《Mathematics》:Neural Network Modeling of Air Spring Dynamic Stiffness Based on Its Pneumatic Physics
Yuelian Wang,
Tao Bo,
Wenzheng Hu,
Jiaqi Zhao,
Fa Su,
Zuguo Ma and
Ye Zhuang
编辑推荐:
为解决主动悬架控制系统实时计算需求,研究人员开展了空气弹簧非线性特性建模研究。通过建立相对运动状态(位移、速度)与输出力之间的直接非线性功能映射,避免了复杂微观物理方程的计算负担。研究采用渐进式建模策略,从多项式拟合、前馈神经网络到最终提出物理嵌入分层网络,在保留关键非线性滞后特性的同时显著提升了模型的稳定性和精度。此项高保真模型为先进悬架控制策略(如模型预测控制)提供了关键基础,增强了车辆在动态载荷下的适应性。
在现代汽车的悬架系统中,空气弹簧扮演着至关重要的角色,它凭借优异的隔振性能、可调刚度和高度控制能力,显著提升了乘坐舒适性和操控稳定性。与传统的螺旋弹簧相比,空气弹簧的机械特性表现出显著的非线性,这种独特的力学行为使其在主动或半主动悬架系统中具有更大的动态适应性,可以根据不同的行驶条件进行调整以优化整车性能。然而,在开发先进控制策略时,一个高精度的空气弹簧动态模型是实现闭环控制的基本前提。以往的研究虽然通过结合热力学、流固耦合和分数阶导数理论提高了模型的物理保真度和预测精度,但这些模型普遍存在数学结构复杂、参数识别困难、计算资源消耗高等问题。从实际控制策略应用的角度看,控制系统更优先考虑模型的实时计算效率及其在车载控制器内的可行性。那么,能否建立一种既保留系统关键非线性特性,又能满足实时控制计算需求的简化模型呢?这正是本项研究旨在解决的核心问题。
该研究为应对这一挑战,不再依赖复杂的微观物理方程,转而直接建立簧上/簧下质量的相对运动状态(位移和速度)与空气弹簧输出力之间的非线性功能映射。这种方法旨在保留系统关键的非线性滞后特性,同时大幅减少计算负担。为此,研究人员实施了一种渐进式建模策略来刻画空气弹簧的非线性行为。整个研究的技术路线从数据采集开始,逐步演进到最终的物理嵌入分层网络模型。
研究人员在研究中运用了几个关键技术方法,首先是构建了集成机械激励、气动调节和高频数据采集能力的综合实验平台,用于精确复现和观测空气弹簧在各种工况下的动态响应。其次,采用了渐进式建模方法,依次评估了多项式拟合、前馈神经网络和物理信息神经网络。最终,为了解决传统PINN中偏微分方程约束与数据驱动损失项之间的冲突,研究提出了物理嵌入分层网络,通过推导适用于空气弹簧动力学的专门PDE约束,并设计与这些物理要求相一致的分层架构,有效平衡了物理先验与实验数据。该研究基于实验数据集进行建模。
2.1 空气弹簧的初步建模
基于理想气体假设和内部压力均匀分布的前提,研究人员推导了空气弹簧外力F的表达式,并引入理想气体多变方程来描述其动态行为。研究指出,空气弹簧的力学特性本质上是非线性的,其内部气体状态的演变本质上是几何变形和热力学过程耦合的结果。为了更准确地描述机械响应,在动态工况下,工作体积和内部压力都应表达为位移和速度的函数,即V(x, v)和P(x, v)。因此,在实验中需要建立一个多物理量同步数据采集系统,实时测量包括相对位移x、相对速度v和内部压力P在内的关键状态变量。此外,考虑到气体压缩和膨胀过程中的热效应在实际工况下不可忽略,还需同步监测气室内的实时气体温度,以修正建模过程中因温度变化引起的气体状态偏差。同时,根据理想气体多变方程,初始时刻的状态变量差异会影响整个模型的状态,因此测试过程中必须精确校准和记录每种工况的初始状态参数。
2.2 试验台架设置与负载工况设计
基于上述理论分析和数据采集需求,研究建立了一个全面的空气弹簧特性实验平台。该平台主要由三个子系统组成:机械加载与执行单元、气源供应与调节单元以及基于dSPACE的实时控制与数据采集单元。测试使用MTS850减振器测试系统来施加预设的加载激励,并通过集成的高精度位移传感器、速度计算模块和力传感器同步采集位移、速度和力信号。测试样品选用了一个双腔膜式空气弹簧,其设计具有由电磁阀控制的变容积机制。研究人员设计了一系列测试来探究空气弹簧在不同工作模式下的动态响应,包括正弦激励测试和随机激励测试,以全面评估其非线性刚度、滞后效应和阻尼特性。
通过实验获取的高质量数据集,研究人员随后开展了建模工作。首先尝试了多项式拟合来识别关键输入特征,但由于其捕获复杂非线性的能力有限,转而探索标准的前馈神经网络。虽然FNN擅长非线性映射,但其固有的“黑箱”性质常常导致收敛困难和泛化能力受限。为了克服这些限制,研究引入了物理信息神经网络架构。PINN通过在损失函数中嵌入物理控制方程作为正则化约束,无缝集成了数据驱动方法的灵活性和物理定律的数学严谨性。然而,传统的PINN架构经常遇到收敛挑战,特别是PDE约束与数据驱动损失项之间的冲突可能阻碍网络收敛到全局最优。为了解决这些局限性,本研究通过开发物理嵌入分层网络改进了标准的PINN框架。PEHN通过推导适用于空气弹簧动态特性的专门PDE约束,并设计与这些物理要求相一致的分层神经网络架构,有效平衡了物理先验与实验数据。这种方法确保了更稳健的收敛性和捕获复杂行为(包括非线性、滞后效应和动态刚度变化)的卓越能力。
实验结果表明,与基线模型相比,所提出的PEHN在捕捉空气弹簧动力学的复杂非线性方面表现出更强的稳定性和更高的精度。由此产生的高保真模型不仅准确表征了瞬时机械响应,也为高级悬架控制策略(如模型预测控制)提供了关键基础,以增强车辆在动态载荷下的适应性。
本研究的结论和创新点主要体现在三个方面。第一是控制导向特性分析:从控制需求的角度研究了空气弹簧的外部特性,利用簧上/簧下质量之间的相对运动参数作为输入,直接获得空气弹簧的输出力。第二是高精度代理建模:开发了前馈神经网络代理模型,该方法利用神经网络强大的非线性表达能力,实现了比传统方法更高精度的空气弹簧建模。第三是物理信息神经网络集成:构建了基于物理信息的神经网络模型,这种集成加速了网络的收敛速度,并引导模型朝着符合物理规律的方向收敛,从而显著提高了预测精度和泛化能力。这项研究为开发适用于实时控制的高效、高精度空气弹簧模型提供了一条新途径,对推动主动悬架技术的发展具有重要意义。该论文发表在《Mathematics》期刊上。