汽車主動懸架系統控制方法綜述

【摘要】為了深入了解當前汽車主流主動懸架系統的研究現狀及其主要控制方法，介紹了電控液壓主動懸架、電控空氣懸架和電磁主動懸架3種主動懸架系統，分析了PID控制、狀態反饋H_∞控制、模糊控制、神經網絡控制、滑模控制、自適應控制、魯棒控制和預測控制等8種主動懸架系統的控制方法。對比不同控制方法的優缺點，提出了當前主動懸架及其控制技術面臨著能源消耗大、能量回收率低、仿真研究條件設置理想化、試驗設備提供的工況與實際主動懸架的運行工況有差距、多系統融合控制有難度等挑戰。最后總結了主動懸架系統控制方法今后的研究方向和發展趨勢。

關鍵詞：主動懸架系統；控制方法；能量回收；融合控制

中圖分類號：U463.33" "文獻標志碼：A" DOI： 10.19822/j.cnki.1671-6329.20240007

Review on Control Methods of Automotive Active Suspension System

Xie Zhiqiang1， Liu Yifan2， Wang Xufei1，3， Zhang Ningchao1

（1.School of Mechanical Engineering，Shaanxi University of Technology，Hanzhong 723000；2.Sanmenxia College of Social Administration，Sanmenxia 472000；3. Shaanxi Provincial Key Laboratory of Industrial Automation， Hanzhong 723000）

【Abstract】 In order to deeply understand the current research situation of the mainstream active suspension system and its main control methods， this paper introduces 3 active suspension system including electric control hydraulic active suspension， electric control air suspension and electromagnetic active suspension， and analyzes 8 kinds of active suspension system control method containing PID control， state feedback H_∞ control， fuzzy control， neural network control， control of sliding mode control， adaptive control， robust control and prediction control. Compared with the advantages and disadvantages of different control methods， the paper suggests that the current active suspension and its control technology face challenges such as large energy consumption， low energy recovery， ideal simulation research conditions， the gap between the working conditions provided by the test equipment and the actual operating conditions of the actual active suspension， and the difficulty of multi-system fusion control. Finally， the future research direction and development trend of the control method of active suspension system are summarized.

Key words： Active suspension system， Control method， Energy recovery， Fusion control

0 引言

汽車主動懸架系統是衡量車輛品質的重要組成部分，對提升車輛的行駛平順性和乘坐舒適性起著至關重要的作用[1]。為了滿足車輛的安全性、舒適性和通過性要求，懸架結構形式一直在不斷地更新和完善。與被動懸架和半主動懸架相比，主動懸架系統的懸架剛度和阻尼特性能根據汽車的行駛條件進行動態自適應調節，從而在輸出力范圍、操縱安全性以及乘坐舒適性等方面具有巨大的設計潛力[2]。

近年來，國內外各大企業和研究機構對主動懸架系統結構設計和控制方法開展相關研究。2020年，李忠興等[3]采用協調互聯狀態控制與車輛高度控制耦合，構建一種電控空氣懸架系統。研究結果表明，車輛在道路上直線行駛時，犧牲轉彎條件下的部分乘坐舒適性提高了車輛的轉向穩定性。2023年，Zhao等[4]設計了一種控制框架，用于解決空氣主動懸架系統的車身高度跟蹤控制問題。仿真結果表明該控制框架的有效性，在隨機路面激勵下能實現空氣懸架的平順性調節。Sun等[5]提出一種空氣彈簧和磁力彈簧并聯的準零剛度懸架，降低了懸架系統的固有頻率。數學建模和仿真試驗結果表明，該空氣懸架系統能明顯降低車身加速度，提高了車輛的平順性和操縱穩定性。Wenbo等[6]將液壓作動器納入控制器設計，提出了一種無近似、無反步的控制方案。仿真結果表明，所提控制方法改善了電控液壓主動懸架的性能。王軍年等[7]設計了一種能主動抗側傾的電控液壓懸架系統，搭建主動抗側傾控制方法聯合仿真平臺。仿真結果表明，該懸架能夠提升特種車輛的抗側傾能力，且能將電控液壓懸架的運動能量進行回收。寇發榮等[8]提出了一種滑模控制方法來降低電磁混合主動懸架系統作動器故障。仿真結果表明，擁有滑模控制方法的電磁混合主動懸架的懸架動撓度均方根值較被動懸架有所降低，改善了車輛平順性。孫鳳等[9]研究了一種控制方法，用于減少電磁主動懸架的能量損耗。仿真結果表明，改進控制方法與未改進的控制方法比較，電磁主動懸架功率降低的同時，車身垂向加速度降幅得到較大改進，懸架動行程與輪胎動變形性能也有所提升，電磁主動懸架的性能得到提升。劉錦超等[10]設計了一種控制器，并進行聯合仿真和實車測試。結果表明，所提控制器在多種工況下的車身高度穩態誤差較小，且未出現明顯的控制超調現象，提升了電控空氣懸架的性能。通過綜述主動懸架系統及其控制方法的研究進展，發現研究和開發高性能、更環保、實用性能更好的主動懸架系統是車輛動力學與控制學科亟需解決的難題。

為了深入了解當前汽車主流主動懸架系統及其控制方法研究現狀，本文綜述了主動懸架系統組成以及其經典控制方法和現代控制方法，總結了不同控制方法的優缺點，對主動懸架系統控制方法研究方向和發展趨勢進行展望。

1 主動懸架系統

隨著汽車電子控制系統以及懸架減振技術的發展，現代汽車中的主動懸架多為電子控制單元控制的主動懸架系統，又稱電控主動懸架。電控主動懸架系統由傳感器及控制開關、電子控制單元（Electronic Control Unit， ECU）和執行器組成，能夠改變懸架系統的剛度、減振器的阻尼力及車身高度等參數。目前研制開發的新型主動懸架有電控液壓主動懸架、電控空氣懸架、電磁主動懸架系統[11]

1.1 電控液壓主動懸架系統

電控液壓主動懸架系統由懸架電子控制單元、液壓泵、儲液罐、液壓控制閥、懸架液壓缸、車身高度傳感器、車身加速度傳感器等組成。

電控液壓主動懸架系統通過液壓控制傳遞能量來調整車身的平衡，抵抗路面傳遞過來的激勵，同時能保證車輛具有良好的操縱穩定性。汽車在正常道路行駛的過程中，假如車輛轉向發生側傾，導致車輛外側液壓缸的壓力增高，內側車輪液壓缸壓力降低，壓力信號傳輸至電控單元，電控單元根據壓力信號來調整車身姿態，防止發生側傾。車身安裝有車身高度傳感器和車身加速度傳感器，這些傳感器信號輸入電控單元經分析后，電控單元將控制信號送至液壓泵，液壓泵接收信號后對油壓進行調節，可使轉彎時的側傾最小。液壓控制系統原理如圖1所示。

1.2 電控空氣懸架系統

電控空氣懸架由空氣彈簧、減振器、車身加速度傳感器、車身高度傳感器、懸架控制單元、儲氣罐、供氣系統、電磁閥、管路及線束等組成。奧迪電控空氣懸架系統結構組成如圖2所示。

車輛行駛時，車輪附近設有車身高度傳感器，根據車身高度傳感器輸出的信號，ECU確定該車輛的高度，將調節電信號傳至執行器，執行器向電磁閥發出動作信號，電磁閥的占空比是決定電磁閥的開閉時間的主要因素，調整占空比就能控制空氣彈簧的充放氣，讓空氣彈簧剛度處于合適范圍。車輛高度過低時，空氣壓縮機將高壓氣體送入空氣彈簧氣室，使空氣彈簧壓力增大，提高懸架的高度，從而提升車輛高度。反之，降低車輛高度，使乘員處于舒適的行車環境。

當然，空氣懸架的作用不僅能調節車身高度，也可進行底盤剛度調節，同時空氣懸架對高頻振動有較好的隔振效果，能夠改善車內聲音品質，提升車輛乘坐舒適性。

1.3 電磁主動懸架系統

電磁主動懸架又稱磁流變液減震器懸架，具有響應速度快、控制系統精度高、效率高等特點[12]。電磁主動懸架系統主要由連桿、電磁主動作動器、扭桿彈簧、輪邊減振系統等組成，懸架結構如圖3所示。

電磁主動懸架按其作動器構型不同，分為直線電機式和旋轉電機式。前者將電能直接轉化成線性動能，后者輸出或輸入轉矩，通過傳動裝置將旋轉動能和線性動能相互轉化。該類型懸架搭載了電磁減振器，根據傳感器檢測到的地面激勵信號等參數，通過改變電磁減振器中的電流大小來控制電磁力，調整車身高度，從而提高乘坐舒適性。

2 主動懸架系統控制方法

將國內外現有主動懸架系統控制方法分為經典控制方法和現代控制方法。其中經典控制方法分別為PID控制、狀態反饋H_∞控制、模糊控制和神經網絡控制；現代控制方法分別為滑模控制、自適應控制、魯棒控制和預測控制。

2.1 經典控制方法

2.1.1 PID控制

詹長書和蘇立慶[14]通過粒子群優化算法，優化了PID控制器的參數選擇問題。試驗結果表明，優化后的主動懸架控制性能得到明顯提高，從而提升了車輛的平順性和操縱穩定性。Ma[15]等設計了主動懸架系統PID控制器，建立了仿真模型圖。仿真結果表明，該PID控制器能夠有效提高主動懸架系統整體性能，進一步增強車輛的舒適性和安全性。Hu等[16]設計了一種PID反饋控制方法。采用分數階PID算法控制電機的轉角，實現懸架系統的阻尼調節。仿真和試驗結果表明，分數階非線性懸架模型的仿真結果比傳統線性懸架模型的仿真結果更接近實際實驗值，提高了各項性能指標的精度。與傳統PID控制電路相比，針對電機設計的分數階PID控制電路具有更好的控制性能。Parvez等[17]采用PID控制器來研究主動懸架系統在車身加速度和振動幅值穩定時間方面的性能。然后對彈簧剛度、壩系數等參數的不同組合進行了對比分析。研究表明，在主動系統中，車身加速度降低了92.20%，沉降時間減少了30%，提高了平順性和道路操控性。

2.1.2 狀態反饋H_∞控制

Jin等[18]研究表明，與被動懸架相比，采用約束魯棒H_∞控制器的主動懸架可以提高車輛的乘坐舒適性和抓地性能。李杰等[19]采用約束狀態H_∞控制方法，研究主動懸架對輪轂電機電動汽車脈沖平順性的影響。仿真結果表明，在脈沖路面上，所提控制方法改善了簧載質量垂向加速度和簧載質量俯仰角加速度，增加了主動懸架的動行程和相對動載荷。王剛等[20]為了提高開發主動懸架系統效率，減少整車模型參數，開發出整車主動懸架免參數H_∞控制方法。仿真結果表明，該控制方法能達到最優控制的效果，改善低頻范圍內的操縱穩定性和平順性。Arivazhagan [21]提出了輸入-輸出有限時間穩定條件與靜態輸出反饋H_∞控制相結合的控制方法，有效抑制短時路面干擾。建立的四分之一車輛主動懸架模型，利用變量替換法和線性矩陣不等式設計了一個可行的靜態輸出反饋控制器。輸出反饋控制的初始不可行問題通過狀態反饋技術解決。理論結果表明，與被動和傳統的靜態輸出反饋控制方案相比，采用靜態輸出反饋H_∞控制的組合輸入-輸出有限時間穩定條件能更好地提高車輛性能。此外，還驗證了控制器的魯棒性。Wei[22]設計了一種新型的輸出反饋H_∞最優控制器。分別在顛簸路面激勵和C級路面激勵下，仿真了時滯對車體垂向加速度和俯仰加速度的影響。試驗結果表明，在顛簸路面下，時滯小于25 ms時，控制器的性能受影響較小；在C級路面激勵下，即使時滯達到50 ms，控制器的性能也不會受到影響。

2.1.3 模糊控制

Zhang等[23]將模糊控制引入到PID控制中，提高了經典PID控制方法的抗干擾能力，并通過實時修改控制器參數，提高了系統的魯棒性。將非PID控制、PID閉環控制和模糊PID控制3種控制方式對車輛的行駛狀態進行試驗對比。此外，對車輛平順性進行評價，以驗證3種控制算法。試驗結果表明，基于模糊PID控制系統的車輛側傾角和側向加速度得到了明顯的改善，車輛的抗干擾能力和穩定性也得到了很大的提高。Khan等[24]將模糊控制器和非線性反步控制器集成為一種控制機構，通過主動懸架控制各個車輪防滑。仿真結果表明，使用該集成控制機構可以使主動懸架控制車輪垂直載荷，降低車輪的打滑，提高車輛的穩定性。Han等[25]提出一種基于路面估計的模糊PID主動懸架系統控制方法，利用傅里葉變換擬合道路功率譜密度，與主動懸架結合，實時評估道路狀況。仿真試驗結果表明，所提出的控制方法能夠根據路面狀況自適應調整參數，從而滿足不同路面狀況下主動懸架系統的控制要求。Yin等[26]設計了模糊PID控制器對參數進行自主調節。將連續交叉路段駝峰模型和C級道路模型作為道路輸入信號，對比了被動、PID控制和模糊PID控制懸架的振動特性。仿真試驗結果表明，與其他2種情況相比，采用模糊PID控制可顯著減小車身的垂向、俯仰和側傾振動，并修正懸架動撓度和輪胎動載荷，從而提高乘坐舒適性。與PID控制懸架系統相比，加速度減小約20%，懸架工作空間減少約10%，輪胎撓度減小約15%。Ji等[27]提出一種增強型變論域模糊PID控制，在傳統變論域模糊PID控制的基礎上，構建自適應伸縮因子控制器，能實時自適應確定和調整伸縮因子的參數。仿真試驗結果表明，在不同工況下，所提出的增強型變論域模糊PID控制方法可降低車身加速度、懸架動撓度和輪胎動載荷的均方根值，提高了車輛的乘坐舒適性，解決了傳統變論域模糊PID控制中相關參數固定、難以確定、無法自適應調節等問題。薛文平和張春玲[28]提出了一種基于遺傳算法的變論域模糊PID控制方法，進一步改善控制器的減振效果。試驗結果表明，相比PID、模糊PID與未優化的變論域模糊PID等控制方法，基于遺傳算法的變論域模糊PID控制方法在改善主動懸架的性能方面表現良好，對車輛行駛速度不確定性具有較強的魯棒性。

2.1.4 神經網絡控制

Mustafa等[29]提出了一種基于時滯控制和自適應神經網絡控制相結合的非線性主動懸架系統控制器。在時滯控制的基礎上，替換了模型的非線性和外部擾動，加入了徑向基函數神經網絡。為了展示基于時滯控制和自適應神經網絡控制相結合的非線性控制器的性能，將其與傳統被動懸架系統、延時控制、神經網絡補償和PID控制器在三種不同路面擾動下的性能進行了比較。仿真結果表明了所提方法的成功和有效性。Zhao和Gu[30]設計了一種基于徑向基函數神經網絡的主動懸架自適應PID控制器。使用徑向基函數神經網絡獲得用于PID控制的比例、積分和微分環節的參數。對比了無控制懸架、基于徑向基函數的PID控制和H_∞控制方法的控制效果。根據仿真結果，所提的控制方法優于其他方法，揭示了該控制方法的優越特性。Minh和Kwan[31]設計了一種自適應神經網絡反演控制方案。應用擴張狀態觀測器估計不確定參數、未建模動態和外部擾動，通過徑向基函數神經網絡逼近各類載荷的未知質量。試驗結果表明，驗證了所提方法的有效性。Hamza等[32]利用人工神經網絡控制救護車的主動懸架系統，以減少振動對病人身體在救護車內受到的二次傷害。人工神經網絡控制器主動懸架式救護車與傳統救護車的性能進行對比試驗，結果表明，在符合ISO2631-5和ISO8608標準的道路上，通過人工神經網絡控制的主動懸架式救護車可以將病人和擔架的振動減少70%以上。楊敏和曹從詠[33]進行了主動懸架系統振動控制的研究，研究對象是微型電動汽車。將模糊算法和神經網絡結合，設計了模糊神經網絡。仿真結果表明，即使控制回路存在時滯，該算法依然有效。Chen等[34]提出一種空氣懸架系統的自適應神經網絡控制方案，利用徑向基函數神經網絡解決懸架系統的模型不確定性和外界擾動問題。與模糊PID控制方法相比，該方法在精度和速度上都有顯著提高，證明了該方法的可行性和優越性。

2.2 現代控制方法

2.2.1 滑模控制

Wei [35]根據新型趨近律的特點，設計了一種主動滑模控制方案，利用布谷鳥搜索算法確定了主動懸架滑模控制器的最佳參數。仿真結果顯示，與傳統滑模控制器相比，搭載主動滑模控制方案的主動懸架系統控制效果得到了進一步改善，證明了布谷鳥搜索算法對優化參數的可行性。Nguyen[36]提出滑模控制算法來控制主動懸架系統的運行。仿真結果表明，與使用被動懸架系統的車輛相比，搭載滑模控制算法控制的主動懸架系統的車輛，簧載質量的位移和加速度顯著降低，分別降低了14.4%和14.1%。滑模控制算法的效果提升非常顯著。Nguyen[37]提出最優滑模控制算法。試驗結果顯示，采用了最優滑模控制算法的主動懸架系統，簧下質量最大位移和平均位移數值均有顯著降低。其與采用標準線性控制算法的主動懸架系統或被動懸架的車輛相比，在行駛工況時增強了車輪與路面的接觸。Wang等[38]提出了一種基于滑模控制設計的主動懸架系統。控制器參數和系數通過二型模糊系統進行計算和更新，消除抖振現象。為了評估所提出的控制系統的性能，應用了道路的兩模型不確定性。對主動懸架系統和被動懸架系統進行了對比仿真試驗。仿真結果表明了所提出的滑模控制系統的高效性。Ahmad等[39]提出了一種基于自適應滑模的自抗擾控制方法。該控制方法核心思想是將自適應滑模控制精確跟蹤參考軌跡的優點與自抗擾控制抑制參數不確定性和外部擾動的能力相結合。仿真結果表明，所提出的控制方案能夠顯著提高車輛的行駛平順性和道路處理能力。將所提出的方法與線性自抗擾控制器和傳統的比例-積分-微分控制器進行了比較。仿真結果表明，基于自適應滑模的自抗擾控制提高了對建模誤差、非線性和擾動的魯棒性。Flayyih等[40]采用積分滑模控制，結合非標準反步法設計了一種汽車主動懸架系統液壓作動器。主動懸架系統的非線性、參數變化和路面干擾被積分滑模控制器所抑制。仿真結果表明，證明了所提控制器設計的有效性。

2.2.2 自適應控制

Zhang等[41]提出一種自適應神經網絡優化控制方法，開發出虛擬和實際最優控制器。仿真結果表明所提控制方法降低了主動懸架的顫振，提高了液壓作動器的可靠性。但并未考慮到引起液壓作動器故障的其他原因，該仿真對作動器可靠性的提升較為有限。Nichielea [42]提出的自適應諧波控制方法，該控制器基于車身加速度反饋產生幅值和頻率可變的諧波控制信號。比較了多種主動懸架控制方法，在這些研究的控制算法中的唯一反饋數據是車身加速度。仿真結果經過對比分析表明，所提出的控制方案顯示出相當好的控制性能，在某些情況下產生了比其他控制方法更好的結果。Deng等[43]提出了一種基于事件觸發的自適應模糊最優控制方法。在傳感器到控制器和控制器到執行器通道中都使用了事件觸發機制，從而在雙通道中實現了通信節省。為了保證最優的性能和穩定性，構造了兩個獨立的觸發條件。仿真驗證了所提方案的有效性。Aela等[44]提出了一種應對動態非線性和不確定性的自適應神經網絡控制系統。為了克服非線性、參數不確定性和剛性外部擾動等動態現象，提出了一種自適應徑向基函數神經網絡與反步法控制系統相結合的方法。這種設置可以處理系統的非匹配模型不確定性，而自適應神經網絡可以處理其未知的平滑函數。仿真結果表明了自適應神經網絡控制的有效性。Zeng[45]提出一種基于動態事件觸發條件的自適應神經控制技術，將主動懸架系統的垂直位移限制在可靠的范圍內，保證了駕駛安全性和操縱穩定性，提高了乘坐舒適性，并通過仿真結果驗證該控制技術的有效性。Guo等[46]研究了一種新穎的非線性自適應容錯控制方法，它可以在沒有昂貴的故障檢測和隔離機制的情況下容納多個執行器故障。仿真結果表明，在存在多個執行器故障、速度測量誤差和外部干擾的情況下，所提出方法的有效性和優勢。

2.2.3 魯棒控制

Cao等[47]使用多目標魯棒控制性能，該控制器包括簧載質量加速度、懸架動撓度和輪胎動撓度。利用符號計算提出了一種求解帶調節參數的半正定多項式的算法。仿真結果表明，與現有的其他主動懸架控制系統相比，該系統的控制性能得到了顯著提高。Gong和Yan[48]設計了一種基于路面等級估計的魯棒控制新方法。試驗結果表明，通過調節魯棒控制器的參數矩陣控制懸架的剛度和阻尼。所提出的控制方法可以在不同路面等級下改善乘坐舒適性和操縱穩定性。Dinh等[49]提出了一種電液作動器主動懸架魯棒控制方法，在主回路中給出了一種反步滑模控制，通過產生虛擬控制力來保證車輛行駛品質的同時保證系統的穩定性和對系統整體擾動的魯棒性。通過力促動器設計魯棒控制來跟蹤期望力。仿真表明，主動懸架的垂蕩、縱搖和橫搖3種運動中均方根值較小，從此提高了乘坐舒適性和操縱穩定性。周辰雨等[50]設計了側翻工況預測和控制方法，設計了主動懸架抗側翻魯棒控制器。仿真結果表明，與半主動懸架和多目標控制主動懸架相比，該抗側翻魯棒控制器能夠有效防止車輛側翻，提升了主動懸架的穩定性和車輛安全性。金賢建等[51]建立面向μ綜合魯棒控制的定向輪轂懸置吸振式主動懸架混合不確定系統動力學模型。仿真結果表明，設計的μ綜合魯棒控制器的綜合性能優于定向輪轂懸置吸振式H_∞。μ綜合魯棒控制器能有效抑制輪轂主動懸架系統的垂向振動，即使在外界干擾和多參數攝動下仍能較好地提高車輛行駛的平順性及乘坐舒適性。

2.2.4 預測控制

Johan等[52]提出了一個顯式模型預測控制器的主動懸架系統，在一輛具有電控液壓主動懸架系統的多功能車上進行仿真和試驗，對該控制器進行了測試。結果表明，在頻率小于4 Hz的情況下，相對于天鉤控制器，使用顯式模型預測控制器，簧載質量的垂直加速度均方根值降低了10%。在相同的頻率范圍內，顯式模型預測控制器的加入將進一步提高上升和下沉加速性能8%～21%。Yao等[53]設計了一種基于主動懸架的直接轉矩控制模型預測控制器。控制器實時調整傾斜角和橫擺角速度，在實現路徑跟蹤的同時提高了車輛的抗側翻能力。仿真結果表明，與傳統的零滾轉角控制相比，所提出的傾斜控制大大降低了車輛轉彎時乘員感知的橫向加速度和橫向載荷轉移比，并具有良好的路徑跟蹤性能。Niaona等[54]提出了一種基于多智能體的主動懸架系統分布式模型預測控制方法。聯合仿真結果表明，該預測控制系統可以極大地減小車身的垂直加速度、俯仰加速度和側傾加速度。特別是在轉向工況下，可以同時兼顧車輛的安全性、舒適性和操控穩定性。Li等[55]提出了一種基于線性參數變化的模型預測控制方案，以增強速度相關主動懸架的阻尼控制。仿真結果表明，與被動懸架控制相比，主動懸架控制在變速工況下的性能有顯著提高。Feng等[56]開發預測控制器，將轉矩矢量控制與主動懸架系統進行集成控制器，用于增強主動懸架的垂向和縱向性能。為了減輕控制器設計負擔，將半車動力學模型簡化為線性時變模型。試驗驗證了控制器的有效性，保證了主動懸架穩定性，提高了車輛的舒適性。

2.3 不同控制方法的優缺點分析

2.3.1 不同控制方法的優點

經典控制方法與現代控制方法的各優點如表1所示。

2.3.2 不同控制方法的缺點

經典控制方法與現代控制方法的各缺點如表2所示。

通過上述優點分析可看出不同的控制方法間存在著響應速度快、處理復雜的非線性系統、實現精確控制等相同的優點。對缺點的討論是未來研究方向的依據，可將多種控制方法融合設計、互補，從而提升主動懸架的控制精度和速度。

3 主動懸架控制方法面臨的挑戰與未來研究方向

隨著市場對高端車輛的需求增加，以及汽車新技術的迅速發展，對主動懸架的性能提出了更高的要求。主動懸架系統相較于被動懸架和半主動懸架具有巨大的發展潛力，但是主動懸架系統面臨的挑戰還有許多，其中主要包括4個方面：主動懸架系統工作能量損耗大和能量回收率低；主動懸架仿真研究條件設置理想化；試驗研究設備提供的工況與實際主動懸架系統運行工況有差距；多系統融合控制有難度。為解決以上問題，應著重進行以下研究。

3.1 主動懸架系統工作能量損耗大和能量回收率低

（1）電控液壓主動懸架系統：液壓泵正常工作需要電能，依靠發動機輸出動力使發電機運行，發電機將電能輸送至液壓泵。液壓泵需要維持或適應液壓缸內的壓力變化，需要持續工作，則其消耗電能過大，從而導致車輛能源消耗過大。

（2）電控空氣懸架系統：該類空氣懸架核心部件為空氣彈簧，若橡膠材料的服役疲勞、耐久性及可靠性被破壞[57]，則使電控空氣懸架能耗增大；空氣壓縮機的負載會消耗部分發動機輸出功率，對車輛的能源消耗增大，并且進行主動懸架能量回收難。

（3）電磁主動懸架系統：對于傳統汽車而言，電磁主動懸架會消耗發動機功率或蓄電池的能量，無法進行主動懸架能量回收；對于電動汽車和混合動力汽車而言，使用電磁主動懸架能進行部分能量回收利用，但能量回收率低。因此，在碳中和、碳達峰背景下，通過控制方法減少主動懸架系統能量損耗和主動懸架能量回收利用是一個值得研究的問題。

3.2 主動懸架系統仿真研究條件設置理想化

國內外已有的關于主動懸架系統控制方法的文獻研究，大多文獻均為仿真研究，再通過其仿真研究結果來驗證控制方法是否有效。研究人員沒有準確考慮仿真環境與實地測試環境之間的差異，仿真分析設置的邊界條件趨于理想化，造成仿真數據與實測數據存在誤差。今后應該考慮增加仿真分析條件的實際性。

3.3 試驗研究設備提供的工況與實際主動懸架的運行工況有差距

部分研究人員在試驗中設計了主動懸架臺架設備，但并未將臺架測試設備整合用于車輛上。該種試驗方案未考慮到真實情況下環境影響因素和懸架系統組成部件對整車懸架系統的影響，且臺架試驗得出的研究結果往往與整車主動懸架試驗存在差別，缺乏完整的試驗裝置去驗證其試驗結果，控制方法在該種環境中進行仿真得到的數據與實際工況亦存在差別。

后續研究應積極開展整車試驗研究。將主動懸架與整車技術匹配，研發出能符合真實場景試驗的主動懸架系統。

3.4 多系統融合控制有難度

國內外研究人員將兩種及兩種以上的控制方法和算法進行融合使用，例如將模糊控制與PID控制融合、自適應控制與神經網絡控制融合、滑模控制與預測控制融合等。多系統融合控制是當前主動懸架控制方法的主流，通過融合控制方法可以提升主動懸架的控制精度和速度，是當前懸架技術發展亟需解決的問題。

4 結束語

主動懸架系統的設計和控制問題備受國內外研究學者的關注。本文綜述國內外近幾年主動懸架控制方法的相關研究。通過對主動懸架分類和發展概述，對比分析了經典控制方法和現代控制方法，不同的控制方法間存在著響應速度快、處理復雜的非線性系統、實現精確控制等相同的優點。提出了主動懸架控制方法面臨的挑戰與未來研究方向。當前主動懸架控制方法越來越多，未來不僅局限于仿真試驗，將會有更多的試驗研究設備提供的工況與實際主動懸架的運行工況相匹配，多系統融合控制方法應用于主動懸架系統越來越多，主動懸架的控制精度和速度也會得到提升，并且主動懸架系統的能源消耗及能量回收率低也是值得深入探討的研究主題。

參 考 文 獻

[1] 余強， 鄭慕僑. 汽車懸架控制技術的發展[J]. 汽車技術， 1994（9）： 1-6.

[2] HROVAT D. Survey of Advanced Suspension Developments and Related Optimal Control Applications[J]. Automatica （Journal of IFAC）， 1997， 33（10）： 1781-1817.

[3] 李仲興， 沈安誠， 江洪. 電控空氣懸架多智能體博弈控制系統研究[J]. 汽車工程， 2020， 42（6）： 793-800+831.

[4] ZHAO R， XIE H， GONG X， et al. Neural Network-Based Adaptive Height Tracking Control of Active Air Suspension System with Magnetorheological Fluid Damper Subject to Uncertain Mass and Input Delay[J]. Sensors， 2023， 24（1）： 156.

[5] SUN L， SU L， LI Z， et al. Research on Design and Characteristic of a New Type of Air Suspension System with Magnetic Negative Quasi-Zero Stiffness[J]. The Journal of Automobile Engineering， 2024， 238（2-3）： 374-384.

[6] WANG W B， LIU S， ZHAO D X， et al. Approximation-Free Output Feedback Control for Hydraulic Active Suspensions with Prescribed Performance[J]. Nonlinear Dynamics， 2023， 111（23）： 21673-21689.

[7] 王軍年， 劉哲， 孟令帥， 等. 兼具饋能與主動抗側傾功能的電控液壓懸架系統設計與研究[J]. 汽車工程學報， 2023， 13（3）： 396-407.

[8] 寇發榮， 陳若晨， 胡凱侖， 等.電磁混合主動懸架滑模容錯控制研究[J]. 現代制造工程， 2023（8）： 66-74.

[9] 孫鳳， 邢大壯， 周冉， 等. 考慮能耗的電磁主動懸架LQR控制策略[J]. 西南交通大學學報， 2023， 58（4）： 754-760+798.

[10] 劉錦超， 李軍偉， 陳斌， 等. 乘用車電控空氣懸架高度控制策略[J]. 液壓與氣動， 2024， 48（2）： 108-115.

[11] 楊輝. 汽車電控懸架的現狀及趨勢[J].裝備制造技術， 2013（4）： 204-206.

[12] 殷珺， 羅建南， 喻凡. 汽車電磁式主動懸架技術綜述[J]. 機械設計與研究， 2020， 36（1）： 161-168.

[13] 凌晨. 全主動懸架的產業化應用綜述[J]. 汽車工業研究， 2023（3）： 22-25.

[14] 詹長書， 蘇立慶. 基于粒子群優化的主動懸架PID控制策略[J]. 科學技術與工程， 2022， 22（10）： 4180-4186.

[15] MA S， LI Y， TONG S. Research on Control Strategy of Seven-DOF Vehicle Active Suspension System Based on Co-Simulation[J/OL]. Measurement and Control， 2023， 56（7-8）. https：//doi.org/10.1177/00202940231154.

[16] HU Y， LIU J， WANG Z， et al. Research on Electric Oil–Pneumatic Active Suspension Based on Fractional-Order PID Position Control[J]. Sensors， 2024， 24（5）： 1644.

[17] PARVEZ Y， CHAUHAN N R， SRIVASTAVA M. Vibration Control and Comparative Analysis of Passive and Active Suspension Systems Using PID Controller with Particle Swarm Optimization[J]. Journal of the Institution of Engineers （India）： Series C， 2024： 1-19.

[18] JIN X， WANG J， SUN S， et al. Design of Constrained Robust Controller for Active Suspension of In-Wheel-Drive Electric Vehicles[J]. Mathematics， 2021， 9（3）： 249.

[19] 李杰， 賈長旺， 成林海， 等. 脈沖路面下電動汽車主動懸架狀態反饋H∞控制[J]. 湖南大學學報（自然科學版）， 2022， 49（8）： 12-20.

[20] 王剛， 李昆鵬， 景暉， 等. 基于Q學習的整車主動懸架免參數H_∞控制[J]. 汽車工程， 2023， 45（12）： 2260-2271.

[21] ARIVAZHAGAN A， ARUNACHALAM K. Combined Input-Output Finite-time Stability with H∞ Static Output-feedback Control Approach for Active Suspension[J]. IETE Journal of Research， 2023， 69（8）： 5473-5483.

[22] WEI C Y. Modeling and Simulation of Active Half-vehicle Suspension Based on a New Output-feedback H∞ Controller[J]. International Journal of Control， Automation and Systems， 2024， 22（3）： 775-784.

[23] ZHANG P， YUE H J， SHI Z Y， et al. A Fuzzy PID Algorithm-Based Attitude Control Method of Suspension-Type Small Rail Vehicles[J]. Journal of Vibration Engineering amp; Technologies， 2021， 10（1）： 1-20.

[24] KHAN M A， HAROON S， AHMAD E， et al. Active Slip Control of a Vehicle Using Fuzzy Control and Active Suspension[J]. Automatika， 2021， 62（3-4）： 386-396.

[25] HAN S Y， DONG J F， ZHOU J， et al. Adaptive Fuzzy PID Control Strategy for Vehicle Active Suspension Based on Road Evaluation[J]. Electronics， 2022， 11（6）： 921.

[26] YIN Z， SU R， MA X. Dynamic Responses of 8-DoF Vehicle with Active Suspension： Fuzzy-PID Control[J]. World Electric Vehicle Journal， 2023， 14（9）： 249.

[27] JI G G， ZHANG L D， SHAN M Y， et al. Enhanced Variable Universe Fuzzy PID Control of the Active Suspension Based on Expansion Factor Parameters Adaption and Genetic Algorithm[J]. Engineering Research Express， 2023， 5（3）： 035007.

[28] 薛文平， 張春玲. 基于遺傳算法的汽車主動懸架變論域模糊PID控制[J]. 江蘇大學學報（自然科學版）， 2024， 45（1）： 8-15.

[29] MUSTAFA Y I G， LI X， WANG H. A New Neural Network-Based Adaptive Time-Delay Control for Nonlinear Car Active Suspension System[J]. Studies in Informatics and Control， 2022， 31（4）：13-24.

[30] ZHAO W， GU L. Adaptive PID Controller for Active Suspension Using Radial Basis Function Neural Networks[J]. Actuators， 2023， 12（12）： 437.

[31] MINH C H， KWAN K A. Extended State Observer-Based Adaptive Neural Networks Backstepping Control for Pneumatic Active Suspension with Prescribed Performance Constraint[J]. Applied Sciences， 2023， 13（3）： 1705-1705.

[32] HAMZA A， YAHIA N B. Artificial Neural Networks Controller of Active Suspension for Ambulance Based on ISO Standards[J]. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2023， 237（1）： 34-47.

[33] 楊敏， 曹從詠. 微型電動汽車主動懸架系統振動控制仿真[J]. 計算機仿真， 2023， 40（10）： 167-171.

[34] CHEN Z， ZHANG J. Adaptive Neural Network Control of Heavy Vehicle Air Suspension with Uncertainties[J]. Journal of Vibration Engineering amp; Technologies， 2024： 1-17.

[35] WEI S， SU X .Optimization of the New Index Reaching Law of the Active Suspension Sliding Mode Controller Based on the Cuckoo Search Algorithm[EB/OL]. （2021-10-26）[2024-04-25]. https：//www.hindawi.com/journals/complexity/2021/5585327/.

[36] NGUYEN T.Advance the Efficiency of an Active Suspension System by the Sliding Mode Control Algorithm with Five State Variables[J]. IEEE Access， 2021，9：164368-164378.

[37] NGUYEN D N， NGUYEN T A. Enhancing the Performance of the Vehicle Active Suspension System by an Optimal Sliding Mode Control Algorithm.[J]. PloS one， 2022， 17（12）： e0278387.

[38] WANG Z， RAN L， KONG B， et al. Suspension System Control Based on Type-2 Fuzzy Sliding Mode Technique[J/OL]. Complex. （2022-01-01）[2024-06-24]. https：//doi.org/10.1155/2022/2685573.

[39] AHMAD S S， ABID M B， SHOEB H. Adaptive Sliding Mode-Based Active Disturbance Rejection Control for Vehicle Suspension Control[J]. Journal of Systems and Control Engineering， 2022， 236（8）： 1523-1533.

[40] FLAYYIH M A， HAMZAH M H， HASSAN J M. Nonstandard Backstepping Based Integral Sliding Mode Control of Hydraulically Actuated Active Suspension System[J]. International Journal of Automotive Technology， 2023， 24（6）： 1665-1673.

[41] ZHANG J， LI K， LI Y. Neuro-Adaptive Optimized Control for Full Active Suspension Systems with Full State Constraints[J]. Neurocomputing， 2021， 458： 478-489.

[42] NICHIELEA T C， UNGURITU M G. Design and Comparisons of Adaptive Harmonic Control for a Quarter-Car Active Suspension[J]. Journal of Automobile Engineering， 2022， 236（2-3）： 343-352.

[43] DENG Y， GONG M， NI T. Double-Channel Event-Triggered Adaptive Optimal Control of Active Suspension Systems[J]. Nonlinear Dynamics， 2022， 108（4）： 3435-3448.

[44] AELA A M A， KENNE J P， MINTSA H A. Adaptive Neural Network and Nonlinear Electrohydraulic Active Suspension Control System[J]. Journal of Vibration and Control， 2022， 28（3-4）： 243-259.

[45] ZENG Q， ZHAO J. Dynamic Event-Triggered-Dased Adaptive Finite-Time Neural Control for Active Suspension Systems with Displacement Constraint[J]. IEEE Transactions on Neural Networks and Learning Systems， 2022，35（3）： 4047-4057.

[46] GUO X， WANG J， SUN W. Nonlinear Adaptive Fault-Tolerant Control for Full-car Active Suspension with Velocity Measurement Errors and Full-State Constraints[J]. Journal of the Franklin Institute， 2024， 361（10）： 106845.

[47] CAO Z， ZHAO W， HOU X， et al. Multi-Objective Robust Control for Vehicle Active Suspension Systems via Parameterized Controller[J]. IEEE Access， 2019， 8： 7455-7465.

[48] GONG M， YAN X. Robust Control Strategy of Heavy Vehicle Active Suspension Based on Road Level Estimation[J]. International Journal of Automotive Technology， 2021， 22（1）：141-153.

[49] DINH G K， NGUYEN H V， LE D T， et al. Extended State Observer Based Robust Control for Active Suspensions with Electro-Hydraulic Actuators[C]//2023 12th International Conference on Control， Automation and Information Sciences （ICCAIS）. Hanoi， Vietnam： IEEE， 2023： 471-476.

[50] 周辰雨， 易莎， 余強， 等.概率融合的抗側翻智能主動懸架控制研究[J]. 控制工程， 2024， 31（1）： 126-133.

[51] 金賢建， 王佳棟， 徐利偉， 等. 輪轂電機驅動電動汽車主動懸架μ綜合魯棒控制研究[J/OL]. 機械工程學報， （2024-03-27） [2024-06-14]. http：//kns.cnki.net/kcms/detail/11.2187.TH.20240322.1652.022.html.

[52] JOHAN T， ALDO S， PATRICK G， et al. Regionless Explicit Model Predictive Control of Active Suspension Systems with Preview[J]. IEEE Transactions on Industrial Electronics， 2020， 67（6）： 4877-4888.

[53] YAO J L， WANG M， LI Z H， et al. Research on Model Predictive Control for Automobile Active Tilt Based on Active Suspension[J]. Energies， 2021， 14（3）： 671-671.

[54] NIAONA Z， SHENG Y， GUANGYI W， et al. Fast Distributed Model Predictive Control Method for Active Suspension Systems[J]. Sensors， 2023， 23（6）： 3357-3357.

[55] LI Q， CHEN Z， SONG H， et al. Model Predictive Control for Speed-Dependent Active Suspension System with Road Preview Information[J]. Sensors，2024， 24（7）： 2255.

[56] FENG J， LIANG J， LU Y， et al. An Integrated Control Framework for Torque Vectoring and Active Suspension System[J]. Chinese Journal of Mechanical Engineering， 2024， 37（1）： 1-12.

[57] 王文林， 侯之超， 鄒軍. 汽車空氣懸架研究進展： 零部件與系統[J]. 汽車安全與節能學報， 2018， 9（1）： 11-24.

（責任編輯 明慧）

*基金項目：陜西理工大學科研基金項目（SLG RCQD2321）。