浅析人工神经网络理论在智能车辆中的应用

赵娥++张学军

文章编号：2095-6835（2016）17-0117-01

摘 要：人工神经网络是一门新兴理论，近年来，其在智能车辆中得到了广泛应用。分析了人工神经网络的由来及其在智能车辆领域的研究动态，探讨了人工神经网络在智能车辆中的具体应用，指出了今后人工神经网络在智能车辆中的发展方向。

关键词：车辆工程；智能控制；人工神经网络；运动模态

中图分类号：TP273.5 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.17.117

人工神经网络是一种是使用大量简单相连的人工神经元来模拟人类大脑的一阶特性的并行分布计算系统，可以通过电子线路或计算机程序实现。近年来，该理论在智能车辆中得到了广泛应用。本文对人工神经网络的由来及其在智能车辆领域的研究动态进行了探讨。

1 人工神经网络的由来

人工神经网络理论起源于20世纪50年代，它可以反映人类大脑功能的多个基本特性。作为一种并行分布式处理系统，可以接近任意非线性函数，具有自动知识获得、联想记忆、自适应性、良好的容错性和推广能力。基于人工神经网络的特性，在处理车辆工程中的非线性辨识、非线性智能控制等问题受到了人们的广泛关注。随着智能车辆的飞速发展，为了满足无人驾驶技术、智能悬架控制技术的发展需求，人工神经网络在车辆工程中的应用也日新月异。

2 人工神经网络在智能车辆中的应用

2.1 神经网络辨识器

四轮车辆的车身具有3个运动模态，分别为垂向运动模态、侧倾运动模态及俯仰运动模态。这些运动模态的时域辨识能使悬架系统，特别是主动悬架系统面向主要运动模态。运用适当的控制策略可提高悬架的性能，且仅需消耗较少的能量。近年来，运动模态能量方法被用来辨识车身的运动模态。然而，这种方法需要测量整车状态及路面输入，这在现实中很难做到。曾有人提出了一种使用神经网络辨识车辆运动模态的方法，即通过一个10自由度整车动力学模型的各种激励输入，验证了被训练的神经网络的有效性。

2.2 神经网络与模糊控制的结合

自1965年Zadeh提出模糊集合论以来，模糊控制无论是在理论方面，还是在应用方面都有较快的发展。目前，将两种或多种控制方法相结合的复合控制方法往往能起到更好的控制效果。其中，由于模糊控制与神经网络存在互补性，所以，其成为了复合控制的研究热点。

以往，有人建立了1/4车辆悬架模型，提出了车辆半主动悬架系统模糊控制器。为了调节阻尼系数值，利用Matlab工具箱建立了车辆半主动悬架及模糊控制器仿真模型；有人曾提出了一种适用于驾驶员座椅的新型神经模糊控制器，采用了遗传算法获得最优模糊系统，并以3自由度车辆座椅模型为研究对象，在不同路况激励下进行了仿真。仿真结果表明，神经模糊控制器具有较好的控制性能，能提高驾驶员的乘坐舒适性。

2.3 神经网络与传统PID控制的结合

PID控制器（比例-积分-微分控制器）是一个在工业控制应用中常见的反馈回路部件，由比例单元、积分单元和微分单元组成。PID控制器简单易懂，使用中不需精确的系统模型等先决条件，因此，成为了应用最为广泛的控制器。近年来，神经网络与PID的结合成为了研究热点。

主动悬架系统的性能包括悬架的限位行程、乘坐舒适性、抓地力和功耗。此外，悬架参数的鲁棒性是影响高度非线性电控悬架效果的重要问题之一。因此，曾有人提出了一种基于输入/输出反馈线性化的主动悬架动态神经网络非线性控制方法。通过仿真，结果证明了该控制器的鲁棒性和有效性。此外，还有人提出了适用于公交车悬架系统的一种神经网络比例控制器。仿真结果表明，利用该控制器设计的悬架控制系统能够适用于各种不确定的路况，能明显提升乘坐舒适性。

3 人工神经网络在智能车辆中的应用

根据上述分析可知，随着智能车辆的快速发展，人工神经网络在智能车辆领域将呈现出跨学科融合、应用方式多样化等特点。跨学科融合与多学科渗透是指神经网络与模糊控制、传统PID控制等理论的高度融合与相互渗透，应用方式多样化是指在智能车辆控制中，人工神经网络既可以用来设计辨识器，又可以用来设计智能控制器。

参考文献

[1]Nong Zhang.Real-time identification of vehicle motion-modes using neural networks.Mechanical Systems and Signal Processing，2015（05）.

[2]M. Zapateiro，N.Luo，H.R. Karimi，J.Veh.Vibration control of suspension systems using a proposed neural network.AASRI Procedia，2013（04）.

[3]Le Thanh Danh，Kyoung Kwan Ahn.Active pneumatic vibration isolation system using negative stiffness structures for a vehicle seat.Mechanical Systems and Signal Processing，2015（09）.

[4]Jimoh O. Pedroa，Muhammed Dangora，Olurotimi A.Intelligent feedback linearization control of nonlinear electrohydraulic suspension systems using particle swarm optimization.Applied Soft Computing，2014（24）.

[5]M. Zapateiro，N.Luo，H.R. Karimi，J.Veh.Vibration control of suspension systems using a proposed neural network.Journal of Sound and Vibration，2004（22）.

〔编辑：张思楠〕