張玉分，龍金蓮，李婧，盧家暄

1.貴州大學電氣工程學院，貴陽550025

2.貴州大學大數(shù)據(jù)與信息工程學院，貴陽550025

基于免疫粒子群優(yōu)化的主動懸架LQG控制研究

張玉分1，龍金蓮1，李婧1，盧家暄2

1.貴州大學電氣工程學院，貴陽550025

2.貴州大學大數(shù)據(jù)與信息工程學院，貴陽550025

1 引言

汽車懸架是傳遞作用在車輪與車身之間所有的力和力矩，減少沖擊力、衰減由路面激勵所引起的車身振動，以使汽車平順地行駛的一種裝置[1-2]。主動懸架能與車輛系統(tǒng)自身的運動狀況和外部輸入變化（路面激勵或駕駛員方向盤操作）相對應(yīng)，主動改變和給出所需控制力，使懸架始終處于最佳衰減振動狀態(tài)，乘坐舒適性和操作穩(wěn)定性得以改善[3]。

在主動懸架控制理論研究過程中，學者提出了多種策略，如預見控制[4]、自適應(yīng)控制[5]、模糊控制[6]和最優(yōu)控制理論等，最優(yōu)控制理論雖然較為成熟，且算法簡單，但其加權(quán)系數(shù)矩陣Q和R由于取決于先驗知識，結(jié)果并非實際最優(yōu)。PSO算法雖然結(jié)構(gòu)簡單、收斂快，優(yōu)化效果好，但粒子群自身不具備變異能力，隨著進化的進行，粒子群算法容易陷入局部極值。然而免疫算法模擬了免疫系統(tǒng)基于濃度抗體繁殖策略，對濃度較大的粒子進行抑制，對濃度較小的粒子進行促進，具有多樣性好，變異能力強等優(yōu)點，使算法逃出局部最優(yōu)解，獲得全局最優(yōu)解[7]。針對以上問題，本文提出了一種免疫粒子群混合優(yōu)化算法，免疫算法增強了PSO算法的全局搜索能力，在給定的空間搜索到使性能指標最優(yōu)的一組LQG權(quán)重參數(shù)。通過建模仿真，并將優(yōu)化前后仿真實驗結(jié)果進行分析，驗證了LQG經(jīng)免疫粒子群算法優(yōu)化后的可行性。

2 系統(tǒng)模型的建立

通常車輛行駛的左右路面統(tǒng)計特性近似一致，且認為在縱向軸線上，車身只有小幅度的擺動，則可忽略側(cè)傾和橫擺運動。本文為了簡化控制模型，突出主要的研究內(nèi)容，將主動懸架系統(tǒng)進行簡化如圖1所示。

圖1 二自由度1/4車模型

依據(jù)牛頓定律，系統(tǒng)的運動方程如下[8]：

式中，ms為車身重量；mu為輪胎重量；Ks為彈簧鋼度；Kt為輪胎剛度；zs為車身位移；zu為輪胎位移；zr為路面位移；Ua為控制力。

路面輸入模型通過濾波白噪聲來模擬：

式中，f0為下截止頻率；Gq(n0)為路不平度系數(shù)；v為懸架速度；q(t)為高斯白噪聲且數(shù)學期望為零的輸入矩陣；n0為參考空間頻率。

將主動懸架系統(tǒng)的運動方程與其激勵輸入方程分別轉(zhuǎn)換成矩陣形式，即可獲得懸架系統(tǒng)的空間狀態(tài)方程：

式中，X(t)為系統(tǒng)狀態(tài)矢量

W(t)為高斯白噪聲輸入矩陣，W(t)=[w(t)]；U(t)為控制輸入矩陣，U(t)=[Ua(t)]。

3 最優(yōu)控制器的設(shè)計

主動懸架最優(yōu)控制目標是使車輛獲得良好的行駛平順性和操縱穩(wěn)定性，其物理量反應(yīng)為降低車身垂向振動加速度、懸架動行程zs(t)-zu(t)和輪胎動位移zu(t)-zr(t)。同時為了降低控制能量的消耗，需對控制力Ua進行約束。線性二次型最優(yōu)控制通過加權(quán)系數(shù)，對各性能指標進行綜合考慮。

式中，q為加權(quán)矩陣，q1、q2、q3、q4為各對應(yīng)物理量的加權(quán)系數(shù)。將性能指標J的表達式（4）改寫成矩陣形式，即：

反饋增益矩陣K通過MATLAB中LQG函數(shù)(K,S,E)=LQR(A,B,Q?,N,R?)獲得。其中K為最優(yōu)控制反饋增益矩陣，S為黎卡提方程的解，E為系統(tǒng)閉環(huán)特征根。其中

根據(jù)任意時刻的狀態(tài)反饋變量X(t)，可得出t時刻的最優(yōu)控制力Ua(t)。

基于LQG的主動懸架在簡單的線性單變量系統(tǒng)中具有較好的控制效果。但是，對于復雜的非線性系統(tǒng)，LQG控制器的參數(shù)難以得到合理配置，不能實現(xiàn)在線實時調(diào)整，會導致其適應(yīng)性差，影響系統(tǒng)控制質(zhì)量。因此，引入免疫粒子群算法對主動懸架LQG控制器進行在線實時優(yōu)化，以增強其自適應(yīng)能力。

4 基于免疫粒子群算法的LQG參數(shù)優(yōu)化

4.1 優(yōu)化設(shè)計過程

利用免疫粒子群算法對LQG控制器的參數(shù)進行優(yōu)化設(shè)計，其過程如圖2。

圖2中，IS-PSO算法與Simulink模型是由粒子和該粒子對應(yīng)的適應(yīng)值（即控制系統(tǒng)的性能指標）實現(xiàn)連接。有如下的優(yōu)化流程：IS-PSO按一定的規(guī)則生成粒子群（可以是初始粒子群，也可以是更新后的粒子群），生成的粒子群中的粒子與LQG控制器的參數(shù)q1、q2、q3具有對等關(guān)系，而后對控制系統(tǒng)的Simulink模型進行仿真，獲取與該組參數(shù)一一對應(yīng)的性能指標，并將其傳遞到IS-PSO優(yōu)化算法中設(shè)定為該粒子的適應(yīng)值，判斷是否滿足終止條件，若滿足則退出該算法。

圖2 IS-PSO優(yōu)化LQG的過程示意圖

4.2 粒子群算法

粒子群算法是一種具備進化和有效的群智能的全局尋優(yōu)算法。在該算法中每個粒子都代表一個潛在解，粒子與由適應(yīng)度函數(shù)決定的適應(yīng)度值相對應(yīng)。粒子的速度vid和方向zid按照式（7）進行更新，并通過跟蹤粒子自身最優(yōu)解Pgd和群體最優(yōu)解Ggd來更新自己[9]。

式中w為慣性權(quán)重，η1、η2為速度更新參數(shù)，γ1、γ1為0～1間的隨機數(shù)。

4.3 免疫算法

免疫算法與遺傳算法相似，在其基礎(chǔ)上引入了免疫算子，是一種隨機啟發(fā)式算法。免疫算法中，將目標函數(shù)視為抗原，將目標函數(shù)的優(yōu)化解視為抗體，目標函數(shù)的最基本特征信息視為疫苗，將目標函數(shù)以適當?shù)男问睫D(zhuǎn)換為免疫算子以實施具體操作。免疫思想主要是提取疫苗，通過接種疫苗和免疫選擇兩個步驟來完成，前者是為了提高適應(yīng)度，后者則是防止群體的退化。其中，接種疫苗是對給定的個體按照先驗知識來修改個體，使所得個體具有更高適應(yīng)度的概率較大。免疫選擇分為免疫檢測即選擇較優(yōu)適應(yīng)度粒子和基于矢量矩的濃度機制選擇即依式（8）概率選擇粒子。

其中J(xi)為個體xi的適應(yīng)度值。

概率選擇粒子使進化基因低的適應(yīng)度個體也可獲得繁殖的機會，因此，基于濃度抗體繁殖策略的免疫算法在理論上保證了解的多樣性。

4.4 適應(yīng)度函數(shù)的選擇

適應(yīng)度函數(shù)是衡量粒子群位置優(yōu)劣的函數(shù)，與粒子的位置成反比。由于適應(yīng)度函數(shù)應(yīng)求得其最小值，同時目標函數(shù)的求取與適應(yīng)度函數(shù)具有相同的變化規(guī)律，因此選取目標函數(shù)作為粒子全優(yōu)化的適應(yīng)度函數(shù)[10-12]。由于目標函數(shù)中車身垂直振動加速度、懸架動行程、輪胎動位移三個指標的單位和數(shù)量級均有差異，因此將其分別與對應(yīng)的被動懸架的性能指標求商[11]。適應(yīng)度函數(shù)z的公式如式（9）所示：

J1、ACC分別為主、被動懸架車身垂直加速度均方根值；J2、SWS分別為主、被動懸架動行程均方根；J3、DTD分別為主、被動懸架輪胎動位移均方根值。

4.5 免疫粒子群算法的基本原理

基于免疫粒子群算法將免疫系統(tǒng)的濃度抗體繁殖機制引入PSO中，將粒子視為抗原，每一個抗體代表一個最優(yōu)粒子?？乖c抗體的親和力由PSO算法中的適應(yīng)度來衡量，反映了對目標函數(shù)以及約束條件的滿足程度；抗體之間的親和力則反應(yīng)了粒子之間的差異，即種群的多樣性[13-15]。

與標準PSO算法相比，免疫粒子群算法主要由以下3個部分組成。

（1）基本的PSO算法，可獨立運行，用于控制整個迭代過程。

（2）免疫記憶與自我調(diào)節(jié)功能的實現(xiàn)，用于保證種群的多樣性。

（3）免疫接種的實現(xiàn)，用于提高算法的收斂性能。

其流程圖如圖3所示。

其具體步驟如下：

（1）初始化粒子群：在允許的范圍內(nèi)隨機產(chǎn)生N個粒子的位置及其速度，計算適應(yīng)度值，得到初始化群體的個體極值和全局極值。

（2）抽取疫苗：即依據(jù)全局最優(yōu)粒子群抽取疫苗。

（3）判斷是否滿足約束條件：如果迭代次數(shù)大于最大粒子迭代次數(shù)，就結(jié)束運行，輸出結(jié)果；否則繼續(xù)。

（4）更新粒子的位置和速度;按式（7）對每個粒子的速度和位置進行更新。

（5）群體的更新：將更新的粒子的適應(yīng)度與更新前粒子的適應(yīng)度進行比較，如果適應(yīng)度值增加，則對粒子的位置進行更新，否則保留原來粒子的位置。

（6）隨機產(chǎn)生新的粒子，為了增加全體的多樣性，在每次迭代的過程中都隨機產(chǎn)生M個新粒子，并計算適應(yīng)值。

（7）概率選擇N個粒子形成新的群體：從(N+M)個粒子中，按式（8）概率選擇N個粒子形成新的群體。

（8）接種疫苗和免疫選擇：用步驟（2）產(chǎn)生的免疫“疫苗”對群體中的R個粒子進行接種，計算接種疫苗后的粒子是粒子適應(yīng)度值，并根據(jù)適應(yīng)度值進行免疫選擇。如果適應(yīng)度值減小，則保留該粒子，否則取消疫苗。這樣就形成了新一代群體，轉(zhuǎn)移到（2）。

圖3 免疫粒子群優(yōu)化流程圖

5 仿真分析

5.1 主動懸架系統(tǒng)仿真

為了更好地分析免疫粒子群混合優(yōu)化算法對主動懸架的控制效果，將其與粒子群LQG算法進行比較。懸架模型參數(shù)見表1，免疫粒子群混合優(yōu)化的主動懸架LQG控制模型的Simulink實現(xiàn)如圖4所示。

表1 懸架模型參數(shù)

5.2 粒子群優(yōu)化仿真

運用粒子群對LQG控制器的加權(quán)系數(shù)進行優(yōu)化，需要優(yōu)化的q1、q2、q3參數(shù)的范圍均為0.1～106。算法參數(shù)設(shè)定如下：粒子群算法的群體規(guī)模是100，慣性權(quán)重因子是0.6，最大的迭代次數(shù)是100，速度更新參數(shù)都為2，交叉概率為0.5，變異概率為0.4。目標函數(shù)為公式（9），對LQG參數(shù)進行優(yōu)化，得到免疫算法優(yōu)化前后最優(yōu)個體的適應(yīng)度值變化如圖5所示。

圖4 主動懸架LQG控制模型的Simulink實現(xiàn)

圖5 免疫算法優(yōu)化前后收斂曲線

由圖5可知，隨著種群的不斷變化，最優(yōu)個體的適應(yīng)度函數(shù)值不斷減小，最終收斂至2.496，此時對應(yīng)的最優(yōu)個體為(q1,q2,q3)=(1 110.65,10 711.053,76 508.625)，并將其反饋到主動懸架系統(tǒng)中求出最優(yōu)控制力。將優(yōu)化前后的主動懸架的仿真結(jié)果進行比較分析，如圖6所示。

本文中提出的主動懸架控制和被動懸架系統(tǒng)的仿真結(jié)果進行對比，三個不同控制策略下系統(tǒng)懸架性能的比較結(jié)果如表2所示。

表2 不同控制策略下懸架性能指標均方根的對比分析

從表2中數(shù)據(jù)得到在相同的路面激勵下，主動懸架的粒子群LQG控制器比被動懸架的控制效果在各方面都有提升，其中懸架垂直加速度減少了31.75%，車身動位移減少了9.23%，輪胎動行程減少了20.20%。這表明采用主動懸架作為控制對象是合理的。而優(yōu)化的粒子群LQG控制器比優(yōu)化前的粒子群LQG相比，懸架垂直加速度減少了3.88%，車身動位移減少了1.84%，輪胎動行程減少了6.79%。LQG經(jīng)優(yōu)化后使主動懸架主要性能得到了一定程度的提高。

圖6 主動懸架PSO-LQG算法優(yōu)化前后結(jié)果圖

6 結(jié)束語

通過1/4二自由度車輛模型的仿真分析，在C級路面上通過濾波白噪聲激勵，對免疫粒子群的控制方法進行了驗證。結(jié)果表明，所提出的免疫粒子群LQG控制方法使振動中懸架垂直加速度、動行程、輪胎動位移這些重要指標得到顯著的改善，改善了汽車的平順性和操縱穩(wěn)定性，系統(tǒng)的動態(tài)性能和穩(wěn)定性能更接近最優(yōu)解。

[1] 王洪禮，石磊，劉文革.汽車懸架系統(tǒng)非線性振動的主動控制[J].機械強度，2000，22（3）：164-166.

[2] 劉棟，唐焱，顧慧芽.汽車主動懸架控制系統(tǒng)的發(fā)展研究[J].液壓氣動與密封，2010（5）：21-25.

[3] 劉少軍，饒大可，黃中華.車輛主動懸架系統(tǒng)及其控制方法[J].湘潭大學自然科學學報，2003，25（2）：65-69.

[4] 貝紹軼，袁傳義，陳龍.基于軸距預瞄的半主動懸架模糊神經(jīng)網(wǎng)絡(luò)控制[J].汽車工程，2010，25（12）：1067-1070.

[5] 孫曉強，陳龍，汪少華.半主動空氣懸架阻尼多模型自適應(yīng)控制研究[J].農(nóng)業(yè)機械學報，2015，46（3）：351-357.

[6] 陳杰平，馮武堂，郭萬山.整車磁流變減振器半主動懸架變論域模糊控制策略[J].農(nóng)業(yè)機械學報，2011，42（5）：7-13.

[7] 劉道.基于改進粒子群優(yōu)化算法的PID參數(shù)整定研究[D].湖南衡陽：南華大學，2012.

[8] 曹建波.基于SIMULINK車輛主動懸架動態(tài)特性及控制的研究[D].西安：西安理工大學，2009.

[9] 黃偉，徐建，朱大勇.基于粒子群優(yōu)化的動力設(shè)備主動振動控制研究[J].合肥工業(yè)大學學報：自然科學版，2016，39（4）：494-498.

[10] 付濤，王大鎮(zhèn)，弓清忠.車輛主動懸架優(yōu)化設(shè)計與仿真分析[J].計算機工程與應(yīng)用，2016，52（6）：253-257.

[11] 邱澤敏，趙慧青.粒子群運動特性下的神經(jīng)網(wǎng)絡(luò)目標搜索算法[J].計算機工程與應(yīng)用，2017，53（18）：51-55.

[12] 趙強，白欣.基于粒子群算法優(yōu)化的車輛主動懸架PID控制[J].森林工程，2017，33（1）：66-69.

[13] 王倪.基于免疫PID算法的無線網(wǎng)絡(luò)擁塞控制優(yōu)化[J].電腦知識與技術(shù)，2017，13（2）：44-46.

[14] 張波濤，劉士榮，呂強.采用生物信息克隆的免疫算法[J].控制理論與應(yīng)用，2010，27（6）：799-803.

[15] 陳云芳，王舒雅.免疫算子對種群多樣性的影響分析[J].計算機工程與應(yīng)用，2014，50（20）：68-73.

ZHANG Yufen,LONG Jinlian,LI Jing,et al.Research on LQG of active suspension based on immune particle swarm optimization.Computer Engineering andApplications,2018,54（6）：252-256.

ZHANG Yufen1,LONG Jinlian1,LI Jing1,LU Jiaxuan2

1.College of Electrical Engineering,Guizhou University,Guiyang 550025,China
2.College of Big Data and Information Engineering,Guizhou University,Guiyang 550025,China

In order to solve the disadvantage that the weight coefficients depend on prior knowledge for the LQG controllerused in the active suspension,an immune particle swarm optimization algorithm is proposed.Firstly,the particle swarm optimization algorithm is used to optimize the parameters and obtain the quasi-optimal parameters as the initial value of online regulation,then the parameters are optimized in real time with the immune particle swarm algorithm.This method is simple,which can maintain the particle diversity and the convergence rate and precocity of PSO in particle swarm and the complexity of the immune algorithm are improved at the same time.The feasibility and validity of the proposed method are verified by simulation.

active suspension;linear quadratic（LQG）controller;immune particle swarm optimization;particle swarm optimization

針對LQG控制器用于主動懸架存在權(quán)重系數(shù)依靠先驗知識來確定的不足，提出了免疫粒子群混合優(yōu)化算法。該算法首先利用粒子群算法對LQG參數(shù)進行離線優(yōu)化，得到一組準最優(yōu)LQG參數(shù)，將其作為在線調(diào)節(jié)初始值，然后引入免疫粒子群算法對LQG參數(shù)進行在線實時優(yōu)化。該方法實現(xiàn)簡單，在保持粒子多樣性的同時也改善了粒子群算法收斂速度慢、早熟以及免疫算法過程繁復冗長。仿真驗證了所提方法的可行性與有效性。

主動懸架；線性二次型（LQG）控制器；免疫粒子群混合優(yōu)化算法；粒子群算法

2017-09-19

2017-11-14

1002-8331（2018）06-0252-05

A

U463

10.3778/j.issn.1002-8331.1709-0270

國家自然科學基金（No.51567005）。

張玉分（1990—），女，碩士，主要研究領(lǐng)域為電力電子信息技術(shù)；龍金蓮（1990—），女，碩士，主要研究領(lǐng)域為電力電子信息技術(shù)；李婧（1990—），女，碩士，主要研究領(lǐng)域為電力系統(tǒng)電能質(zhì)量；盧家暄（1974—），通訊作者，女，副教授，碩士研究生導師，主要研究領(lǐng)域為電力電子信息技術(shù)。