基于神經網絡下的車輛自動控制系統決策算法分析研究

晉軍

（陜西汽車控股集團有限公司 技術中心，西安 710200）

引言

車輛自動控制系統是實現車輛穩定性控制的重要裝置，在進行車輛行駛穩定性控制過程中，受到車輛行駛的環境因素以及車輛發動機抖動等因素的影響，導致車輛的穩定性不好，需要進行車輛自動控制系統決策設計，結合車輛控制的參數優化尋優進行車輛自動控制系統決策睡，提高車輛控制的穩定性，研究車輛自動控制系統決策算法在車輛穩定控制中具有重要意義[1]，相關的車輛自動控制系統決策算法研究受到人們的極大關注。

對車輛自動控制系統決策算法設計是建立在對車輛運行參數的自動尋優基礎上，建立自適應的反饋跟蹤融合控制模型[2]，采用參數量化融合跟蹤識別方法進行車輛自動控制系統決策，傳統方法中，對車輛自動控制系統決策算法主要有空間增益算法、模糊PID控制算法和能量控制算法等[3]，傳統方法進行車輛自動控制系統決策存在計算開銷較大和穩定性不好的問題。對此，本文提出基于神經網絡下的車輛自動控制系統決策算法。構建車輛自動控制系統的行駛動力學和運動學模型，以相位偏移和慣性轉矩為約束參量構建車輛自動控制系統模糊反饋誤差跟蹤融合控制律，采用模糊參數融合和自適應參數調節方法進行車輛自動控制系統決策和模型預測，采用變結構神經網絡控制的方法進行車輛自動控制系統的模糊決策構造，建立車輛自動控制系統決策的約束參數優化模型，采用自適應模糊跟蹤融合識別方法進行車輛自動控制系統決策的參數尋優，實現車輛自動控制系統的優化決策控制。最后進行仿真測試分析，得出有效性結論。

1 車輛自動控制系統的被控對象及約束參量

1.1 車輛自動控制系統的被控對象

為了實現基于神經網絡下的車輛自動控制系統決策算法優化設計，首先構建車輛自動控制系統決策的被控對象模型，采用縱向運動數學模型優化方法建立車輛自動控制系統的運動學模型和動力學模型，采用模糊慣性融合跟蹤控制方法，進行車輛自動控制系統決策中被控參數分析[4]，通過模糊尋優控制方法，進行車輛自動控制和參數尋優，得到控制系統的總體結構如圖1所示。

根據圖1所示的車輛控制系統的總體設計構架，采用二維伺服系統控制模型[5]，構建車輛自動控制的運動方程、慣性導航動力學方程，分別描述為：

用李雅普諾夫函數理論進行車輛自動控制過程中的參數自適應調節，建立車輛自動控制的模糊運動方程組，當車輛自動控制系統質心加速度在鉛垂面內，設計滑動模態的慣性轉矩控制模型進行自適應尋優[6]，得到車輛自動控制的縱向運動數學模型描述為：

式中：

θ—車輛自動控制系統質心的擾動方位角，表示車輛自動控制法向量的夾角；

—滑動模態的俯仰角，車輛自動控制系統的縱軸（Ox1軸）與水平面（Oxy平面）間的夾角；

α—車輛的平穩行駛的小擾動偏移角；

—自適應跟蹤速度；

—能量優化控制的誤差；

m—車輛自動控制系統的質量；

X,Y—作用在車輛自動行駛過程中的渦流側向力；

Mz—俯仰力矩；

圖1 控制系統的總體結構模型

Jz—車輛自動控制系統繞體坐標系各軸的轉動慣量。

根據上述被控對象描述，進行車輛優化控制。

1.2 控制約束參量分析

以相位偏移和慣性轉矩為約束參量構建車輛自動控制系統模糊反饋誤差跟蹤融合控制律，采用模糊參數融合和自適應參數調節方法進行車輛自動控制系統決策和模型預測[7]，模糊參數融合狀態下的運動學方程描述如下：

車輛控制的自動跟蹤控制運動學模型：

車輛控制的偏航參數模型：

車輛自動控制的模糊決策模型：

根據上述構建的車輛自動控制的縱向運動模進行參數尋優，根據車輛發動機電氣比例閥的自身特性，結合車輛自動控制的擾動性進行參數跟蹤，根據系統的位移量進行參數尋優[8]，得到車輛自適應跟蹤控制模型描述為：

式中：

V—系統融合跟蹤的非線性特征量；

m—車輛自身的質量；

h—慣性參數。

以此為控制約束變量，進行擾動性控制，提高車輛控制的穩定性。

2 車輛自動控制系統決策算法優化

2.1 神經網絡控制設計

采用模糊參數融合和自適應參數調節方法進行車輛自動控制系統決策和模型預測，采用變結構神經網絡控制的方法進行車輛自動控制系統的模糊決策構造，變結構神經網絡控制模型如圖2所示。

變結構滑模的擴張狀態觀測變量為VNa、Vk和VL，在神經網絡控制模型的輸入層，分別輸入車輛自動控制系統質心的速度、標準平衡系數和慣性誤差[9]，結合平衡因子進行車輛自動控制和慣性調節，用αm、βm、αh、βh、αn和βn分別表示控制系統V的約束狀態參量，其定義如下：

根據上述定義，結合車輛自動控制系統的平衡狀態模型，采用神經網絡控制方法，得到自適應加權控制函數為：

通過非線性自適應控制方法，提高車輛自動控制系統決策優化能力。

2.2 控制決策算法實現

建立車輛自動控制系統決策的約束參數優化模型，采用自適應模糊跟蹤融合識別方法進行車輛自動控制系統決策的參數尋優，選擇自適應模糊跟蹤控制律，進行建立車輛自動控制的參數尋優[10]，得到車輛自動控制的Lyapunov函數為：

采用3階非線性尋優方法，進行Lyapunov函數的自適應尋優，輸出為：

圖2 變結構神經網絡控制模型

變結構神經網絡控制的模糊參數融合輸出為：

采用自適應模糊跟蹤融合識別方法進行車輛自動控制系統決策的參數尋優，得到優化控制自適應律：

控制誤差滿足

綜上分析，實現行車輛自動控制系統決策算法優設計。

3 仿真實驗與結果分析

通過仿真測試驗證本文方法在實現車輛自動控制和模糊決策中的應用性能，進行實驗分析，假設車輛的行駛速度為80 km/h，跟蹤誤差控制在0.25 m，其它控制參數描述見表1。

根據上述仿真環境和參量設定，采用自適應模糊跟蹤融合識別方法進行車輛自動控制系統決策的參數尋優，得到控制約束參數分布如圖3所示。

根據圖3的控制參數分布，進行車輛自動控制系統決策，得到控制跟蹤曲線如圖4所示。

分析圖4得知，本文方法進行車輛自動控制系統決策的自適應跟蹤性能較好，控制的魯棒性較強。

表1 車輛自動控制的參數值

圖3 控制參數分布

圖4 控制跟蹤曲線

4 結語

本文提出基于神經網絡下的車輛自動控制系統決策算法。構建車輛自動控制系統的行駛動力學和運動學模型，以相位偏移和慣性轉矩為約束參量構建車輛自動控制系統模糊反饋誤差跟蹤融合控制律，采用模糊參數融合和自適應參數調節方法進行車輛自動控制系統決策和模型預測，建立車輛自動控制系統決策的約束參數優化模型，采用自適應模糊跟蹤融合識別方法進行車輛自動控制系統決策的參數尋優，實現控制算法優化。分析得知，本文方法進行車輛自動控制系統決策控制的自適應性性較好，控制輸出的魯棒性較強，車輛穩定跟蹤性能較好。