Детальная информация

Активное управление подвеской — это эффективный способ повышения комфорта езды, виброизоляции и улучшения контакта шин с дорогой при стохастическом воздействии дорожного покрытия. Пассивные системы подвески старого типа имеют фиксированные структурные свойства, которые не позволяют им реагировать на изменяющиеся дорожные условия должным образом. Хотя глубокое обучение с подкреплением предлагает перспективную структуру для решения проблемы непрерывного управления подвеской, традиционный алгоритм Twin Delayed Deep Deterministic Policy Gradient (TD3) имеет определенные возможности в области управления действиями акторов в задачах многоцелевого активного управления подвеской. В диссертации разработана модернизированная версия системы управления активной подвеской модели четверти автомобиля на основе алгоритма TD3 с использованием платформы MATLAB/Simulink. Предложенная процедура включает в себя слияние критиков для повышения эффективности обновления актора за счет лучшего использования двух онлайн-критиков и сохранения консервативного механизма обучения целевых функций стандартного алгоритма TD3. Одновременно с этим функция вознаграждения реструктурирована в многоцелевой форме, учитывающей ускорение кузова, деформацию подвески, динамическую плавность, поведение, связанное с границами, поведение, связанное с силой пружины, и поведение, связанное с силой привода. Эффективность улучшенного контроллера была протестирована и проанализирована в условиях дорожного покрытия класса B и сравнена с пассивной подвеской с использованием анализа отклика во временной области. Результаты показывают, что предложенный подход может быть обучен, а также демонстрирует значительное улучшение комфорта езды по бокам кузова и поведения, связанного с нагрузкой на шины. Исследование показало, что модифицированная модель TD3 с критической интеграцией является полезным и значимым физическим решением проблемы управления активной подвеской.

The active suspension control is an efficient way of enhancing the vehicle ride comfort, vibration isolation, and tire-road contact behavior during stochastic road excitation. Passive suspension systems of the old type have fixed structural properties which do not allow them to respond to changing road conditions as they should. Even though deep reinforcement learning offers a promising structure to address the issue of continuous suspension control, the traditional Twin Delayed Deep Deterministic Policy Gradient (TD3) has some room left in the area of actor direction on multi-goal active suspension problems. The thesis constructs a modernized version of the TD3-based control system of active suspension of a quarter-car model based on the MATLAB/Simulink platform. The suggested procedure incorporates the critic fusion in order to enhance the actor updating through better utilization of the two online critics and maintaining the conservative target-learning mechanism of the regular TD3. At the same time, the reward function is restructured in a multi-objective fashion that is related to body acceleration, suspension deflection, dynamic smoothness, behavior related to boundaries, behavior related to spring force, and behavior related to actuator force. The performance of the improved controller is tested and analyzed under Class B road conditions and compared to passive suspension using time-domain response. The findings indicate that the suggested approach can be trained and it also shows significant body-side ride comfort and tire-load-related behavior improvement. The research has shown that the modified TD3 model with critic fusion is a useful and meaningful physical solution to the problem of controlling active suspension.

• ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ
• FINAL QUALIFICATION WORK
• MASTER'S THESIS