich. Diese Forschung verwendete ein Vierteldynamikmodell mit zwei Massen; ms erzeugt die vertikale Verschiebung zs, während mu die vertikale Verschiebung zu erzeugt (Abb. 1).

Ein Vierteldynamikmodell.

Die Differentialgleichungen, die Fahrzeugschwingungen beschreiben, sind wie folgt aufgeführt:

Wo:

Ersetzen der Gleichungen. (3) bis (8) in Gl. (1) und (2) ergibt:

Das Stellsignal des Aktors, u(t), wird von seinem Regler bestimmt. Es wird ein völlig innovativer Steuerungsalgorithmus namens FSMPIF vorgeschlagen. Dieser Algorithmus wurde unter Berücksichtigung der folgenden Perspektiven entwickelt:

Erstens bietet der PI-Algorithmus eine stabilere Reaktion, während der Fuzzy-Algorithmus anpassungsfähiger ist. Beide Komponenten müssen gleichzeitig im Steuersignal vorhanden sein. Daher sind diese beiden Algorithmen erforderlich, um ein endgültiges Steuersignal zu kombinieren.

Zweitens müssen die Einstellungen des PI-Algorithmus entsprechend angepasst werden. Diese Werte müssen geändert werden, um den Anregungssignalen der Fahrbahn Rechnung zu tragen. Sie müssen daher durch ein Fuzzy-System gesteuert werden. Die Vibration der Fahrzeugkarosserie ist das Eingangssignal für den ersten Fuzzy-Regler.

Drittens ist es wichtig, einen nichtlinearen Steueralgorithmus zu entwerfen, um die Stabilitätsanforderungen des Systems zu erfüllen, da die Fahrzeugvibrationen nichtlinear sind. Für diese Funktion eignet sich der SMC-Algorithmus. Das Ausgangssignal der SMC-Technik dient als Eingangssignal für den im ersten Punkt beschriebenen zweiten Fuzzy-Regler.

Viertens ist der zweite Fuzzy-Regler ein entscheidender Bestandteil des integrierten Reglers. Folglich besteht das Signal des zweiten Fuzzy-Reglers aus drei Komponenten: dem Ausgangssignal des zuvor beschriebenen SMC-Algorithmus, dem Fehlersignal des PI-Algorithmus und dem Vibrationssignal der Fahrzeugkarosserie.

Auf der Grundlage der obigen Überlegungen wurde die Technik „Fuzzy Sliding Mode Proportional Integral Tuned by Fuzzy“ (FSMPIF) vorgeschlagen. Dieser Algorithmus erfüllt alle Systemstabilitätskriterien. Abbildung 2 zeigt den Schaltplan des Systems.

Kontrollsystem.

Der Fahrzeugkomfort kann anhand von Werten gemessen werden, die mit Fahrzeugschwingungen in Zusammenhang stehen, beispielsweise der Verschiebung und Beschleunigung der gefederten Masse. Diese Werte werden direkt von den im Fahrzeug verbauten Sensoren gemessen. Das vom Sensor erhaltene Ergebnis ist das Rückmeldungssignal des Systems (Abb. 2). Bei der Bewertung des Fahrkomforts berücksichtigen wir häufig den Durchschnitts-, RMS- oder Maximalwert.

Synthese der endgültigen Steuersignale u(t) aus den Zweikomponentensignalen u1(t) und u2(t).

Das erste Elementsignal, u1(t), ist das Ausgangssignal des PI-Reglers.

wobei: e(t): das Fehlersignal des PI-Reglers, xs(t): Sollwertsignal, x(t): Ausgangssignal.

Dieses Sollsignal sollte Null sein, damit die Fahrzeugkarosserie möglichst wenig vibriert. Es impliziert:

Unter dem ersten Gesichtspunkt müssen die Einstellungen des PI-Reglers kontinuierlich angepasst werden, um den Anforderungen des Systems gerecht zu werden. Daher ist die Optimierung dieser Einstellungen mit einem Fuzzy-System eine praktikable Option. Dies ist der erste Controller für Fuzzy. Der Eingang dieses Reglers ist der Verschiebungswert der gefederten Masse. Abbildung 3 zeigt die Mitgliedschaftsfunktion dieses Controllers. Diese Funktion wurde aus der Sicht des Autors entwickelt. Sobald die Fahrzeugkarosserie vibriert, wird ein Steuersignal gesendet. Gleichung (12) kann auch ausgedrückt werden als:

Mitgliedschaftsfunktionen des ersten Fuzzy-Controllers.

Das Ausgangssignal des zweiten Fuzzy-Reglers ist das zweite Komponentensignal des integrierten Reglers, u2(t), auch Zentralregler genannt. Die Eingangssignale für diesen Controller sind u21(t), u22(t) und u23(t).

Das anfängliche Eingangssignal u21(t) repräsentiert die Fahrzeugkarosserieverschiebung. Das Fehlersignal des PI-Reglers ist das zweite Eingangssignal, u22(t). Es multipliziert einen Verstärkungsfaktor (kgf) mit diesem Signal.

Das Ausgangssignal des SMC-Controllers ist das letzte Eingangssignal u23(t). Ein SMC-Controller ist ein integraler Bestandteil der integrierten Steuerung.

Betrachten Sie ein nichtlineares Kontrollobjekt mit u(t) als Eingangssignal und y(t) als Ausgangssignal. Eine durch die Komponentenableitungssignale und die Eingangssignale bestimmte Funktion wird als n-te Ableitung des Ausgangssignals bezeichnet.

In diesem Szenario wird davon ausgegangen, dass die Funktion f(y) begrenzt ist und einer Unsicherheit unterliegt, d. h

Die Werte der Zustandsvariablen des Modells seien wie folgt:

Das Modell des Objekts wird als System von Zustandsgleichungen wie folgt zurückgegeben:

Unter der Annahme, dass das Sollwertsignal Null ist, garantiert Bedingung (21) die Existenz eines modellierten Signal-Antwort-Reglers, wann immer das nichtlineare Objekt (22) eingeschränkt wird. In diesem Fall kann das Befehlssignal wie folgt umformuliert werden:

wobei: s(e): Gleitfläche (wenn s(e) = 0), e(t): Fehlersignal.

Die Bi-Koeffizienten der Gleitfläche müssen korrekt eingestellt sein, damit (26) ein Hurwitz-Polynom ist. Wenn diese Bedingung erfüllt ist, gehen Zustandsvariablen nach einer bestimmten Zeit auf Null zurück (27).

Wegen:

Infolgedessen ist die Gl. (27) kann wie folgt geschrieben werden:

wobei: T ein endlicher Zeitpunkt ist.

Wenn die Gleichung s(e) = 0 Koeffizienten bi enthält, die die Hurwitz-Polynom-Bedingung (26) erfüllen, tendiert die Gleitfläche s(e) gegen Null, d. h

Der Gleitzustand (Gleitfläche) des Reglers wird durch Gl. definiert. (30). Aus (22), (24) und (30) erhalten wir Folgendes:

Wenn s(e) kleiner als Null ist, ist der Wert von (31) positiv; andernfalls ist es negativ. Das Steuersignal u(t) kann durch Kombination von (20) und (31) wie folgt umgeschrieben werden:

Das Steuersignal u(t), wie durch Gl. (32) ist unabhängig von (22). Daher gilt er als zuverlässiger Regler. Wenn Bedingung (20) nicht erfüllt ist, muss eine Obergrenze der Funktion f(y(x)) definiert werden, d. h

Dann lautet die Bedingung:

Herkömmliche SMC-Steuerungsalgorithmen verursachen jedoch immer noch häufig das in38 von Slotine und Li erwähnte „Chattering“-Phänomen.

Die Vorgehensweise zum Entwurf eines SMC-Controllers ist in28 beschrieben. Gemäß9 kann das Ausgangssignal des SMC-Controllers wie folgt geschrieben werden:

Das zweite Komponentensignal ist eine komplizierte Funktion des Fahrzeugkarosserievibrationssignals, wenn Gl. (16), (17), (18) und (19) werden kombiniert.

wobei: χ der Verhältniskoeffizient zwischen den Trägheitskräften ist. Darauf sollte in 28 verwiesen werden.

Abbildung 4 zeigt die Zugehörigkeitsfunktion dieses Ansatzes. Das Defuzzifizierungsverfahren erfolgt nach den in Tabelle 1 und Abb. 5 angegebenen Fuzzy-Regeln.

Mitgliedschaftsfunktionen des zweiten Fuzzy-Controllers.

Unscharfe Oberfläche.

Der Ansatz dieser Studie ist die numerische Simulation. Dieser Ansatz nutzt das MATLAB-Simulink-Ökosystem. Die Spezifikationen des Fahrzeugs sind in Tabelle 2 aufgeführt. Diese Parameter wurden aus der CARSIM®-Anwendung übernommen und leicht modifiziert. Es wurden zwei Fallstudien durchgeführt, die zwei Formen der Fahrbahnoberflächenerregung entsprechen (Abb. 6). In jedem Szenario wird die Vibration eines Fahrzeugs unter vier Bedingungen bewertet: passive Federung, PID, SMC und FSMPIF. Mit der Straßenunebenheit als Eingangserregungssignal ist das Ausgangssignal des Systems die Verschiebung und Beschleunigung der Fahrzeugkarosserie. Maximale und durchschnittliche (RMS-berechnete) Ergebnisse für jede Erkrankung werden verglichen.

Unebenheiten auf der Straße.

Im ersten Fall wird eine Fahrbahnoberflächenerregung in sinuszyklischer Form genutzt. Nach dieser Regel variieren die Verschiebung und Beschleunigung der Fahrzeugkarosserie zyklisch. Abbildung 7 zeigt die Änderung der Verschiebung der gefederten Masse über die Zeit. Wenn ein Auto über ein mechanisches Federungssystem verfügt, kann sein maximaler Hub 100,83 (mm) erreichen. Dieser Wert kann durch den Einsatz eines aktiven Federungssystems gesenkt werden. Dieses Ergebnis zeigt, dass die Fahrzeugkarosserieverschiebung nur 61,72 (mm) bzw. 39,84 (mm) beträgt, wenn die PID- und SMC-Algorithmen das aktive Federungssystem verwalten. Insbesondere wenn der FSMPIF-Algorithmus zur Steuerung eines aktiven hydraulischen Federungssystems verwendet wird, kann der maximale Verschiebungswert drastisch sinken und etwa 1,55 (mm) erreichen. Im Vergleich zum Ausgangszustand sind es lediglich 1,54 %. Das ist ein äußerst positives Ergebnis.

Verschiebung der Fahrzeugkarosserie (Fall 1).

Bei der Beurteilung der Fahrzeugstabilität muss auch ein mittlerer Vibrationswert berücksichtigt werden. Dieser Wert kann mithilfe des RMS-Standards ermittelt werden. Den simulierten Daten zufolge erreichte die durchschnittliche Verschiebung der gefederten Masse 65,60 (mm), 43,60 (mm), 28,16 (mm) und 0,95 (mm) für die vier Untersuchungsszenarien. Unter Verwendung des Werts des ersten Szenarios als Referenz können die folgenden Zahlen äquivalent in 100 %, 66,46 %, 42,93 % bzw. 1,45 % umgewandelt werden.

Die Beschleunigung einer gefederten Masse kann zur Beurteilung ihrer Schwingungen genutzt werden. In dieser Arbeit konnte der Wert der Vertikalbeschleunigung untersucht werden. Das Diagramm in Abbildung 8 zeigt, dass die größte vertikale Beschleunigung für vier simulierte Bedingungen 1,96 (m/s2), 1,91 (m/s2), 1,64 (m/s2) und 0,05 (m/s2) beträgt, in dieser Reihenfolge. Aufgrund des kontinuierlichen Charakters dieser Schwingung kann der Durchschnittswert auch anhand der RMS-Kriterien ermittelt werden. Die durchschnittliche Vertikalbeschleunigung eines Autos mit passiver Federung kann 0,67 (m/s2) erreichen. Diese Zahl kann drastisch auf bis zu 0,01 (m/s2) gesenkt werden, wenn die vom FSMPIF-Algorithmus gesteuerte aktive Federung verwendet wird. Diese Diskrepanz ist riesig. Dadurch können Komfort und Stabilität des Fahrzeugs deutlich gesteigert werden.

Beschleunigung der Fahrzeugkarosserie (Fall 1).

Betrachtet man die Änderung des Beschleunigungswerts in Prozent, ist deutlich zu erkennen, dass der Durchschnittswert der Beschleunigung bei Verwendung des FSMPIF-Algorithmus nur 1,49 % beträgt, verglichen mit der Situation des Fahrzeugs ohne den Controller für das Federungssystem. Bezogen auf die SMC-Situation und das PID-Szenario erreichen diese Zahlen 43,28 % bzw. 64,18 %. Was die Verwendung des Maximalwerts im Vergleich betrifft: Wenn der Wert der Passiv-Situation auf 100 % festgelegt ist, betragen die Werte der anderen drei Szenarien nur 2,55 %, 83,67 % und 97,45 %. Der Unterschied zwischen der FSMPIF- und der Passiv-Situation ist sehr groß, während der Unterschied zwischen dem SMC und dem PID mit der Passiv-Situation nicht groß ist. Dies trägt weiter dazu bei, die Effizienz des in diesem Artikel vorgeschlagenen neuen Algorithmus zu demonstrieren.

Das Steuersignal für das System ist in Abb. 9 dargestellt. Gemäß diesem Ergebnis ist der Spannungswert in der FSMPIF-Situation am höchsten, nimmt jedoch mit der Zeit ab, um zu einem stabilen Schwellenwert zurückzukehren. Dies steht im Einklang mit dem in Abb. 8 dargestellten Ergebnis der Karosseriebeschleunigung. Unterdessen ist das Ausgangssignal des herkömmlichen SMC-Reglers instabil, was auch als „Rattering“-Phänomen bekannt ist. Das Steuersignal des PID-Algorithmus ist stabiler, aber seine Reaktion ist nicht gut (er führt zu stärkeren Schwankungen der Karosserie als SMC und FSMPIF).

Steuersignal (Fall 1).

Im zweiten Szenario wird eine zufällige Fahrbahnstimulation genutzt. Dies ist die tatsächliche Art des Straßenbelags. In diesem Fall sind Amplitude und Frequenz der Schwingungen deutlich größer als im vorherigen Fall. Zwei Ergebnisse, darunter die Verschiebung und Beschleunigung der Fahrzeugkarosserie, sind mit denen in früheren Szenarien vergleichbar. Zusätzlich sollten die Maximal- und Durchschnittswerte angegeben werden. Die maximal zulässige Karosserieverschiebung beträgt 91,90 (mm) (Abb. 10). Diese Zahl kann um fast die Hälfte auf 48,29 (mm) verringert werden, wenn der PID-Algorithmus die aktive Federung übernimmt. Diese Zahl kann weiter verringert werden, indem der PID-Algorithmus durch die SMC-Methode ersetzt wird, die nur 31,27 (mm) benötigt. Sobald die in diesem Artikel vorgestellte neue Methode FSMPIF verwendet wird, kann der maximale Verschiebungswert drastisch auf 2,15 (mm) sinken. Die durchschnittlichen Vibrationswerte betragen 34,84 (mm), 17,48 (mm), 11,84 (mm) und 0,71 (mm). Bis zum 49,07-fachen ist die Differenz zwischen den Messwerten möglich.

Verschiebung der Fahrzeugkarosserie (Fall 2).

In dieser Situation ist der Beschleunigungswert der Fahrzeugkarosserie relativ groß. Dies kann die Fahrqualität des Fahrzeugs während der Fahrt beeinträchtigen. Diese Werte ändern sich im Laufe der Simulationszeit regelmäßig (Abb. 11). Die maximale Beschleunigung für ein Auto mit passiver Federung beträgt 13,45 (m/s2). Wenn eine aktive Federung mit SMC- oder PID-Algorithmen verwendet wird, kann der Beschleunigungswert umfangreicher sein. Dies beeinträchtigt den Komfort des Fahrzeugs. Erst nach Implementierung des FSMPIF-Algorithmus sinkt der Vertikalbeschleunigungswert. Dieser Rückgang ist erheblich und liegt bei knapp 1,30 (m/s2). Bei den beiden Algorithmen SMC und PID ist der Prozentsatz des maximalen Beschleunigungswerts sogar noch signifikanter als bei Passiv (102,30 % bzw. 106,17 %). Mittlerweile beträgt der zum FSMPIF gehörende Wert nur noch 9,67 %. Darüber hinaus betragen die aus der Berechnung erhaltenen Durchschnittswerte 12,59 %, 102,29 % bzw. 108,24 % im Vergleich zu Passiv. Folglich kann der Einsatz dieser innovativen Technik die Fahrzeugstabilität erhöhen.

Beschleunigung der Fahrzeugkarosserie (Fall 2).

Die Ergebnisse der Simulation sind in Tabelle 3 dargestellt. Die prozentualen Unterschiede zwischen den Werten sind in Tabelle 4 dargestellt.

Im zweiten Fall ändert sich das Steuersignal kontinuierlich. Amplitude und Frequenz des Steuersignals sind größer als im ersten Fall (Abb. 12). Das „Chattering“-Phänomen tritt auch dann noch auf, wenn nur der herkömmliche SMC-Algorithmus verwendet wird. Mittlerweile trägt der FSMPIF-Algorithmus dazu bei, dieses Phänomen wirksamer einzudämmen.

Steuersignal (Fall 2).

Die Unebenheit der Straßenoberfläche kann dazu führen, dass die Fahrzeugkarosserie vibriert. Diese Vibration beeinträchtigt den Fahrkomfort der Passagiere. Um dieses Problem zu lösen, wird daher ein aktives Federungssystem eingesetzt. Die Steuerung des aktiven Federungssystems hat einen erheblichen Einfluss auf dessen Leistung. In diesem Artikel wird der Algorithmus zur aktiven Federungssteuerung FSMPIF beschrieben. Der vom Autor vorgeschlagene Algorithmus ist streng. Diese Methode ist eine Kombination aus intelligenter Steuerung, linearer Steuerung und nichtlinearer Steuerung.

Zur Ermittlung der Vibrationswerte werden die Weg- und Beschleunigungsdaten der Fahrzeugkarosserie genutzt. Durch numerische Simulation werden diese Werte ermittelt. Simulationsergebnisse deuten darauf hin, dass bei Verwendung des FSMPIF-Algorithmus zur Regelung des aktiven Federungssystems die Verschiebungs- und Beschleunigungswerte der Karosserie deutlich verringert werden. In beiden untersuchten Fällen sind die Maximal- und Mittelwerte der Verschiebung und Beschleunigung im Vergleich zu anderen Umständen gering. Dadurch wurden Laufruhe und Komfort des Fahrzeugs verbessert. Diese neue Methode liefert positive Ergebnisse. Diese Methode ist jedoch ziemlich kompliziert. Daher sollte es in Zukunft vereinfacht werden, um auf mechatronische Systeme im Automobil angewendet zu werden. Darüber hinaus müssen Fahrzeugvibrationstests durchgeführt werden, um die Wirksamkeit dieses neuen Kontrollmechanismus zu bestätigen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Satyanarayana, VSV, Sateesh, B. & Rao, NM Parameteroptimierung des Fahrzeugfederungssystems für besseren Fahrkomfort. Int. J. Veh. Ausführen. 4(2), 186–199. https://doi.org/10.1504/IJVP.2018.090956 (2018).

Artikel Google Scholar

Yin, J. et al. Untersuchung der äquivalenten ungefederten Masse und der nichtlinearen Eigenschaften elektromagnetisch betätigter aktiver Federung. Schock-Vibration. https://doi.org/10.1155/2015/624712 (2015).

Artikel Google Scholar

Georgiev, Z. & Kunchev, L. Untersuchung des Schwingungsverhaltens der Komponenten der Fahrzeugaufhängung. MATEC Web Conf. 234(1), 02005. https://doi.org/10.1051/matecconf/201823402005 (2018).

Artikel Google Scholar

Nguyen, TA Verhinderung des Überschlagphänomens des Fahrzeugs durch Verwendung des hydraulischen Stabilisators, der von einem Fuzzy-Regler mit zwei Eingängen gesteuert wird. IEEE Access 9, 129168–129177. https://doi.org/10.1109/ACCESS.2021.3114023 (2021).

Artikel Google Scholar

Nguyen, TA Verbesserung der Stabilität des Personenkraftwagens durch Verwendung eines aktiven Stabilisators, der durch die Fuzzy-Methode gesteuert wird. Komplexität https://doi.org/10.1155/2021/6569298 (2021).

Artikel Google Scholar

Zuraulis, V., Levulyte, L. & Sokolovskij, E. Der Einfluss der Straßenunebenheit auf die Kontaktdauer zwischen einem Fahrzeugrad und der Straßenoberfläche. Transport 29(4), 430–438. https://doi.org/10.3846/16484142.2014.984330 (2014).

Artikel Google Scholar

Fu, ZJ & Dong, XY H∞ optimale Steuerung aktiver Fahrzeugaufhängungssysteme in zwei Zeitskalen. Automatika 62(2), 284–292. https://doi.org/10.1080/00051144.2021.1935610 (2021).

Artikel Google Scholar

Meng, Q. et al. Studie zur Steuerungsmethode des aktiven Fahrzeugaufhängungssystems basierend auf einem homogenen Dominanzansatz. Asiatische J. Kontrolle https://doi.org/10.1002/asjc.2242 (2019).

Artikel Google Scholar

Nguyen, DN & Nguyen, TA Ein neuartiger Hybrid-Steuerungsalgorithmus im Gleitmodus-PID für das aktive Federungssystem mit Zustandsmultivariable. Komplexität https://doi.org/10.1155/2022/9527384 (2022).

Artikel Google Scholar

Nguyen, DN, Nguyen, TA & Dang, ND Ein neuartiger Sliding-Mode-Steuerungsalgorithmus für ein aktives Federungssystem unter Berücksichtigung des hydraulischen Aktuators. Latein Am. J. Feststoffstruktur. 19(1), e424. https://doi.org/10.1590/1679-78256883 (2022).

Artikel Google Scholar

Kou, FR, Wei, DD & Tian, ​​L. Multimode-Koordinationssteuerung einer hybriden aktiven Federung. Schock-Vibration. https://doi.org/10.1155/2018/6378023 (2018).

Artikel Google Scholar

Zhang, Z. et al. Semiaktive Regelung der Luftfederung mit Zusatzkammer, abhängig von Parameterunsicherheiten und Zeitverzögerung. Int. J. Robust Nonlinear Control 30(9), 20. https://doi.org/10.1002/rnc.5169 (2020).

Artikel MathSciNet Google Scholar

Nguyen, TA Erhöhen Sie die Stabilität des Fahrzeugs durch den Einsatz des pneumatischen Federungssystems, das in den hydraulischen Aktuator integriert ist. Latein Am. J. Feststoffstruktur. 18(7), e403. https://doi.org/10.1590/1679-78256621 (2021).

Artikel Google Scholar

Geng, G. et al. Kooperative Steuerung der vernetzten Luftfederung auf Basis der Optimierung des Energieverbrauchs. Schock-Vibration. https://doi.org/10.1155/2022/3640268 (2022).

Artikel Google Scholar

Oh, JS et al. Dynamische Analyse des semiaktiven MR-Aufhängungssystems unter Berücksichtigung der Reaktionszeit und der Dämpfungskraftkurve. J. Intell. Mater. Syst. Struktur. 32(13), 1462–1472. https://doi.org/10.1177/1045389X20983920 (2021).

Artikel Google Scholar

Basargan, H. et al. Eine LPV-basierte online rekonfigurierbare adaptive semiaktive Federungsregelung mit MR-Dämpfer. Energies 15(10), 3648. https://doi.org/10.3390/en15103648 (2022).

Artikel Google Scholar

Hsiao, CY & Wang, YH Bewertung des Fahrkomforts für ein aktives Federungssystem basierend auf einer selbstabstimmenden Fuzzy-Sliding-Mode-Steuerung. Int. J. Steuerung Autom. Syst. 20, 1131–1141. https://doi.org/10.1007/s12555-020-0736-7 (2022).

Artikel Google Scholar

Nguyen, TA Verbesserung des Komforts des Fahrzeugs durch den Einsatz des aktiven Federungssystems, das durch den doppelt integrierten Controller gesteuert wird. Schock-Vibration. https://doi.org/10.1155/2021/1426003 (2021).

Artikel Google Scholar

Dong, X. et al. Steuerung eines aktiven Aufhängungsaktuators in gebrochener Ordnung basierend auf einem parallelen adaptiven klonalen Auswahlalgorithmus. J. Mech. Wissenschaft. Technol. 30(6), 2769–2781. https://doi.org/10.1007/s12206-016-0538-2 (2016).

Artikel Google Scholar

Han, SY et al. Adaptive Fuzzy-PID-Regelungsstrategie für die aktive Fahrzeugfederung basierend auf der Straßenbewertung. Electronics 11(6), 921. https://doi.org/10.3390/electronics11060921 (2022).

Artikel Google Scholar

Mahmoodabadi, MJ & Nejadkourki, N. Optimale fuzzy adaptive robuste PID-Regelung für ein aktives Federungssystem. Aust. J. Mech. Ing. 20(3), 681–691. https://doi.org/10.1080/14484846.2020.1734154 (2022).

Artikel Google Scholar

Dahunsi, OA et al. Proportionale + integrale + abgeleitete Steuerung nichtlinearer elektrohydraulischer Vollfahrzeugaufhängungen unter Verwendung globaler und evolutionärer Optimierungstechniken. J. Niedrigfreq. Noise Vib. Aktive Kontrolle 39(2), 393–415. https://doi.org/10.1177/1461348419842676 (2020).

Artikel Google Scholar

Zineb, B., Abdelaziz, A. & Kheireddine, CH Effizienz eines PID-Reglers basierend auf einem genetischen Algorithmus zur Steuerung eines Viertelwagen-Aufhängungssystems. J. Electron. Berechnen. Netw. Appl. Mathematik. https://doi.org/10.55529/jecnam.22.1.10 (2022).

Artikel Google Scholar

Zahra, AKA & Abdalla, TY Eine ABC-optimierte adaptive Fuzzy-Sliding-Mode-Steuerungsstrategie für ein aktives Aufhängungssystem für das gesamte Fahrzeug. Irakischer J. Elektr. Elektron. Ing. https://doi.org/10.37917/ijeee.17.2.17 (2021).

Artikel Google Scholar

Nguyen, ML et al. Anwendung des MIMO-Steuerungsalgorithmus für aktive Federungssysteme: Ein neues Modell mit 5 Zustandsvariablen. Latein Am. J. Feststoffstruktur. 19(2), e435. https://doi.org/10.1590/1679-78256992 (2022).

Artikel Google Scholar

Patra, AK Backstepping LQG-Controller-Design zur Stabilisierung und Trajektorienverfolgung des Fahrzeugaufhängungssystems. SN Appl. Wissenschaft. 2, 190. https://doi.org/10.1007/s42452-020-1945-7 (2020).

Artikel Google Scholar

Azizi, A. & Mobki, H. Angewandte Mechatronik: Entwurf eines Sliding-Mode-Controllers für ein aktives Federungssystem. Komplexität https://doi.org/10.1155/2021/6626842 (2021).

Artikel Google Scholar

Nguyen, TA Erhöhen Sie die Effizienz eines aktiven Aufhängungssystems durch den Sliding-Mode-Steuerungsalgorithmus mit fünf Zustandsvariablen. IEEE Access 9, 164368–164378. https://doi.org/10.1109/ACCESS.2021.3134990 (2021).

Artikel Google Scholar

Wang, Z. et al. Steuerung des Aufhängungssystems basierend auf der Fuzzy-Slide-Mode-Technik vom Typ 2. Komplexität https://doi.org/10.1155/2022/2685573 (2022).

Artikel Google Scholar

Chen, L. et al. Adaptive Fuzzy-Slide-Mode-Steuerung für netzwerkbasierte nichtlineare Systeme mit Aktuatorausfällen. IEEE Trans. Fuzzy-System. 26(3), 1311–1323. https://doi.org/10.1109/TFUZZ.2017.2718968 (2018).

Artikel Google Scholar

Chen, L. et al. Entwurf von Zustands- und Fehlerbeobachtern für geschaltete Systeme mittels eines adaptiven Fuzzy-Ansatzes. IEEE Trans. Fuzzy-System. 28(9), 2107–2118. https://doi.org/10.1109/TFUZZ.2019.2930485 (2020).

Artikel Google Scholar

Liu, YJ et al. Adaptive neuronale Netzwerksteuerung für aktive Aufhängungssysteme mit zeitlich variierenden vertikalen Verschiebungs- und Geschwindigkeitsbeschränkungen. IEEE Trans. Ind. Elektron. 66(12), 9458–9466. https://doi.org/10.1109/TIE.2019.2893847 (2019).

Artikel Google Scholar

Haemers, M. et al. Proportional-integrale State-Feedback-Regleroptimierung für ein aktives Federungssetup für ein komplettes Fahrzeug unter Verwendung eines genetischen Algorithmus. IFAC-PapersOnline 51(4), 1–6. https://doi.org/10.1016/j.ifacol.2018.06.004 (2018).

Artikel Google Scholar

Zahra, AKA & Abdalla, TY Entwurf eines Fuzzy-Super-Twisting-Gleitmodus-Steuerungsschemas für unbekannte aktive Aufhängungssysteme für Gesamtfahrzeuge unter Verwendung eines Optimierungsalgorithmus für künstliche Bienenvölker. Asian J. Control 23(4), 1966–1981. https://doi.org/10.1002/asjc.2352 (2021).

Artikel Google Scholar

Hamza, A. & Yahia, NB Schwere Lkw mit intelligenter Steuerung der aktiven Federung auf Basis künstlicher neuronaler Netze. Proz. Inst. Mech. Ing. Teil I J. Systems Control Eng. 235(6), 952–969. https://doi.org/10.1177/0959651820958516 (2021).

Artikel Google Scholar

Han, SY & Liang, T. Auf Verstärkungslernen basierende Vibrationskontrolle für ein semiaktives Fahrzeugaufhängungssystem über den PPO-Ansatz. Appl. Wissenschaft. 12(6), 3078. https://doi.org/10.3390/app12063078 (2022).

Artikel CAS Google Scholar

Aela, AMA, Kenne, JP & Mintsa, HA Adaptives neuronales Netzwerk und nichtlineares elektrohydraulisches aktives Federungssteuerungssystem. J. Vib. Kontrolle 28(3–4), 243–259. https://doi.org/10.1177/1077546320975979 (2022).

Artikel MathSciNet Google Scholar

Slotine, JJE & Li, W. Angewandte nichtlineare Steuerung. Bd. 199, Nr. 1 (Prentice Hall, 1991).

Referenzen herunterladen

Thuyloi-Universität, Hanoi, Vietnam

Tuan Anh Nguyen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle zu diesem Artikel gehörenden Inhalte werden von TAN erstellt

Korrespondenz mit Tuan Anh Nguyen.

Der Autor gibt keine Interessenkonflikte an.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Nguyen, TA Ein neuartiger Ansatz mit einem Fuzzy-Gleitmodus-Proportional-Integral-Regelungsalgorithmus, abgestimmt durch die Fuzzy-Methode (FSMPIF). Sci Rep 13, 7327 (2023). https://doi.org/10.1038/s41598-023-34455-7

Zitat herunterladen

Eingegangen: 01. Dezember 2022

Angenommen: 30. April 2023

Veröffentlicht: 05. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-34455-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.