基于神经网络PID控制汽车智能化研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于神经网络PID控制汽车智能化研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要：汽车经过一百多年的发展，已成为人们生活不可或缺的交通工具。驾驶员、道路、汽车构成一个完整的有机系统。驾驶员的地位在车辆操纵稳定性的闭环研究中和智能车的开发中非常的重要，现在研究驾驶员速度控制行为特性较少。神经网络自适应PID控制理论应用于本文中，对汽车速度神经网络自适应PID控制进行研究。
关键词：汽车 神经网络 PID控制 智能
中图分类号：U46 文献标识码：A 文章编号：1672-3791（2014）05（c）-0073-02
汽车以有将近百年的发展，以成为人们生活不可或缺的交通工具，使人们出行变得方便，提高人们的生活质量。但随着汽车技术的进步和人民物质水平的提高，道路上越来越多的汽车，交通越来越拥挤，驾驶员的非职业性等等。使得交通事故频繁发生，造成巨大的人员伤亡和财产损失。汽车交通安全已成为一个社会问题。为了解决这个问题，首先，汽车必须有良好的安全。一些功能的设计，主要研究方向之一是汽车的主动安全性是否良好。
汽车操纵稳定性的研究，已经有七十多年的历史。目前，研究汽车本身的问题已经相当深入。然而，人们使用智能汽车模型操纵稳定性评价时，有这样一个问题：缺乏基本了解对驾驶员的特性。因此，人们只知道方向盘输入对应汽车的具体响应，很难确定驾驶员对系统的性能影响。通过了解，一些研究人员开始研究驾驶员模型和驾驶员汽车闭环系统。
本文根据实践经验和方向控制驱动模型，研究基于智能车辆的需求和汽车操纵稳定性评价研究闭环驾驶模型。基于车辆速度单神经元自适应PID控制的驾驶员模型。
1.1 PID控制原理
PID控制是最早的控制策略，比例、积分和微分组合控制，控制被控对象，称为PID控制器。自从计算机进入控制领域以来，模拟控制器被数字计算机代替组成计算机控制系统，在软件上实现PID控制算法，对PID控制使用更灵活，因其控制简单、可靠性高和鲁棒性好成为生产中常见的控制方法，过程控制和运动控制被广泛应用。模拟PID控制系统原理如图1所示。系统是由PID控制器和控制对象，根据给定的值和输出值来控制时间偏差，PID控制规则是：
比例环节是偏差信号成比例被放大；积分环节是累加比例偏差；微分环节是根据差值的变化速率，提前调节动作。PID参数预置是互补的，应该根据实际情况进行微调：控制量在目标值附近震荡，首先增加积分时间，如果有振动，可适当降低比例增益P。控制量变化后难以恢复，首先增加比例增益P，如果恢复相对较慢，还可以适当的减少积分时间，还可以增加微分时间。
1.2 神经网络控制
大脑神经元组成大脑的神经系统最基本的单位，大脑皮层神经元数量在101110～10个数量级。神经由胞体和许多的的突起构成。细胞体内细胞核，突起的作用是传递信息。作为输入信号的若干个过程，称为树突；作为输出端的突起只有一个。即轴突，把许多神经元连接在一个神经网络，通过树突和轴突的对接。
神经网络学习功能是主要特征之一，神经元之间的连接强度或加权系数算法是通过学习规则，学习知识来适应环境的变化。修正加权系数在学习的过程中被修正。在工作期间，加权系数参与计算神经元的输出。
监督学习和无监督学习是学习算法的两类：第一，监督学习，外部的教师信号，当结果和期望的输出之间存在误差，连接强度的调整由网络自动完成按照自动调整机制，经过多次反复跳帧，减少误差，最终结果符合要求；第二，无监督学习，没有外部的教师信号，其性能表现为自适应输入空间的测试规则，学习过程为系统提供动态输入信号，使各单位以某种方式竞争，获得神经元本身或其邻近域增强，其他神经元从而进一步抑制信号空间分为多个区域是非常有用的。常用的集中规则如下：
（1）有监督学习规则Hebb，Hebb学习是一种相关的学习。基本思想是：如果两个神经元激活的同时，加强他们之间的连接强度和他们的激励的乘积直接成正比的关系。
（2）有监督的Delta学习规则在Hebb学习规则中把教师信号引入。
（3）监督Hebb学习规则，非监督学习规则和有监督学习规则两个组合在一起构成有监督Hebb学习规则。
2 汽车速度单神经元自适应PID控制
驾驶员巩通过改变刹车踏板的位置和油门踏板控制车辆的纵向加速度和速度。由于涉及的控制引擎和轮胎等强非线性环节，所以它是一个强非线性参数时变系统。为了正确地描述驾驶员输入的关系以及纵向油门踏板的反应，我们做一个综合分析，采用汽车速度控制强非线性系统的工作点附近的局部线性化方法，简化局部非线性参考模型来描述动态响应特性的汽车速度控制。这样控制存在静差，所以我们要先进行动力学模型参数的辨识，才能进行速度控制。
单神经元网络是以神经元为节点，使用一个网络拓扑构成的活性网络。理论上实现任意非线性映射和逼近复杂的非线性关系。单神经元的自学习和自适应能力，结构简单，易于计算。传统的PID控制器由于其算法简单、鲁棒性好和可靠性高的优点，广泛应用于工业过程控制。但是其对运行工况适应性不好，参数整点不良等缺点。通过两者结合解决PID控制的不足，提高系统的性能。汽车速度的控制流程图如图2所示。
3 闭环系统仿真分析
为了验证速度控制驾驶员模型的合理性，验证汽车速度的单神经元自适应PID控制驾驶员模型比简单的PID控制驾驶员模型具有更好的适应性和鲁棒性。在仿真中，参考的纵向速度积分的方法为纵向参考位移的输入；方向盘角设置为零，即线性速度跟随仿真实验，对于方向盘角为非零值的速度时，跟随工况下存在的耦合，我们在这里主要介绍在汽车直线行驶时，在减速跟随工况下进行仿真，汽车在简单PID控制和单神经元自适应PID控制下进行仿真所得到的纵向速度、纵向加速度等参量相比较而绘制的曲线示意图。图3和图4所示。
4 结论
应用神经网络和PID控制原理，针对车辆动力学控制的特点，建立了强非线性特征基于车辆速度的单神经元自适应PID控制驾驶员模型，驾驶员-汽车-道路闭环系统进行了仿真分析，仿真结果和简单的PID控制仿真结果进行比较。车辆速度的单神经元PID控制驱动模型比简单的PID控制驱动驱动具有更好的适应性。提高了系统的性能，为汽车的智能化提供参数。
参考文献
[1] XuH G，WangC X，YangR Q.ExtendedKalman filterbasedmag-netic guidance for intelligent vehicles[C]// Tokyo，Japan：Intell-igentVehicles Symposium.2006.
[2] 沈吟东，曾西洋.公共交通驾驶员调度的复杂性及解决方法[C]//2004计算机应用技术交流会议论文集.2004.
[3] 李冬辉，叶利涛.基于模糊神经网络的故障诊断方法研究[J].组合机床与自动化加工技术，2005（4）.
[4] 王宏涛，刘朝勇，郑世杰.基于模糊RBF神经网络的复合材料结构脱层损伤监测研究[J].兵器材料科学与工程，2011（1）.
[5] 王述彦，师宇，冯忠绪.基于模糊PID控制器的控制方法研究[J].机械科学与技术，2011（1）.