System identification and robust PID controller tuning of quarter car suspension system using hybrid optimization techniques
Notice bibliographique
Résumé
Developing a control solution for a quarter-car active suspension system, specifically aimed at enhancing ride comfort for individuals with spinal cord injuries while ensuring vehicle stability is important. Road irregularities are treated as external disturbances to the system. Traditional PID controllers often fall short due to issues like nonlinear dynamics, uncertain parameters, and limited robustness. To overcome these limitations, the hybrid optimization framework is used for controller tuning. A dataset comprising 397 car models is analyzed, and system parameters are selected using a combined Sequential Quadratic Programming and Pattern Search method. After validating the resulting dynamic model, various PID controllers are designed using standard metaheuristic algorithms-Particle Swarm Optimization (PSO), Genetic Algorithm (GA), and Simulated Annealing (SA). Furthermore, two hybrid optimization strategies-Ant Colony Optimization with Genetic Algorithm (ACO-GA) and FminSearch with Simulated Annealing (Fmin-SA)-are applied to improve the control system's robustness and response. Among the performance metrics considered including Integral Square Error (ISE), Integral of Absolute Error (IAE), and Integral of Time Absolute Error (ITAE), the ISE criterion was found to consistently yield superior results and was therefore adopted for the controller design. Simulation results show that the ACO-GA-based PID controller achieves faster response compared to that of other approaches.
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 | 0,001 | 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 ».