主动悬架控制算法总结报告
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
主动悬架控制算法总结报告
主动悬架控制算法总结报告
悬架系统的作用就是将轮胎所承受的各种力和力矩传递给车架和车身,并能吸收、缓和路面传来的振动和冲击,减少驾室内的噪声,增加乘客的舒适性以及保持汽车良好的操作性和平稳的行驶性。
汽车悬架性能将影响汽车的操纵稳定性和行驶平顺性,在悬架设计中不可能同时使上述性能指标均达到最优。
在悬架参数设计中,往往是在保证操纵稳定性的前提下,尽可能改善汽车的行驶平顺性,或者是将悬架设计成主动控制悬架,使其能根据不同的载荷、不同的行驶工况来自动调节悬架参数(刚度、阻尼)。
由于在悬架系统硬件设计不变的情况下,不同的控制律会导致不同的控制效果;而且半主动悬架与全主动悬架相比仅仅是控制对象能量消耗方式不同,因此半主动悬架的控制律设计完全可以基于主动悬架的控制策略来进行,只需根据消耗能量的情况进行适当的修正。
从七八十年代开始,人们不断尝试将各种控制方法和控制概念引入到智能悬架的控制律设计中,在主动悬架及其相关技术方面每年都有大量的文献和成果问世。
有效地改善了悬架系统的性能和控制质量。
国外一些工业发达国家虽然己经在某些车型上应用了主动悬架产品,但在控制算法的改进,系统稳定性的增强,性能价格比的提高等方面仍有大量工作要做。
目前国内的研究尚处于悬架系统控制算法的优化设计、理论分析及计算机仿真研究阶段。
各种现代控制方法在汽车悬架控制中的应用也只是处于初级理论探索和仿真阶段。
主动悬架控制理论实质上是经典控制理论,现代控制理论与汽车动力学理论相结合的产物。
在过去的几十年中,国内外许多学者在主动悬架控制理论方面进行了
大量的研究。
国外有影响的学者有Karnopp[1],Thompson[2],Crolla和Langlois等人。
研究的控制理论内容涉及天棚阻尼控制理论,随机最优控制理论,变结构控制理论,预瞄控制理论等。
随着现代控制理论的发展与渗透,自适应控制理论,模糊控制,H无穷控制理论,神经网络控制等也日显其优越性。
国
1
主动悬架控制算法总结报告
内,丁科等人对主动悬架的神经网络控制进行了研究。
何渝生等将LQG最优控制理论应用于主动控制。
从总体上看,系统建模的合理化、控制理论复杂化和控制过程的实用有效化是当今主动悬架开发研究的一大特点,这些研究极大地丰富了汽车悬架控制的理论基础,有力地推动了主动悬架在汽车上应用的进程。
不同的控制策略,将会导致不同的悬架特性和减振效果。
悬架系统控制理论的发展主要经历了两个阶段:第一阶段从20世纪60年代至90年代,为主动悬架的经典PID控制和线性最优控制研究时期;第二阶段从20世纪90年代初至今,主要为主动悬架预见控制和智能控制等高级控制理论的兴起和发展阶段。
到目前为止,主动悬架控制理论发展的第一阶段已经结束。
作为发展的高潮时期,第二阶段的理论正处于研究和探讨之中。
下面简要介绍一些常见的主动悬架控制策略和方法。
1. 天棚阻尼器控制方法[3]
天棚原理是E.K.Bender[4]在60年代提出的,它的设计思想广泛用于主动和半主动悬架中,通常天棚控制被当作其它控制策略参照比较的对象。
天棚阻尼器控制设想将系统中的阻尼器移至车体与某固定的天棚之间。
就主动悬架而言,也就是要求由执行机构产生一个与车体的上下振动绝对速度成比例的控制力来衰减车体的振动。
传统的被动悬架可以认为是带阻尼器的双质量振动系统,当考虑到带宽和系统的共振特性时,传统被动悬架性能不能令人满意。
但带天棚阻尼器的车辆悬架,只要合理选择参数,可彻底消除系统共振现象。
2. 自适应、自校正控制方法
自适应控制是一种实时调节控制器的方法,其研究对象是具有一定不确定性的系统。
这里所谓的“不确定性”是指描述被控对象及其环境的数学模型不是完全确定的,其中包含一些未知因素和随机因素。
在悬架控制系统的设计中,自适应控制能自动监测系统参数的变化,并实时地调节控制策略,从而使系统具有良好的性能。
目前,比较完善的自适应理论有模型参考自适应控制和自校正控制。
前者可对控制器的参数进行直接更新,而后者是采用参数估计的方式间接地对控制器进行更新[5]。
Sunwoo等[6]以理想的天棚阻尼控制为参考模型,采用了主动悬架的模型参考自适应控制方法。
仿真结果表明,当悬架自身参数发生变化时,系统依然具有良好的性能。
文献[7]将非线性“滑模”控制规则应用于电液主动
2
主动悬架控制算法总结报告
悬架系统中。
文中采用了精确的悬架系统模型,通过自适应控制使车辆的行驶特性得到改善。
孙建民[8]把LMS自适应控制策略应用在主动悬架系统中,在2自由度的悬架系统试验台上进行了试验,验证了该方法的可行性。
但是,自适应控制仅适合于悬架参数在某一特定范围内缓慢变化的情况。
当系统参数的变化超出特定的范围时,系统的控制效果将会变差。
3. 预见控制方法
主动悬架的预见控制能够根据车辆目前的行驶状态和未来干扰等因素来提前给出调节作用,使悬架系统最有效地抵消外部干扰所引起的振动[9-10]。
预见控制的实现方法有两类,一类是将前轮悬架的状态信息反馈给后轮悬架,另一类是通过测量车轮前方道路来获得实时的路况信息,并将此信息作为主动悬架设计的重要依据。
刘少军、何将三等[11-12]研究了最优预见控制算法,并成功地应用在了主动悬架半车模型控制中。
文献[13-14]对随机路面下的主动悬架最优预见控制进行了研究。
Kim[15]将路面感知算法应用于主动悬架的预见控制中,对7自由度整车的
仿真结果表明了该方法的有效性和实用性。
Marzbanrad[16]等对悬架系统的随机最优预见控制进行了研究。
通过在车身的不同位置安装传感器,来测量车辆行驶的路面信息和车身速度。
仿真结果表明,预见控制能够提高悬架系统性能,并减少车辆能耗。
实际上,预见控制也有其不足之处:?预见控制是在假定悬架系统是线性时不变系统的情况下制定的,并没有对车辆参数的时变性加以研究;?预见控制要求车辆装备特制的预见传感器,虽然在技术上是可行的,但考虑到实车的制造成本、车辆工作环境对传感器使用寿命的影响等实际问题,要将预见控制应用于实际还有很多问题有待解决。
4. 模糊控制方法
自90年代以来,模糊控制方法被应用在车辆悬架系统中。
有人利用
MATLAB(SIMULINK)语言,来实现模糊控制系统的仿真。
2003年,刘宏伟等人[17]以1/4车辆模型为仿真对象,建立模糊控制器,并模拟B级路面为随机输入,对模型进行了计算机仿真,试验表明当系统模型的结构参数发生改变时,该控制器能表现出良好的鲁棒性。
2004年,雷海蓉[18]以空气悬架系统为研究对象,采用模糊控制的基本理论,应用Matlab软件以及Simulink模块,建立了1/4车辆
3
主动悬架控制算法总结报告
模型和模糊控制器,通过对模糊控制系统的仿真分析,探索了电控空气悬架控制系统的设计思路与方法,并编制了模糊控制算法。
2005年,王宏杰[19]以空气悬架系统为研究对象,采用模糊控制理论,设计了自调整模糊控制器,通过Matlab软件建立控制器模型,编制模糊控制算法。
通过仿真分析,可以看出,悬架性能逐步被改善。
其中具有代表性的是日本德岛大学芳村敏夫教授的研究工作。
应用模糊控制能减少控制器的存储空间,降低成本,缩短半主动悬架的延时,使控
制更加及时,提高悬架系统的可靠性。
模糊理论应用于汽车悬架主动控制的步骤,以系统的某些状态量为输入,输入量首先经过模糊化,再按一定的模糊规则进行模糊推理,将得到的结果经过模糊化后得到精确值作为输出来控制悬架。
为了使模糊控制器具有良好的自适应性和鲁棒性,许多专家致力于模糊控制器自动设计的研究。
例如,宋晓琳、郭建华[20-21]等将免疫算法、遗传算法与模糊控制相结合,对模糊规则进行了优化。
仿真结果表明,具有模糊控制器的主动悬架能够有效地改善车辆行驶的平顺性和操纵稳定性,并具有较好的适应性和鲁棒性。
5. 神经网络控制方法
神经网络的应用已渗透到自动控制领域的各个方面,包括系统辨识、系统控制、优化计算以及控制系统的故障诊断与容错控制等。
传统的辨识方法对于非线性系统的识别较困难,而神经网络却提供了一个有力的工具。
神经网络系统辨识实际上选择一个适当的神经网络模型来逼近实际系统。
由于神经网络对非线性函数具有任意逼近和自学习能力,所以神经网络系统辨识为非线性系统的辨识提供了一种简单而有效的一般性方法。
可以建立一种神经网络自适应控制结构,其中有两个子神经网络,其一对系统进行在线辨识。
在对被控对象进行在线辨识的基础上,应用另一个具有控制作用的神经网络,通过对控制网络的权系数进行在线调整,控制器经过学习,对悬架系统进行在线控制,使系统输出逐渐向期望值接近[22-23]。
具有神经网络自适应控制的主动悬架能很好地减少车辆振动,提高行驶平顺性和稳定性[24]。
日本农业工程大学的Moran和Nagai利用神经网络对实际的非线性悬架作了辨识与控制[25-27],并与线性控制器进行比较,结果表明了神经网络控制的优越性。
Guleza等人[28]针对8自由度非线性悬架系统设计了CBA神经网络控制
4
主动悬架控制算法总结报告
器,时域和频域的仿真结果表明设计得到的主动悬架极大地改善了乘坐舒适性,而且能耗很低。
Yildirim[29]针对1/4车悬架系统设计了神经网络控制器。
与传统的PD、PI、PID控制器进行比较,结果表明设计得到的主动悬架系统展现出了良好的乘坐舒适性和鲁棒性。
王磊[30]提出了一种基于RBF神经网络在线辨识的单神经元PID自适应控制方法,并将此制策略应用于车辆主动悬架1/4车模型。
仿真结果表明,这种控制策略能够使乘坐舒适性得到明显改善。
黄剑鸣、富丽娟[31]建立了车辆主动悬架再生神经网络模型,并提出了一种神经模糊适应性控制算法。
对一辆装有磁流变液减振器的模糊神经控制系统的微车,在各种速度与路面条件下进行测试,结果表明神经控制算法在减小微车振动方面表现出了良好的性能。
学习是神经网络研究的一个重要内容,它的适应性是通过学习实现的。
然而神经网络学习速度较慢,不适合应用在实时控制中;此外,如何获取神经网络的训练样本和改进训练策略等问题还有待于进一步研究和解决。
6. 反馈控制方法[32] 这种控制方法实现了执行机构实时连续调节,对控制系统的稳定性、精确性和反应速度要求较高,需要测量的信息和计算量较大,通常采用最优控制算法和自适应控制算法,将悬架处理成跟踪问题或随机干扰滤波器问题。
7. 线性最优控制方法
上世纪60年代,线性最优控制理论已被应用于车辆悬架系统的研究中。
线性二次型调节器控制理论(简称LQR)和线性二次高斯型控制理论(简称LQG)是主动悬架设计人员常用的方法。
理论上讲,LQR和LQG主动悬架大幅度地改善了车辆的性能,且具有较大的稳定裕量。
但主动悬架对模型摄动时基本不具备鲁棒性,在激励频率大于60Hz时,系统极易变得不稳定。
因此线性最优控制具有以下不足之处: ?采用线性最优控制理论来设计主动悬架时,需要有一个明确的目标函数。
目标函数中的加权系数体现了各个被优化性能的相对重要性,并且决定了悬架的性能倾向,但是加权系数的选取并没有明确的理论加以指导,因此选择合适的加权系数来获得
满意的控制效果并非易事,往往需要经历反复调试的过程。
?最优控制理论很难处理好频域内的减振问题,难以使车辆兼具良好的时域和频域性能。
?没有考虑模型的不确定性,只是在平均意义上对随机白噪声扰动进行了抑制。
因此当模型存在摄动时,线性最优控制基本不具有鲁棒性[33]。
5
主动悬架控制算法总结报告
8. 决策控制方法[34]
这种控制方法是预先测量对不同的路面和行驶条件下汽车的振动响应,并通过优化计算得到所需的最佳K和C,存入主动悬架控制系统ECU的ROM中,在进行实时控制悬架时,ECU不断检测汽车行驶过程中的振动响应,通过决策判断查出对应工况下应选的最优或次优悬架的K和C,控制执行机构作出响应。
9. H?控制方法[34]
车辆悬架H?最优控制的基本思想是,引入了悬架系统中激励对误差信号的传递函数,即灵敏度函数的H?范数作为评价这类干扰影响的指标。
由于传递函数的H?范数描述了输入有限能量到输出能量的最大增益,如果使灵敏度函数的H?范数达到最小,那么具有有限功率谱的激励对系统误差的影响将会降到最低限度。
目前,H?控制策略在车辆的悬架控制方面已经有了应用,然而,基于H?理论的鲁棒控制等在理论上尚未成熟。
H?能反映哪些工程指标,其实质是什么,实际问题怎样转化成H?优化问题等一些关键问题到目前为止还没有统一的说明;另外,H?控制的算法复杂,计算量大,必须在简化算法上作大量工作,才能在悬架控制上应用。
主动悬架控制存在的主要问题。
虽然主动悬架控制策略的研究已经取得了一定的成果,但还存在以下几个方面的问题有待解决:
1.对主动悬架硬约束考虑不足。
有些研究根本没有考虑系统的硬约束,例如悬架动行程、轮胎动载荷和作动器输出饱和等。
单纯地以改善乘坐舒适性为目标,忽
略悬架系统承受极限值的设计方法将会导致设计出的控制器在实际中无法达到预想的效果,甚至根本不可行。
2.对悬架系统模型不确定性的认识不足,缺乏对控制系统鲁棒性的分析。
大部分主动悬架的设计都是基于系统的名义模型进行的,因此当不确定性发生时,主动悬架难以达到预期的设计效果,甚至出现不稳定的情况。
3.忽略了悬架系统的频域性能要求。
大部分控制器的设计仅考虑了悬架系统的时域性能要求,很少考虑到对频域性能的要求,尤其是在4,8Hz和1,2Hz的特定频段内,悬架系统的频域性能甚至不如被动悬架,这反而降低了乘坐舒适性。
4.路面扰动单一化。
目前,评价悬架性能时只考虑来自路面的白噪声扰动,
6
主动悬架控制算法总结报告
依据各输出变量的均方根(RMS)值来评价算法的优劣,并没有考虑到冲击性包块路面输入的情况。
该路面信号强度较大,容易使悬架系统发生违背硬约束的情况,因此考虑悬架系统的包块响应是十分必要的。
为了更好的对主动悬架进行控制,有时光靠上面提出的单一算法恐怕很难实现,伴随着控制理论更加成熟,结合两种或几种控制算法提出新的控制算法,下面具体介绍一些控制算法的控制过程。
文献[35]中提出了一种主动悬架鲁棒控制策略的新型优化算法—DELMI算法,采用了线性矩阵不等式(LMI)方法和差分进化算法(DE)相结合的双重优化算法(DELMI)。
下图是DELMI算法流程图:
图1 DELMI算法流程图
文献[36]中应用了自适应模糊PID控制方法,自适应模糊PID控制属于自适应PID控制的一种。
自适应模糊PID控制就是将PID控制和模糊控制相结合,吸收了两者的优点。
首先,它具备自适应能力,能够自动辨识被控过程参数、自动整定控制参数,能够适应被控过程参数的变化;其次,它又具有常规PID控制器结构简单、鲁棒性强、可靠性高的优点,使得自适应PID控制成为一种较理想的控制策略。
7
主动悬架控制算法总结报告
图2 自适应模糊PID控制器结构图
文献[37]中将LQG算法和参考模型自适应算法相结合形成新的控制算法,这种算法叫做综合参考模型自适应算法CMRAC(Comprehensive Model Reference Adaptive Control)。
提高悬架性能需综合考虑轮胎的接地性、车身加速度及悬架的动挠度,取J为LQG控制器的性能指标。
T1222222
Jqzqzqzzqzzqzzqzzdt,,,,,,,,,,[()()()()]123456sfsfufrfufrrsfufsrurli m,0T,,T
q—前轴悬挂质量垂向加速度加权系数; 1
q—后轴悬挂质量垂向加速度加权系数; 2
q—前轮轮胎动位移加权系数; 3
q—后轮轮胎动位移加权系数; 4
q—前轴悬架动挠度加权系数; 5
q—后轴悬架动挠度加权系数; 6
图3 自适应LQG算法结构图
8
主动悬架控制算法总结报告
文献[38]中介绍了一种自适应模糊控制方法,图4所示为一个自适应模糊控制系统的基本框架。
这个参考模型通常用于刻画一个模糊控制系统应该遵循的理想相应。
被控对象中含有若干个未知的部件,模糊控制器则根据带有可调参数θ的模
糊系统来设计。
自适应律实时调节这些参数θ,使得被控对象的输出y(t)能跟踪参考模型的输出y(t) m
图4 自适应模糊控制系统的基本框图
文献[18]设计了一种半主动悬架自调整模糊控制器,自调整模糊控制器可以根据误差及其变化率的大小自动修改控制规则,以使控制的目标函数达到最小值。
在实践中,除了直接改变模糊控制规则外,还可以通过调整控制器的结构调整参数来提高控制性能,将两者合理匹配可以得到比较满意的控制效果。
图5 自调整模糊控制系统框图
9
主动悬架控制算法总结报告
文献[39]中介绍了一种基于模糊神经的模型参考自适应控制方法,采用车身振动加速度的统计值,即加速度均方根值y为控制指标,降低了对控制器及执d
行机构等的硬件性能要求,易实现在线控制。
模糊神经控制器的输入为悬架模型
簧载质量加速度均方根值y与给定值y差值e及差值的变化量?d
e
图6 模糊神经自适应控制系统框图
文献[40]中应用模糊自适应控制方法以悬架行程和悬架速度作为控制器输
入量,输出量为驱动力,这种控制器叫做模糊PD控制器,再将建立的控制器与
自适应法则相结合,达到最佳的控制效果。
文献[41]中介绍了一种PID最优控制方法使主动悬架同时提高平顺性和操纵稳定性,并建立7自由度整车模型进行联合仿真。
参考文献
[1]Crosby M J,Karnopp D C.The active damper-a new concept for shock and
vibration control[J].43rd Shock and Vibration Bulletin,part H,
1973,7:459-473.
[2]Thompson A G.An active suspension with optimal linear state
10
主动悬架控制算法总结报告
feedback[J].Vehicle System Dynamic.1976,5:187-203.
[3] 潘志鹏. 汽车空气悬架系统的最优控制研究[D]. 哈尔滨理工大学, 2009
[4]E.K.Bender, P.J.Remington. The Influence of Rails on Train Noise, Journal of Sound and Vibration 1974, 37(3), 101-109
[5]韩曾晋.自适应控制[M].北京:清华大学出版社,1995.
[6]Sunwoo M,Cheok KC,Huang NJ.Model reference adaptive control for vehicle active suspension systems[J].IEEE Transactions on Industrial Electronics, 1991, 38(3):217-222.
[7] Alleyne A, Hedrick JK.Nonlinear adaptive control of active suspensions[J].IEEE Transactions on Control Systems Technology,
1995,3(1):94-101.
[8]孙建民,杨清梅,陈玉强.LMS自适应主动控制汽车悬架系统试验研究[J].中
国机械工程,2003,14(24):2153-2155.
[9]刘少军.现代控制方法及计算机辅助设计[M].长沙:中南大学出版社,2003
[10]何将三,李艳.汽车主动悬架的最优预见控制[J].汽车工
程,1999,21(6),333-337.
[11]刘少军,钟掘,郭淑娟等.最优预见控制设计及在汽车主动悬架控制中的应用
[J].中南工业大学学报,1997,28(2):174-177.
[12]Liu S.J,Li Y.Study on preview control method of active suspension based on a half-car model[J].Journal of Central South University of Technology, 1999, 6(1):54-55.
[13]Marzbanrad J,Ahmadi G.,Zohoor H.,etal.Stochastic optimal preview control of a vehicle suspension[J].Journal of Sound and Vibration, 2004, 275(3-5): 973-990.
[14]Thompson AG.,Davis putation of the rms state variables and control forces in a half-car model with preview active suspension using spectral decomposition methods [J].Journal of Sound and Vibration, 2005,285(3):571-583.
[15]Kim H.J,Yang H S,Park YP.Improving the vehicle performance with
11
主动悬架控制算法总结报告
active suspension using road-sensing puters and Structures, 2002,80(18-19):1569–1577.
[16]Marzbanrad J,Ahmadi G.,Zohoorc H.,et al.Stochastic optimal preview control of a vehicle suspension[J].Journal of Sound and Vibration, 2004,275(3-5): 973–990.
[17]刘宏伟,雷海容,陈燕虹,等(空气悬架系统模糊控制仿真分析[J](汽车
技术,2003,(7):1-4.
[18]雷海蓉(电控空气悬架模糊控制系统的开发[D](吉林大学硕士学位论文,
2004:6-17.
[19]王宏杰(基于模糊控制的半主动空气悬架系统的仿真与试验研究[D].吉林
大
学硕士学位论文,2005:9-18.
[20]宋晓琳,于德介,殷智宏.采用免疫算法优化设计汽车主动悬架的模糊控制
器
[J].系统仿真学报,2006,18(9):2634-2637.
[21]宋晓琳,于德介,金耀等.基于DNA免疫算法的汽车主动悬架模糊规则优化
[J].振动与冲击,2007,26(9):63-66.
[22]郭建华,李幼德,李静.基于遗传算法的主动悬架模糊控制器设计[J].系统
仿
真学报,2007,19(18):4178-4181.
[23]姜立标,王薇,谢东,等(汽车半主动空气悬架自适应模糊神经网络控制
[J](哈尔滨工业大学学报,2005,37(12):1747-1750.
[23]陈燕虹,黄治国,刘宏伟,等(基于神经网络控制的半主动空气悬架仿真
研
究[J](汽车技术,2004,(6):7-10.
[25]郑泉.基于遗传算法-神经网络的半主动悬架控制仿真[J].合肥工业大学学
报,2002,25(2):230-235.
[26]Moran A, Nagai M.Optimal preview control of rear suspension
using nonlinear neuralnetworks[J].Vehicle System Dynamics, 1993, 22(5-6): 321–334.
[27]Moran A,Nagai M.Optimal active control of nonlinear vehicle suspensions using neural networks[J].JSME International Journal,Series C:Dynamics,Control,Robotics,Design and Manufacturing 1994, 37(4):
12
主动悬架控制算法总结报告
707-718.
[28]Nagai M,Moran A,Tamura Y,et al(Identification and control of
nonlinear active pneumatic suspension for railway vehicles using neural networks[J].Control Engineering Practice,1997,5(8):1137-1144.
[29]Guleza K,Guclu R.CBA-neural network control of a non-linear full vehicle model[J]. Simulation Modelling Practice and Theory,
2008,16(9):1163-1176.
[30]Yildirim S.Vibration control of suspension systems using a proposed neural network [J]. Journal of Sound and Vibration, 2004,
277(4-5):1059–1069.
[31]王磊,佘翊妮,孟彬等.神经网络控制在汽车主动悬架中的应用[J].重庆工学
院学报,2006,20(5):15-18.
[32]黄剑鸣,富丽娟.汽车主动悬架系统的神经网络控制算法[J].重庆工学院学
报(自然科学版),2008,22(3):100-103.
[33]Ulsoy AG.,Hrovat D,Tseng T.Stability Robustness of LQ and LQG Active Suspensions[J].Journal of Dynamic Systems,Measurement and Control,Transactions of the ASME,1994,116(1):123–131.
[34]基于模糊控制的半主动空气悬架系统的仿真与试验研究
[35] 刘博树. 基于新型优化算法的主动悬架鲁棒输出反馈控制研究[D]. 吉林
大学, 2010
[36] 刘哲. 主动悬架的控制策略与仿真研究[D]. 吉林大学, 2006
[37] 于军. 空气悬架控制器研究[D]. 武汉理工大学, 2009
[38] 胡芳. 空气悬架系统及主动控制的研究[D]. 合肥工业大学, 2005
[39] 黄治国. 空气悬架控制系统仿真及试验研究[D]. 吉林大学, 2004
[40] Sharkawy, A. B.(2005) ‘Fuzzy an d adaptive fuzzy control for
the
automobiles' active suspension system', Vehicle System Dynamics, 43: 11, 795 — 806.
[41] Youn, I. , Im, J. and Tomizuka, M.(2006)‘Level and attitude control
of the active suspension system with integral and derivative action',
13
主动悬架控制算法总结报告
Vehicle System Dynamics, 44: 9, 659 — 674
14。