بهبود کنترل‌کننده تطبیقی عصبی-فازی با بکارگیری الگوریتم خوشه‌بندی فازی بمنظور کنترل ارتعاشات سیستم تعلیق خودرو
محورهای موضوعی : کنترل فعال
غلامرضا بامی محمدی
1
(دانشجوی کارشناسی ارشد مکانیک طراحی کاربردی)
مهدی صالحی
2
(گروه مهندسی مکانیک، دانشکده فنی، دانشگاه ازاد اسلامی نجف آباد)
کلید واژه: فازی, سیستم تعلیق, تطبیقی عصبی-فازی, تقسیم‌بندی توری, خوشه‌بندی فازی,
چکیده مقاله :
سیستم تعلیق یکی از اجزاء مهم تشکیل دهنده خودرو می‌باشد که هدف اصلی آن جداسازی بدنه خودرو از ارتعاشات ناشی از شرایط مختلف جاده‌ای می‌باشد. امروزه دستیابی به یک سیستم تعلیق که بتواند خود را با شرایط مختلف جاده تطبیق دهد چالش پیش‌روی شرکت‌های سازنده خودرو می‌باشد. شرایط جاده و سرعت پیش‌روی خودرو از عوامل متغییر با زمان می‌باشند که باعث می‌شود رفتار دینامیکی سیستم تعلیق بسیار تصادفی باشد. از این‌رو طراحی و کنترل یک سیستم تعلیق که قابلیت تطبیق و انعطاف‌پذیری مناسب در مواجه با شرایط مختلف جاده و سرعت پیش‌روی را داشته باشد، امری ضروری می‌باشد. در این پژوهش مدل دینامیکی خطی برای چهار چرخ خودرو در نظر گرفته شد و سپس معادلات دینامیکی مربوط به آن استخراج گردید. در ابتدا کنترل‌کننده فازی برای سیستم تعلیق خودرو طراحی شد، در مرحله بعد سیستم تعلیق خودرو با کنترل‌کننده فازی در مواجه با شرایط مختلف جاده و سه سرعت پیش‌روی قرار گرفت. سپس با استفاده از داده‌های مربوط به کنترل‌کننده فازی دو کنترل‌کننده دیگر از طریق سیستم استنتاج تطبیقی عصبی-فازی مبتنی بر تقسیم‌بندی توری و خوشه‌بندی فازی آموزش داده شدند. نتایج شبیه‌سازی نشان دادند که کنترل کننده تطبیقی عصبی- فازی مبتنی بر خوشه‌بندی فازی با وجود تغییر در شرایط جاده و سرعت خودرو عملکرد سیستم تعلیق را بصورت قابل ملاحظه‌ای بهبود می‌دهد، و در مقایسه با سایر روش‌های کنترلی توانایی بیشتری در کاهش شتاب خطی بدنه خودرو دارد.
Suspension system is an important part of vehicle whose main role is to separate the vehicle body from road induced vibrations. Design and control of a suspension system that can adapt to different road conditions with high flexibility is essential. In this study, data were collected from three types of road conditions with different roughness coefficients in various forward speeds for training a suspension model. Primarily, dynamic equations were derived for a linear full model suspension system. Then, with the use of fuzzy system simulation data, two adaptive neuro-fuzzy controllers namely Grid Partitioning and Fuzzy Clustering were trained. Finally, four methods were evaluated and the results showed that decrease in linear deflection and acceleration of vehicle body is higher in adaptive neuro-fuzzy controller by Subtractive Clustering compared to other systems.
_||_