Une nouvelle approche avec un algorithme de contrôle intégral proportionnel en mode glissant flou accordé par la méthode floue (FSMPIF)

Nov 27, 2023

Rapports scientifiques volume 13, Numéro d'article : 7327 (2023) Citer cet article

226 accès

Détails des métriques

Les vibrations d'une automobile peuvent être causées par une stimulation provenant de la surface de la route. La variation des valeurs de déplacement et d'accélération de la masse suspendue est utilisée pour évaluer les vibrations de l'automobile. L'utilisation d'un système de suspension active est recommandée afin d'atteindre un niveau accru de confort de conduite. Cet article présente une nouvelle stratégie de régulation du fonctionnement d'un système de suspension active qui a été mise à l'étude. L'algorithme PI (Proportional Integral), l'algorithme SMC (Sliding Mode Control) et l'algorithme Fuzzy ont servi de base au développement de l'algorithme FSMPIF. Le signal généré par l'algorithme SMC est ce qui est utilisé comme entrée pour l'algorithme Fuzzy. De plus, les paramètres du contrôleur PI sont modifiés à l'aide d'un autre algorithme Fuzzy. Ces deux méthodes Fuzzy fonctionnent indépendamment l'une de l'autre et dans un cadre totalement distinct l'une de l'autre. Cet algorithme a été créé d'une manière tout à fait originale et nouvelle. À l'aide d'une technique de modélisation numérique, la vibration des automobiles est étudiée avec un accent particulier sur deux situations d'utilisation distinctes. Dans chaque cas, une comparaison est faite entre quatre circonstances différentes. Une fois la méthode FSMPIF mise en œuvre, les résultats du processus de simulation ont démontré que les valeurs de déplacement et d'accélération de la masse suspendue sont significativement diminuées. Cela a été déterminé en examinant les valeurs avant et après la mise en œuvre du nouvel algorithme. Dans le premier cas, ces chiffres ne dépassent pas une différence de 2,55% par rapport aux automobiles qui utilisent des systèmes de suspension passive. Dans le second cas, ces chiffres sont inférieurs à 12,59 % au total. En conséquence directe, la stabilité et le niveau de confort de l'automobile ont été considérablement améliorés.

Le confort et la stabilité de l'automobile sont des facteurs cruciaux. Cela peut avoir un impact sur le confort des passagers du véhicule. Le système de suspension garantit le bon niveau de confort de conduite1. En règle générale, le système de suspension se situe entre la carrosserie du véhicule et la roue. Les composants au-dessus d'un système de suspension sont connus sous le nom de masse suspendue (carrosserie du véhicule). Les composants situés sous un système de suspension sont appelés masses non suspendues2. Les principaux composants d'un système de suspension sont un amortisseur, des bras de levier (bras de levier supérieur ou inférieur) et des ressorts (ressort hélicoïdal, ressort à lames)3. Selon certaines études, la barre anti-roulis est également un élément du système de suspension4,5. Par rapport à d'autres systèmes, la construction du système de suspension est relativement complexe.

Les revêtements routiers inégaux sont la principale source de vibrations automobiles, selon Zuuraulis et al.6. Plusieurs autres variables peuvent également contribuer aux variations. Cependant, l'impact de ces variables est négligeable. Les vibrations des roues sont transmises à la carrosserie via le système de suspension. Le système de suspension régulera ces vibrations. De plus, le système de suspension diminuera l'énergie de vibration. Lors de l'analyse des vibrations d'un véhicule, plusieurs facteurs sont pris en compte, mais les valeurs de déplacement et d'accélération de la masse suspendue sont des facteurs essentiels. Ces deux marqueurs ont été utilisés dans des recherches beaucoup plus anciennes7,8. Le déplacement et l'accélération d'une carrosserie de véhicule peuvent être déterminés par simulation ou expérience. Seules les valeurs les plus élevées de déplacement et d'accélération de la caisse du véhicule doivent être prises en compte pour les vibrations discontinues. Les valeurs moyennes et maximales des deux paramètres ci-dessus peuvent être utilisées pour des vibrations continues. RMS critique permet de calculer des valeurs moyennes9,10,11.

Les performances du système de suspension passive (système de suspension mécanique) sont médiocres. Il ne répond pas aux exigences de régularité pour les fréquences importantes et les excitations continues en volume. Au lieu de cela, des solutions de système de suspension mécatronique devraient être utilisées. Zhang et al. a présenté la suspension à ressort pneumatique12. Ce système utilise des ballons avec des systèmes de contrôle entièrement automatisés. Ces ballons pneumatiques sont des ressorts pneumatiques à raideur variable13. La dureté des ressorts pneumatiques peut être modifiée en ajustant la pression à l'intérieur des ballons pneumatiques. Cela a été souligné par Geng et al.14. Lorsqu'un véhicule est équipé d'un système de suspension pneumatique, sa qualité de roulement est bonne. Cependant, ce type est assez cher. L'utilisation d'absorbeurs électromagnétiques pour remplacer les absorbeurs traditionnels souvent décrits comme un « système de suspension semi-actif », est une autre technologie présentée par Oh et al.15. Selon Basargan et al., le courant à l'intérieur de l'amortisseur modifiera la disposition des particules métalliques à proximité. Par conséquent, la raideur d'amortissement est continuellement variable16. Ce type est plus simple et moins cher. Leur efficacité est cependant typique. Pour mieux gérer les vibrations de l'automobile, un actionneur supplémentaire est nécessaire pour améliorer le système de suspension. Sur la base de cette approche, un système de suspension active a été mis en place17. Le système de suspension active intègre un actionneur hydraulique. Cet actionneur peut exercer une force sur la masse du véhicule depuis deux côtés. Par conséquent, ses performances s'amélioreront. Néanmoins, la construction du système de suspension deviendra plus complexe. De plus, la suspension active est plus chère qu'un système de suspension semi-active.

Récemment, plusieurs publications concernant le contrôle des systèmes de suspension ont été publiées. Nguyen a proposé que i18 utilise le contrôleur PID (Proportional Integral Derivative) combiné double pour le modèle quart-dynamique du véhicule. Ce double contrôleur intégré comprend deux contrôleurs distincts. Chaque contrôleur de composant régule un paramètre distinct. Les paramètres du régulateur PID, KP, KI et KD, doivent être choisis de manière appropriée. Si un régulateur FOPID (Fractional Order Proportional Integral Derivative) est utilisé à la place d'un régulateur PID, le nombre de variables doublera19. Han et al.20 ont développé une méthode floue pour modifier ces paramètres. Selon la démonstration de Mahmoodabadi et Nejadkourki21, la valeur de ces trois facteurs peut être continuellement modifiée. De plus, des algorithmes intelligents ont été utilisés pour optimiser les paramètres du contrôleur PID22,23,24. Pour les systèmes à objets multiples, les algorithmes de contrôle LQR (Linear Quadratic Regulator) ou LQG (Linear Quadratic Gaussian) sont préférables25. En réduisant la fonction de coût, cette approche contribuera à optimiser les vibrations automobiles26. Fréquemment, les techniques précédentes sont utilisées pour faire fonctionner des systèmes linéaires. La méthode SMC doit être utilisée pour les systèmes non linéaires. Selon Azizi et Mobki, les objets glisseront sur la surface. L'objet avance alors vers le point d'équilibre27. Selon Nguyen, une surface de glissement est une fonction compliquée dépendant du signal d'erreur du contrôleur28. Le signal d'erreur est évalué à l'aide de la dérivée d'un ordre élevé. Afin de faciliter le problème, il est essentiel de linéariser un actionneur hydraulique. Cette information a été fournie par Nguyen et al.11. La combinaison des techniques SMC et Fuzzy améliorera ses performances29. Cela a été démontré par Chen et al. in30 lorsqu'ils ont utilisé une combinaison d'algorithmes SMC et Fuzzy pour le système non linéaire. Par ailleurs, les algorithmes adaptatifs Fuzzy permettent également de mieux observer l'état d'erreur du système31. De nombreux autres algorithmes de contrôle intelligents ont également été appliqués au contrôleur de suspension. Dans32, Liu et al. introduit l'algorithme ANN (Adaptive Neural Network) pour la suspension active avec des contraintes liées à la vitesse et au déplacement du véhicule. Les paramètres des contrôleurs pour la suspension peuvent être sélectionnés de manière optimale par des méthodes telles que GA (algorithme génétique)33 ou PSO (Particle Swarm Optimization)34. Certaines techniques utilisant l'intelligence artificielle pour concevoir le contrôleur de suspension ont également été appliquées aux poids lourds35. De plus, plusieurs méthodes de contrôle du système de suspension sont très efficaces36,37.

Afin de répondre aux spécifications de confort de conduite de l'automobile, il est crucial de réguler le fonctionnement du système de suspension. Les auteurs proposent dans ce travail un algorithme de contrôle original, FSMPIF, basé sur quatre perspectives distinctes. Par ailleurs, la procédure de conception du contrôleur est décrite dans le contenu de l'article. De plus, une approche de simulation numérique est utilisée pour analyser les vibrations de l'automobile. Cet article se compose de quatre sections. Dans la section Introduction, certains concepts et revues de littérature sont soulignés. Dans la section Modèles, les auteurs expliqueront le processus d'établissement d'un modèle de dynamique de véhicule et d'un algorithme de contrôle. Le processus de calcul et de simulation est effectué dans la section Résultats et discussions ci-dessous. Enfin, quelques commentaires seront indiqués dans la section Conclusions. Dans les sections suivantes de l'article, des détails spécifiques sont proposés.

Dans un premier temps, il est nécessaire de développer un modèle dynamique des vibrations du véhicule. Cette recherche a utilisé un modèle quart-dynamique avec deux masses; ms produira le déplacement vertical zs, alors que mu fera le déplacement vertical zu (Fig. 1).

Un modèle quart-dynamique.

Les équations différentielles décrivant les vibrations du véhicule sont répertoriées comme suit :

où:

Substitution d'éqs. (3) à (8) dans les Éqs. (1) et (2) produit :

Le signal de commande de l'actionneur, u(t), est déterminé par son contrôleur. Un algorithme de contrôle complètement innovant nommé FSMPIF est proposé. Cet algorithme est développé avec les perspectives suivantes à l'esprit :

Premièrement, l'algorithme PI fournit une réponse plus stable, tandis que l'algorithme Fuzzy est plus adaptable. Ces deux composants doivent exister simultanément dans le signal de commande. Par conséquent, ces deux algorithmes sont nécessaires pour combiner un signal de commande ultime.

Deuxièmement, les paramètres de l'algorithme PI doivent être ajustés de manière appropriée. Ces valeurs doivent être modifiées pour tenir compte des signaux d'excitation de la chaussée. Par conséquent, ils doivent être contrôlés par un système flou. La vibration de la carrosserie du véhicule est le signal d'entrée pour le premier contrôleur flou.

Troisièmement, étant donné que les vibrations du véhicule ne sont pas linéaires, il est essentiel de concevoir un algorithme de contrôle non linéaire pour répondre aux exigences de stabilité du système. L'algorithme SMC est approprié pour cette fonction. Le signal de sortie de la technique SMC servira de signal d'entrée pour le deuxième contrôleur flou décrit au premier point.

Quatrièmement, le deuxième contrôleur flou est un composant crucial du contrôleur intégré. Par conséquent, le signal du deuxième contrôleur Fuzzy sera composé de trois composants : le signal de sortie de l'algorithme SMC décrit précédemment, le signal d'erreur de l'algorithme PI et le signal de vibration de la carrosserie du véhicule.

Sur la base des considérations ci-dessus, la technique Fuzzy Sliding Mode Proportional Integral accordée par Fuzzy (FSMPIF) a été suggérée. Cet algorithme satisfait tous les critères de stabilité du système. La figure 2 affiche le schéma du système.

Système de contrôle.

Le confort du véhicule peut être mesuré par des valeurs liées aux oscillations de la voiture, telles que le déplacement et l'accélération de la masse suspendue. Ces valeurs sont mesurées directement par les capteurs montés sur la voiture. Le résultat obtenu à partir du capteur est le signal de retour du système (Fig. 2). Lors de l'évaluation du confort de conduite, nous considérons souvent la valeur moyenne, RMS ou maximale.

Synthèse des signaux finaux de commande u(t) à partir des signaux à deux composantes u1(t) et u2(t).

Le signal du premier élément, u1(t), est le signal de sortie du régulateur PI.

où : e(t) : signal d'erreur du régulateur PI, xs(t) : signal de consigne, x(t) : signal de sortie.

Ce signal de consigne doit être nul pour que la caisse du véhicule vibre le moins possible. Ça implique:

Y compris le premier point de vue, les paramètres du contrôleur PI doivent être continuellement ajustés pour répondre aux exigences du système. Par conséquent, régler ces paramètres avec un système Fuzzy est une option viable. C'est le premier contrôleur pour Fuzzy. L'entrée de ce contrôleur est la valeur de déplacement de la masse suspendue. La figure 3 illustre la fonction d'appartenance de ce contrôleur. Cette fonction est développée du point de vue de l'auteur. Un signal de commande sera transmis dès que la caisse du véhicule vibrera. L'équation (12) peut également être exprimée comme suit :

Fonctions d'appartenance du premier contrôleur Fuzzy.

Le signal de sortie du second contrôleur Fuzzy est le second signal composant du contrôleur intégré, u2(t), également appelé contrôleur central. Les signaux d'entrée pour ce contrôleur sont u21(t), u22(t) et u23(t).

Le signal d'entrée initial, u21(t), représente le déplacement de la carrosserie du véhicule. Le signal d'erreur du régulateur PI est le deuxième signal d'entrée, u22(t). Il multiplie un facteur de gain (kgf) par ce signal.

Le signal de sortie du contrôleur SMC est le dernier signal d'entrée u23(t). Un contrôleur SMC fait partie intégrante du contrôleur intégré.

Considérons un objet de contrôle non linéaire avec u(t) comme signal d'entrée et y(t) comme signal de sortie. Une fonction déterminée par les signaux de dérivation de composants et les signaux d'entrée est appelée dérivée nième du signal de sortie.

Dans ce scénario, on suppose que la fonction f(y) est limitée et sujette à incertitude, c'est-à-dire

Soit les valeurs suivantes des variables d'état du modèle :

Le modèle de l'objet est renvoyé sous la forme d'un système d'équations d'état comme suit :

En supposant que le signal de consigne est égal à zéro, la condition (21) garantit l'existence d'un contrôleur de réponse au signal d'entrée de modèle chaque fois que l'objet non linéaire (22) est contraint. Dans ce cas, le signal de commande peut être reformulé comme suit :

où : s(e) : surface de glissement (lorsque s(e) = 0), e(t) : signal d'erreur.

Les coefficients bi de la surface de glissement doivent être réglés correctement, de sorte que (26) soit un polynôme de Hurwitz. Lorsque cette condition est remplie, les variables d'état reviennent à zéro après un temps déterminé (27).

En raison de:

En conséquence, l'éq. (27) peut s'écrire comme suit :

où : T est un instant fini.

Si l'équation s(e) = 0 inclut des coefficients bi qui remplissent la condition du polynôme de Hurwitz (26), la surface de glissement s(e) tend vers zéro, c'est-à-dire

La condition de glissement (surface de glissement) du contrôleur est définie par Eq. (30). Nous obtenons ce qui suit à partir de (22), (24) et (30) :

Si s(e) est inférieur à zéro, la valeur de (31) est positive ; sinon, il est négatif. Le signal de commande u(t) peut être réécrit comme suit en combinant (20) et (31) :

Le signal de commande u(t), tel que donné par l'Eq. (32), est indépendant de (22). En conséquence, il est considéré comme un contrôleur fiable. Si la condition (20) n'est pas remplie, une limite supérieure de la fonction f(y(x)) doit être définie, c'est-à-dire

Alors la condition devient :

Cependant, les algorithmes de contrôle SMC traditionnels provoquent encore souvent le phénomène de "chattering" mentionné in38 par Slotine et Li.

La procédure de conception d'un contrôleur SMC est décrite dans28. Selon 9, le signal de sortie du contrôleur SMC peut s'écrire comme suit :

Le deuxième signal de composante est une fonction compliquée du signal de vibration de la carrosserie du véhicule lorsque l'Eqs. (16), (17), (18) et (19) sont combinés.

où : χ est le coefficient de rapport entre les forces d'inertie. Cela devrait être référencé dans28.

La figure 4 montre la fonction d'appartenance de cette approche. La procédure de défuzzification est effectuée en suivant les règles floues spécifiées dans le tableau 1 et la figure 5.

Fonctions d'appartenance du second contrôleur Fuzzy.

Surface floue.

Cette étude utilise la simulation numérique comme approche. Cette approche utilise l'écosystème MATLAB-Simulink. Les spécifications du véhicule sont répertoriées dans le tableau 2. Ces paramètres sont extraits de l'application CARSIM® et légèrement modifiés. Deux études de cas ont été menées correspondant à deux formes d'excitation de la surface de la route (Fig. 6). Dans chaque scénario, la vibration d'un véhicule sera évaluée sous quatre conditions : suspension passive, PID, SMC et FSMPIF. Avec la rugosité de la route comme signal d'excitation d'entrée, le signal de sortie du système est le déplacement et l'accélération de la carrosserie du véhicule. Les résultats maximaux et moyens (calculés en RMS) pour chaque condition seront comparés.

Rugosité sur la route.

Dans le cas initial, une excitation de surface de route de forme cyclique sinusoïdale est utilisée. Selon cette règle, le déplacement et l'accélération de la carrosserie du véhicule varieront de manière cyclique. La figure 7 illustre l'évolution du déplacement de la masse suspendue au fil du temps. Si une automobile est équipée d'un système de suspension mécanique, sa cylindrée maximale peut atteindre 100,83 (mm). Cette valeur peut être diminuée en utilisant un système de suspension active. Ce résultat indique que le déplacement de la carrosserie du véhicule n'est que de 61,72 (mm) et 39,84 (mm), respectivement lorsque les algorithmes PID et SMC gèrent le système de suspension active. En particulier, une fois que l'algorithme FSMPIF est utilisé pour contrôler un système de suspension hydraulique actif, la valeur de déplacement maximale peut diminuer considérablement, atteignant environ 1,55 (mm). Par rapport à la situation initiale, ce n'est que 1,54 %. C'est un résultat très positif.

Déplacement de la caisse du véhicule (Cas 1).

Lors de l'évaluation de la stabilité du véhicule, une valeur moyenne de vibration doit également être prise en compte. Cette valeur peut être déterminée à l'aide de la norme RMS. Selon les données simulées, le déplacement moyen de la masse suspendue atteint 65,60 (mm), 43,60 (mm), 28,16 (mm) et 0,95 (mm) pour les quatre scénarios d'examen. En utilisant la valeur du premier scénario comme référence, les nombres suivants peuvent être transformés de manière équivalente à 100 %, 66,46 %, 42,93 % et 1,45 %, respectivement.

L'accélération d'une masse suspendue peut être utilisée pour évaluer ses vibrations. La valeur de l'accélération verticale pourrait être examinée dans ce travail. Le graphique de la figure 8 révèle que la plus grande accélération verticale pour quatre conditions simulées est de 1,96 (m/s2), 1,91 (m/s2), 1,64 (m/s2) et 0,05 (m/s2), dans cet ordre. En raison du caractère continu de cette vibration, la valeur moyenne peut également être déterminée à l'aide des critères RMS. Une accélération verticale moyenne d'une automobile à suspension passive peut atteindre 0,67 (m/s2). Ce nombre peut être considérablement réduit jusqu'à 0,01 (m/s2) lorsque la suspension active contrôlée par l'algorithme FSMPIF est utilisée. Cet écart est énorme. Ainsi, le confort et la stabilité du véhicule peuvent être considérablement améliorés.

Accélération de la caisse du véhicule (Cas 1).

Compte tenu de la variation de la valeur d'accélération en pourcentage, on peut clairement voir que la valeur moyenne de l'accélération lors de l'utilisation de l'algorithme FSMPIF n'est que de 1,49 % par rapport à la situation de la voiture sans le contrôleur du système de suspension. En termes de situation SMC et de scénario PID, ces chiffres atteignent respectivement 43,28% et 64,18%. En ce qui concerne l'utilisation de la valeur maximale en comparaison, si la valeur de la situation passive est fixée à 100 %, les valeurs des trois autres scénarios ne sont que de 2,55 %, 83,67 % et 97,45 %. La différence entre le FSMPIF et la situation Passive est très grande, tandis que la différence entre le SMC et le PID avec la Passive n'est pas grande. Cela aide encore à démontrer l'efficacité du nouvel algorithme proposé dans cet article.

Le signal de commande du système est illustré à la Fig. 9. Selon ce résultat, la valeur de tension dans la situation FSMPIF est la plus élevée, mais il y a une diminution au fil du temps pour revenir à un seuil stable. Ceci est cohérent avec le résultat d'accélération de carrosserie de voiture représenté sur la figure 8. Pendant ce temps, le signal de sortie du contrôleur SMC conventionnel est instable, également connu sous le nom de phénomène de « broutage ». Le signal de commande de l'algorithme PID est plus stable, mais sa réponse n'est pas bonne (il fait fluctuer la carrosserie de la voiture plus que SMC et FSMPIF).

Signal de contrôle (cas 1).

La stimulation aléatoire de la chaussée est utilisée dans le deuxième scénario. C'est la variété réelle de la chaussée. Dans ce cas, l'amplitude et la fréquence des vibrations sont nettement plus importantes que dans le cas précédent. Deux résultats, y compris le déplacement et l'accélération de la carrosserie du véhicule, sont comparables à ceux des scénarios précédents. De plus, les valeurs maximales et moyennes doivent être mentionnées. Le déplacement maximal autorisé de la carrosserie du véhicule est de 91,90 (mm) (Fig. 10). Ce nombre peut être réduit de près de moitié à 48,29 (mm) si l'algorithme PID gère la suspension active. Ce nombre peut encore être réduit en remplaçant l'algorithme PID par la méthode SMC, qui ne nécessite que 31,27 (mm). Dès que la nouvelle méthode FSMPIF présentée dans cet article est utilisée, la valeur de déplacement maximum peut chuter drastiquement jusqu'à 2,15 (mm). Les valeurs de vibration moyennes sont de 34,84 (mm), 17,48 (mm), 11,84 (mm) et 0,71 (mm). Jusqu'à 49,07 fois, la différence entre les lectures est possible.

Déplacement de la caisse du véhicule (Cas 2).

Dans cette situation, la valeur d'accélération de la caisse du véhicule est relativement importante. Cela peut influencer la qualité de conduite du véhicule en mouvement. Ces valeurs changent régulièrement tout au long du temps de simulation (Fig. 11). L'accélération maximale pour une automobile à suspension passive est de 13,45 (m/s2). Si une suspension active utilisant des algorithmes SMC ou PID est utilisée, la valeur d'accélération peut être plus étendue. Cela affecte le confort du véhicule. Ce n'est qu'après l'implémentation de l'algorithme FSMPIF que la valeur d'accélération verticale chutera. Cette diminution est significative, de l'ordre de 1,30 (m/s2). Pour les deux algorithmes, SMC et PID, le pourcentage de valeur d'accélération maximale est encore plus significatif que celui de Passif (102,30 % et 106,17 %, respectivement). Pendant ce temps, la valeur appartenant à FSMPIF n'est que de 9,67%. De plus, les valeurs moyennes obtenues à partir du calcul sont de 12,59 %, 102,29 % et 108,24 %, respectivement, par rapport à Passive. Par conséquent, l'utilisation de cette technique innovante peut augmenter la stabilité du véhicule.

Accélération de la caisse du véhicule (Cas 2).

Les résultats de la simulation sont présentés dans le tableau 3. Les différences en pourcentage entre les valeurs sont présentées dans le tableau 4.

Dans le second cas, le signal de commande change continuellement. L'amplitude et la fréquence du signal de commande sont plus grandes que dans le premier cas (Fig. 12). Le phénomène de "bavardage" se produit toujours même en utilisant uniquement l'algorithme SMC traditionnel. Parallèlement, l'algorithme FSMPIF permet de limiter plus efficacement ce phénomène.

Signal de commande (cas 2).

La rugosité de la chaussée peut faire vibrer la carrosserie du véhicule. Ces vibrations nuiront au confort de conduite des passagers. Par conséquent, un système de suspension active est utilisé pour résoudre ce problème. Le contrôleur du système de suspension active aura un impact significatif sur ses performances. Dans cet article, l'algorithme de contrôle de la suspension active FSMPIF est décrit. L'algorithme proposé par l'auteur est strict. Cette méthode est une combinaison entre le contrôle intelligent, le contrôle linéaire et le contrôle non linéaire.

Les données de déplacement et d'accélération de la carrosserie du véhicule sont utilisées pour déterminer les niveaux de vibration. Par simulation numérique, ces valeurs sont déterminées. Les résultats de la simulation indiquent que lorsque l'algorithme FSMPIF est utilisé pour réguler le système de suspension active, les valeurs de déplacement et d'accélération de la carrosserie sont considérablement réduites. Dans les deux cas examinés, les valeurs maximales et moyennes du déplacement et de l'accélération sont faibles par rapport à d'autres circonstances. En conséquence, la douceur et le confort du véhicule ont été améliorés. Cette nouvelle méthode donne des résultats positifs. Cette méthode est cependant assez compliquée. Ainsi, il devrait être simplifié à l'avenir pour être appliqué aux systèmes mécatroniques automobiles. De plus, des tests de vibration du véhicule doivent être effectués pour confirmer l'efficacité de ce nouveau mécanisme de contrôle.

Les ensembles de données utilisés et/ou analysés au cours de l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Satyanarayana, VSV, Sateesh, B. & Rao, NM Optimisation des paramètres du système de suspension du véhicule pour un meilleur confort de conduite. Int. J. Veh. Effectuer. 4(2), 186–199. https://doi.org/10.1504/IJVP.2018.090956 (2018).

Article Google Scholar

Yin, J. et al. Étude de la masse non suspendue équivalente et des caractéristiques non linéaires de la suspension active à commande électromagnétique. Vibration de choc. https://doi.org/10.1155/2015/624712 (2015).

Article Google Scholar

Georgiev, Z. & Kunchev, L. Etude du comportement vibratoire des composants de la suspension automobile. Conférence Web MATEC 234(1), 02005. https://doi.org/10.1051/matecconf/201823402005 (2018).

Article Google Scholar

Nguyen, TA Empêcher le phénomène de renversement du véhicule en utilisant la barre stabilisatrice hydraulique contrôlée par un contrôleur flou à deux entrées. Accès IEEE 9, 129168–129177. https://doi.org/10.1109/ACCESS.2021.3114023 (2021).

Article Google Scholar

Nguyen, TA Améliorer la stabilité du véhicule de tourisme en utilisant une barre stabilisatrice active contrôlée par la méthode floue. Complexité https://doi.org/10.1155/2021/6569298 (2021).

Article Google Scholar

Zuraulis, V., Levulyte, L. & Sokolovskij, E. L'impact de la rugosité de la route sur la durée de contact entre une roue de véhicule et la surface de la route. Transports 29(4), 430–438. https://doi.org/10.3846/16484142.2014.984330 (2014).

Article Google Scholar

Fu, ZJ & Dong, XY H∞ contrôle optimal des systèmes de suspension active des véhicules à deux échelles de temps. Automatika 62(2), 284–292. https://doi.org/10.1080/00051144.2021.1935610 (2021).

Article Google Scholar

Meng, Q. et al. Étude sur la méthode de contrôle du système de suspension active du véhicule basée sur une approche de domination homogène. Asian J. Control https://doi.org/10.1002/asjc.2242 (2019).

Article Google Scholar

Nguyen, DN & Nguyen, TA Un nouvel algorithme de contrôle hybride mode glissant-PID pour le système de suspension active avec état multivariable. Complexité https://doi.org/10.1155/2022/9527384 (2022).

Article Google Scholar

Nguyen, DN, Nguyen, TA & Dang, ND Un nouvel algorithme de contrôle en mode glissant pour un système de suspension active prenant en compte l'actionneur hydraulique. Am latin. J. Structure des solides. 19(1), e424. https://doi.org/10.1590/1679-78256883 (2022).

Article Google Scholar

Kou, FR, Wei, DD & Tian, ​​L. Contrôle de coordination multimode d'une suspension active hybride. Vibration de choc. https://doi.org/10.1155/2018/6378023 (2018).

Article Google Scholar

Zhang, Z. et al. Régulation semi-active de la suspension pneumatique avec chambre auxiliaire soumise aux incertitudes paramétriques et à la temporisation. Int. J. Contrôle non linéaire robuste 30(9), 20. https://doi.org/10.1002/rnc.5169 (2020).

Article MathSciNet Google Scholar

Nguyen, TA Améliorez la stabilité du véhicule en utilisant le système de suspension pneumatique intégré à l'actionneur hydraulique. Am latin. J. Structure des solides. 18(7), e403. https://doi.org/10.1590/1679-78256621 (2021).

Article Google Scholar

Geng, G. et al. Contrôle coopératif de la suspension pneumatique interconnectée basée sur l'optimisation de la consommation d'énergie. Vibration de choc. https://doi.org/10.1155/2022/3640268 (2022).

Article Google Scholar

Oh, JS et al. Analyse dynamique du système de suspension MR semi-actif en tenant compte du temps de réponse et de la courbe de force d'amortissement. J. Intel. Mater. Syst. Structure. 32(13), 1462–1472. https://doi.org/10.1177/1045389X20983920 (2021).

Article Google Scholar

Basargan, H. et al. Un contrôle de suspension semi-actif adaptatif reconfigurable en ligne basé sur LPV avec amortisseur MR. Énergies 15(10), 3648. https://doi.org/10.3390/en15103648 (2022).

Article Google Scholar

Hsiao, CY & Wang, YH Évaluation du confort de conduite pour le système de suspension active basée sur la commande de mode de glissement flou à réglage automatique. Int. J. Contrôle Autom. Syst. 20, 1131–1141. https://doi.org/10.1007/s12555-020-0736-7 (2022).

Article Google Scholar

Nguyen, TA Amélioration du confort du véhicule grâce à l'utilisation du système de suspension active contrôlé par le contrôleur à double intégration. Vibration de choc. https://doi.org/10.1155/2021/1426003 (2021).

Article Google Scholar

Dong, X. et al. Contrôle d'ordre fractionnaire de l'actionneur de suspension actif basé sur un algorithme de sélection clonale adaptative parallèle. J. Mech. Sci. Technol. 30(6), 2769–2781. https://doi.org/10.1007/s12206-016-0538-2 (2016).

Article Google Scholar

Han, SY et al. Stratégie de contrôle PID floue adaptative pour la suspension active du véhicule basée sur l'évaluation de la route. Électronique 11(6), 921. https://doi.org/10.3390/electronics11060921 (2022).

Article Google Scholar

Mahmoodabadi, MJ & Nejadkourki, N. Contrôle PID robuste adaptatif flou optimal pour un système de suspension active. Aust. J. Mech. Ing. 20(3), 681–691. https://doi.org/10.1080/14484846.2020.1734154 (2022).

Article Google Scholar

Dahunsi, OA et al. Contrôle proportionnel + intégral + dérivé des suspensions électrohydrauliques non linéaires de voitures complètes à l'aide de techniques d'optimisation globales et évolutives. J. Basse fréq. Bruit Vib. Contrôle actif 39(2), 393–415. https://doi.org/10.1177/1461348419842676 (2020).

Article Google Scholar

Zineb, B., Abdelaziz, A. & Kheireddine, CH Efficacité du contrôleur PID basée sur un algorithme génétique pour contrôler un système de suspension de quart de voiture. J. Électron. Calcul. Réseau Appl. Mathématiques. https://doi.org/10.55529/jecnam.22.1.10 (2022).

Article Google Scholar

Zahra, AKA & Abdalla, TY Une stratégie de contrôle adaptatif en mode de glissement flou optimisé ABC pour le système de suspension active du véhicule complet. Irakien J. Electr. Électron. Ing. https://doi.org/10.37917/ijeee.17.2.17 (2021).

Article Google Scholar

Nguyen, ML et al. Application de l'algorithme de contrôle MIMO pour le système de suspension active : un nouveau modèle avec 5 variables d'état. Am latin. J. Structure des solides. 19(2), e435. https://doi.org/10.1590/1679-78256992 (2022).

Article Google Scholar

Patra, AK Backstepping Conception du contrôleur LQG pour la stabilisation et le suivi de la trajectoire du système de suspension du véhicule. SN Appl. Sci. 2, 190. https://doi.org/10.1007/s42452-020-1945-7 (2020).

Article Google Scholar

Azizi, A. & Mobki, H. Mécatronique appliquée : conception d'un contrôleur à mode glissant pour système de suspension active. Complexité https://doi.org/10.1155/2021/6626842 (2021).

Article Google Scholar

Nguyen, TA Faire progresser l'efficacité d'un système de suspension active par l'algorithme de contrôle en mode glissant avec cinq variables d'état. Accès IEEE 9, 164368–164378. https://doi.org/10.1109/ACCESS.2021.3134990 (2021).

Article Google Scholar

Wang, Z. et al. Contrôle du système de suspension basé sur la technique du mode de glissement flou de type 2. Complexité https://doi.org/10.1155/2022/2685573 (2022).

Article Google Scholar

Chen, L. et al. contrôle adaptatif en mode glissant flou pour les systèmes non linéaires basés sur le réseau avec des défaillances d'actionneurs. IEEE Trans. Système flou 26(3), 1311–1323. https://doi.org/10.1109/TFUZZ.2017.2718968 (2018).

Article Google Scholar

Chen, L. et al. Conception d'observateurs d'états et de défauts pour les systèmes commutés via une approche floue adaptative. IEEE Trans. Système flou 28(9), 2107–2118. https://doi.org/10.1109/TFUZZ.2019.2930485 (2020).

Article Google Scholar

Liu, YJ et al. Contrôle de réseau neuronal adaptatif pour les systèmes de suspension active avec des contraintes de déplacement vertical et de vitesse variables dans le temps. IEEE Trans. Ind. Électron. 66(12), 9458–9466. https://doi.org/10.1109/TIE.2019.2893847 (2019).

Article Google Scholar

Haemers, M. et al. Optimisation du contrôleur de retour d'état proportionnel-intégral pour une configuration de suspension active de voiture complète à l'aide d'un algorithme génétique. IFAC-PapersOnline 51(4), 1–6. https://doi.org/10.1016/j.ifacol.2018.06.004 (2018).

Article Google Scholar

Zahra, AKA & Abdalla, TY Conception d'un schéma de commande de mode de glissement super torsion floue pour des systèmes de suspension active de véhicule complet inconnus à l'aide d'un algorithme d'optimisation de colonie d'abeilles artificielles. Asian J. Control 23(4), 1966–1981. https://doi.org/10.1002/asjc.2352 (2021).

Article Google Scholar

Hamza, A. & Yahia, N.-B. Camions lourds avec contrôle intelligent de la suspension active basé sur des réseaux de neurones artificiels. Proc. Inst. Méca. Ing. Partie I J. Contrôle des systèmes Eng. 235(6), 952–969. https://doi.org/10.1177/0959651820958516 (2021).

Article Google Scholar

Han, SY & Liang, T. Contrôle des vibrations basé sur l'apprentissage par renforcement pour un système de suspension semi-active de véhicule via l'approche PPO. Appl. Sci. 12(6), 3078. https://doi.org/10.3390/app12063078 (2022).

Article CAS Google Scholar

Aela, AMA, Kenne, JP & Mintsa, HA Réseau neuronal adaptatif et système de contrôle de suspension actif électrohydraulique non linéaire. J. Vib. Contrôle 28(3–4), 243–259. https://doi.org/10.1177/1077546320975979 (2022).

Article MathSciNet Google Scholar

Slotine, JJE & Li, W. Contrôle non linéaire appliqué. vol. 199, non. 1 (Prentice Hall, 1991).

Télécharger les références

Université Thuyloi, Hanoï, Vietnam

Tuan Anh Nguyen

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Tout le contenu appartenant à cet article est préparé par TAN

Correspondance à Tuan Anh Nguyen.

L'auteur ne déclare aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Nguyen, TA Une nouvelle approche avec un algorithme de contrôle intégral proportionnel en mode glissant flou accordé par la méthode floue (FSMPIF). Sci Rep 13, 7327 (2023). https://doi.org/10.1038/s41598-023-34455-7

Télécharger la citation

Reçu : 01 décembre 2022

Accepté : 30 avril 2023

Publié: 05 mai 2023

DOI : https://doi.org/10.1038/s41598-023-34455-7

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.