Adaptive Neuro-Fuzzy Control of Active Vehicle Suspension Based on H2 and H∞ Synthesis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper addresses the issue of a road-type-adaptive control strategy aimed at enhancing suspension performance. H2 synthesis is employed for modeling road irregularities as impulses or white noise, minimizing the root mean square (RMS) of performance outputs for these specific road types. It should be noted, however, that this approach may lead to suboptimal performance when applied to other road profiles. In contrast, the H∞ controller is employed to minimize the RMS of performance outputs under worst-case road irregularities, taking a conservative stance that ensures robustness across all road profiles. To leverage the advantages of both controllers and achieve overall improved suspension performance, automatic switching between these controllers is recommended based on the identified road type. To implement this adaptive switching mechanism, manual switching is performed, gathering input–output data from the controllers. These data are subsequently employed for training an Adaptive Neuro-Fuzzy Inference System (ANFIS) network. This elegant approach contributes significantly to the optimization of suspension performance. The simulation results employing this novel ANFIS-based controller demonstrate substantial performance enhancements compared to both the H2 and H∞ controllers. Notably, the ANFIS-based controller exhibits a remarkable 62% improvement in vehicle body comfort and a significant 57% enhancement in ride safety compared to passive suspension, highlighting its potential for superior suspension performance across diverse road conditions.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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) | 0,000 | 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 découle