Vibration analysis and adaptive model predictive control of active suspension for vehicles equipped with non-pneumatic wheels
Notice bibliographique
Résumé
In this paper, an adaptive controller is proposed for an active suspension system to achieve optimal compromise performance for vehicles equipped with non-pneumatic wheels under different road conditions. Firstly, the effective vertical stiffness of the non-pneumatic wheel (NPW) was identified through the static force-deflection tests. Then, the effect of the variations in NPW stiffness and mass on the vibration responses was investigated using a quarter-vehicle model. In order to coordinate the ride comfort and handling performance of the vehicle for different road excitations, an adaptive controller was synthesized using the model predictive control (MPC) theory together with an H ∞ state observer. The control gains for different control objectives were determined using a genetic algorithm (GA). Simulations indicate that the proposed controller can adapt to different road excitations and effectively enhance the dynamic performance of the vehicle. Specifically, by applying adaptive control, the root-mean-square (RMS) value of sprung mass acceleration (SMA) and the dynamic wheel load (DWL) coefficient are reduced by 19.4% and −9.3% on Class B roads and 12.4% and 3.8% on Class C roads, respectively, which is superior to the modified skyhook control (19.4% and −11.8% on Class B roads, and 19.3% and −12.3% on Class C roads). The effectiveness of simulation results was subsequently verified through hardware-in-the-loop experiments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».