Enhancing quarter car active suspension performance using walrus optimization algorithm-based PID controller
Notice bibliographique
Résumé
The suspension system of a vehicle is one of the main components of security and comfort for the driver and the car passengers. Therefore, the use of precise controller is vital to ensure the reliability of these vehicles. This paper presents a novel approach to tuning the proportional-integral-derivative (PID) controller of an active suspension system using the walrus optimization algorithm (WOA). This bioinspired meta-heuristic technique is used to find the optimal gains for the PID controller considering the minimization of the mean absolute tracking error. Systematic rules are defined to drive the optimization procedure of the controller. The system is simulated in three scenarios: a flat road, a speed bump, and a pothole, allowing to evaluate the adaptability of the controller in average traffic conditions. The results of 50 experiments demonstrate the effectiveness of the proposed method in finding the best gains for the controller, resulting in satisfactory performance and minimizing the tracking error to a residual value. A comparison with the classical closed-loop Ziegler & Nichols method is provided, where the proposed method ensures a tracking error reduction of ${9 4. 7 6 \%}$ and a root mean square error reduction of ${9 4. 3 3 \%}$. Additionally, the overshoot during the startup transient regime was reduced by ${9 0. 6 6 \%}$, while also eliminating the settling time of the system when evaluated utilizing the $2 \%$ criteria.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».