1. 半车主动悬架系统建模基础
半车主动悬架模型是研究车辆平顺性和操纵稳定性的经典平台。这个模型将整车简化为前后两个车轮及其对应的悬架系统，包含以下核心组件：
- 簧上质量（车身质量）：通常用m_s表示，模拟车辆主体部分
- 簧下质量（车轮质量）：用m_u表示，包含轮胎、制动器等部件
- 悬架弹簧：刚度系数k_s，连接簧上和簧下质量
- 减震器：阻尼系数c_s，与弹簧并联
- 轮胎：简化为弹簧，刚度系数k_t
在Simulink中搭建该模型时，需要建立以下动力学方程：
code复制m_s * z1'' = -k_s(z1 - z2) - c_s(z1' - z2') + u
m_u * z2'' = k_s(z1 - z2) + c_s(z1' - z2') - k_t(z2 - z0) - u
其中z1、z2分别表示簧上和簧下质量的位移，z0为路面激励，u为主动控制力。
提示：在Simulink建模时，建议使用State-Space模块直接实现这些微分方程，比用基本运算模块搭建更简洁高效。
2. 自抗扰控制(ADRC)原理与实现
2.1 ADRC核心思想
ADRC的核心在于将系统内部不确定性和外部扰动统一视为"总扰动"，通过扩张状态观测器(ESO)实时估计并补偿。其三大核心组件：
- 跟踪微分器(TD)：安排过渡过程
- 扩张状态观测器(ESO)：估计系统状态和总扰动
- 非线性状态误差反馈(NLSEF)：生成控制量
2.2 Simulink实现细节
在Simulink中实现ADRC控制器时，关键参数设置如下：
code复制% ESO参数
beta01 = 100; % 观测器带宽
beta02 = 1000;
beta03 = 5000;
% NLSEF参数
beta1 = 50; % 控制带宽
beta2 = 100;
% 系统增益估计
b0 = 1; % 需根据实际系统调整
非线性函数fal的实现：
matlab复制function y = fal(e, alpha, delta)
if abs(e) > delta
y = abs(e)^alpha * sign(e);
else
y = e / (delta^(1-alpha));
end
end
2.3 参数整定经验
-
ESO带宽选择：
- 通常取系统带宽的3-5倍
- 过高会导致对噪声敏感
- 过低则扰动估计不及时
-
控制带宽选择：
- 决定系统响应速度
- 需考虑执行器能力限制
-
b0的确定：
- 可通过阶跃响应实验估算
- 或采用自适应方法在线调整
注意：实际调试时应先调ESO参数确保扰动估计准确，再调整控制参数。
3. PID控制器设计与实现
3.1 经典PID结构
PID控制器的离散形式：
code复制u(k) = Kp*e(k) + Ki*sum(e(1:k))*Ts + Kd*(e(k)-e(k-1))/Ts
在Simulink中可直接使用PID Controller模块，或手动实现：
matlab复制% 初始化
error_prev = 0;
integral = 0;
for k = 1:N
error = r - y;
integral = integral + error*Ts;
derivative = (error - error_prev)/Ts;
u = Kp*error + Ki*integral + Kd*derivative;
error_prev = error;
end
3.2 参数整定方法
-
Ziegler-Nichols法：
- 先设Ki=Kd=0，增大Kp至临界振荡
- 记录临界增益Ku和振荡周期Tu
- 按表格设置参数
-
试凑法调整经验：
- 先调Kp使系统快速响应但不超调
- 再调Kd抑制超调和振荡
- 最后调Ki消除稳态误差
-
典型初始值范围：
- Kp: 10-100
- Ki: 0.1-1
- Kd: 1-10
4. 路面激励建模
4.1 正弦路面输入
基础正弦路面模型：
matlab复制A = 0.05; % 振幅(m)
f = 2; % 频率(Hz)
t = 0:0.01:10;
z0 = A*sin(2*pi*f*t);
4.2 更真实的随机路面
ISO 8608标准路面模型：
matlab复制Gq = 4e-6; % 路面不平度系数
v = 20; % 车速(m/s)
f0 = 0.1; % 参考空间频率
n = length(t);
phi = 2*pi*rand(1,n);
f = linspace(0.01,10,n);
Sq = Gq*(f/f0).^(-2);
z0 = real(ifft(sqrt(Sq).*exp(1i*phi)));
z0 = z0 * v; % 时域转换
5. 性能指标与评估
5.1 关键评价指标
-
车身加速度RMS值：
- 直接反映乘坐舒适性
- 目标：< 0.5m/s²（优秀）
-
悬架动挠度：
- 反映悬架工作空间利用率
- 需满足：|z1-z2| < 悬架行程限制
-
轮胎动载荷：
- 影响操纵稳定性
- 需保证：(k_t*(z2-z0))/m_s/g < 1（不跳离地面）
5.2 仿真结果对比
典型正弦路面激励下的性能对比：
| 指标 | PID控制 | ADRC控制 | 改善率 |
|---|---|---|---|
| 加速度RMS(m/s²) | 0.78 | 0.42 | 46% |
| 动挠度RMS(mm) | 12.5 | 8.2 | 34% |
| 轮胎变形RMS(mm) | 5.3 | 4.1 | 23% |
6. 实现中的关键问题与解决方案
6.1 ADRC实现难点
-
采样时间选择：
- 建议：Ts ≤ 1/(10*带宽)
- 典型值：1ms-10ms
-
数值积分方法：
- 固定步长：ode4(Runge-Kutta)
- 变步长：ode45（需注意实时性）
-
执行器饱和处理：
matlab复制u_max = 1000; % 最大作动力(N) u = min(max(u, -u_max), u_max);
6.2 常见问题排查
-
系统发散：
- 检查b0估计是否准确
- 降低控制带宽
-
高频振荡：
- 增加ESO带宽
- 检查传感器噪声
-
响应迟缓：
- 提高控制带宽
- 检查执行器延迟
7. 模型扩展与进阶应用
7.1 全车模型扩展
将半车模型扩展为七自由度全车模型：
- 增加横向和俯仰自由度
- 考虑左右车轮耦合
7.2 硬件在环测试
-
实时性要求：
- 使用Simulink Real-Time
- 采样时间≤1ms
-
执行器接口：
- 力控模式
- 位移控模式转换
7.3 数据驱动优化
-
参数自整定：
- 基于PSO算法
- 在线参数调整
-
机器学习应用：
- LSTM预测路面
- 强化学习优化控制
在实际工程应用中，ADRC控制器需要约2-3周的调试周期才能达到理想效果。一个实用的技巧是先用PID让系统基本稳定，再逐步切换到ADRC控制，这样可以避免初期参数不准导致的系统不稳定。