【被动/LQR主动悬架模型】 采用LQR控制的主动悬架模型选取车身加速度、悬架动挠度等参数构造线性二次型最优控制目标函数。 输入为B级随机路面激励输出为车身垂向加速度、俯仰角加速度、悬架动挠度等平顺性评价指标可做汽车平顺性仿真。 二自由度1/4车辆模型 被动悬架r200. 主动悬架r280. 四自由度1/2车辆模型 被动悬架r280. 主动悬架r380. 内容包括模型所有源文件说明文档和参考资料今天在研究汽车悬架系统的时候偶然发现了一个挺有意思的话题被动悬架和主动悬架的对比分析。特别是涉及到主动悬架中的LQR线性二次型调节器控制感觉这个技术真是把汽车的舒适性和操控性提升了一个档次。先从被动悬架说起吧。被动悬架的特点就是结构简单成本低而且维护起来也不麻烦。在二自由度的1/4车辆模型中被动悬架的动挠度一般控制在r200左右而到了四自由度的1/2模型这个数值会增加到r280。这里的数据让我想到动挠度的增大可能意味着悬架在面对更复杂路况时的适应能力更强但同时也可能带来一些负面影响比如舒适性可能会有所下降。不过说到被动悬架真的没什么好说的。它的性能主要取决于悬架系统的刚度和阻尼这些参数一旦设定好了就很难再调整了。也就是说被动悬架在面对不同路面条件时表现是固定的无法动态调节以适应当前路况。这个时候主动悬架的优势就体现出来了。说到主动悬架不得不提的就是LQR控制技术。LQR控制是一种基于状态反馈的最优控制方法通过构建一个二次型的目标函数让系统在满足一定性能指标的前提下找到最优的控制策略。在这里目标函数的参数选取非常关键。比如车身加速度和悬架动挠度这两个参数就被作为主要的性能指标被纳入了目标函数中。这样一来控制律就能实时调整悬架的阻尼力让车身的加速度和悬架动挠度尽可能小从而提升乘坐的舒适性。【被动/LQR主动悬架模型】 采用LQR控制的主动悬架模型选取车身加速度、悬架动挠度等参数构造线性二次型最优控制目标函数。 输入为B级随机路面激励输出为车身垂向加速度、俯仰角加速度、悬架动挠度等平顺性评价指标可做汽车平顺性仿真。 二自由度1/4车辆模型 被动悬架r200. 主动悬架r280. 四自由度1/2车辆模型 被动悬架r280. 主动悬架r380. 内容包括模型所有源文件说明文档和参考资料不过怎么具体实现这个控制呢代码是关键。下面我来简单写一个LQR控制的代码框架大家看看是不是很有趣% 定义状态变量 A [0 1 0 0; 0 0 1 0; 0 0 -c1/m1 -k1/m1; 0 0 0 -c2/m2]; B [0 0 0 b1/m2]; C [1 0 0 0; 0 1 0 0]; D [0 0]; Q diag([1 1 1 1]); % 状态权重矩阵 R [1]; % 控制输入权重 K lqr(A, B, Q, R); % 计算最优反馈增益代码里A和B矩阵定义了悬架系统的状态空间模型C和D则是输出矩阵。Q和R分别代表状态和控制输入的权重矩阵权重越高对应的性能指标就越重要。最后通过lqr函数计算出最优的反馈增益矩阵K。这个K其实就是控制律的核心它决定了悬架在每一个时刻应该如何调整阻尼力以达到最优的控制效果。再来看一下主动悬架在不同车辆模型中的表现。在二自由度的1/4车辆模型中主动悬架的动挠度控制在r280而在四自由度的1/2模型中这个数值增加到了r380。这个数据让我觉得四自由度模型的主动悬架系统可能需要更多的传感器和更复杂的控制算法但它的舒适性表现显然更好。最后关于仿真结果这里用B级随机路面作为输入测试了车身垂向加速度、俯仰角加速度和悬架动挠度等关键指标。仿真结果表明主动悬架在这些指标上都有明显的优势特别是车身垂向加速度下降幅度非常大。这说明LQR控制确实能有效提升车辆的平顺性。不过仿真再好也要有实际的数据支撑。项目中提供的模型源文件和参考资料对我的理解帮助很大。特别是参考资料里的一些实验数据和图解让我对LQR控制的原理和应用有了更直观的认识。总的来说研究主动悬架特别是LQR控制的过程让我对现代汽车的控制技术有了更深的了解。虽然被动悬架有它自己的优势但主动悬架的动态调节能力和更高的舒适性显然是未来发展的趋势。