بهبود كنترل‌كننده تطبيقي عصبي-فازي با بكارگيري الگوريتم خوشه‌بندي فازي بمنظور كنترل ارتعاشات سيستم تعليق خودرو

Improving of adaptive neuro-fuzzy controller by fuzzy clustering means algorithm for control of vehicle suspension system

سيستم تعليق يكي از اجزاء مهم تشكيل دهنده خودرو مي‌باشد كه هدف اصلي آن جداسازي بدنه خودرو از ارتعاشات ناشي از شرايط مختلف جاده‌اي مي‌باشد. امروزه دست‌يابي به يك سيستم تعليق كه بتواند خود را با شرايط مختلف جاده‌ تطبيق دهد چالش پيش‌روي شركت‌هاي سازنده خودرو مي‌باشد. شرايط جاده و سرعت پيش‌روي خودرو از عوامل متغيير با زمان مي‌باشند كه باعث مي‌شود رفتار ديناميكي سيستم تعليق بسيار تصادفي باشد. از اين‌رو طراحي و كنترل يك سيستم تعليق كه قابليت تطبيق و انعطاف‌پذيري مناسب در مواجه با شرايط مختلف جاده و سرعت پيش‌روي را داشته باشد، امري ضروري مي‌باشد. در اين پژوهش مدل ديناميكي خطي براي چهار چرخ خودرو در نظر گرفته شد و سپس معادلات ديناميكي مربوط به آن استخراج گرديد. در ابتدا كنترل‌كننده فازي براي سيستم تعليق خودرو طراحي شد، در مرحله بعد سيستم تعليق خودرو با كنترل‌كننده فازي در مواجه با شرايط مختلف جاده و سه سرعت پيش‌روي قرار گرفت. سپس با استفاده از داده‌هاي مربوط به كنترل‌كننده فازي دو كنترل‌كننده ديگر از طريق سيستم استنتاج تطبيقي عصبي-فازي مبتني بر تقسيم‌بندي توري و خوشه‌بندي فازي آموزش داده شدند. نتايج شبيه‌سازي نشان دادند كه كنترل كننده تطبيقي عصبي- فازي مبتني بر خوشه‌بندي فازي با وجود تغيير در شرايط جاده و سرعت خودرو عملكرد سيستم تعليق را بصورت قابل ملاحظه‌اي بهبود مي‌دهد، و در مقايسه با ساير روش‌هاي كنترلي توانايي بيشتري در كاهش شتاب خطي بدنه خودرو دارد.

Suspension system is an important part of vehicle whose main role is to separate the vehicle body from road induced vibrations. Design and control of a suspension system that can adapt to different road conditions with high flexibility is essential. In this study, data were collected from three types of road conditions with different roughness coefficients in various forward speeds for training a suspension model. Primarily, dynamic equations were derived for a linear full model suspension system. Then, with the use of fuzzy system simulation data, two adaptive neuro-fuzzy controllers namely Grid Partitioning and Fuzzy Clustering were trained. Finally, four methods were evaluated and the results showed that decrease in linear deflection and acceleration of vehicle body is higher in adaptive neuro-fuzzy controller by Subtractive Clustering compared to other systems.