Neural adaptive control for intelligent automotive suspensions

Abstract

Motor vehicles are a daily part of life for most of the world's population, who use them every day. As such, the human body is exposed daily to the intrinsic effects of vehicle use, such as noise and vibrations, mainly from the ground. The reduction and attenuation of these vibrations is a persistent presence in vehicle studies, seeking more effective and robust methods for these applications. This work proposes a novel intelligent framework for neural adaptive control designed to optimize automotive suspension performance by dynamically adjusting to real-time road conditions. First, a machine learning algorithm is developed and trained to function as a road recognition system, effectively classifying the road surface into distinct classes based on acceleration sensor inputs. For each identified road class and velocity situation, an optimal LinearQuadratic Regulator (LQR) controller is designed and systematically optimized using a Particle Swarm Optimization (PSO) algorithm, ensuring a high-performance control baseline specific to that condition and respecting actuator saturation force. Subsequently, this bank of optimized LQR controllers is used as an expert dataset to train a corresponding bank of artificial neural network (ANN) controllers. Simulation results validate the efficacy of the proposed architecture. The neural adaptive controller demonstrates significant improvements in vibration reduction and ride comfort compared to traditional passive systems and fixed-parameter LQR controllers, effectively minimizing vehicle vibrations across a multitude of simulated road conditions. This work contributes a robust and intelligent control strategy, successfully integrating machine learning with advanced optimization techniques for the next generation of intelligent automotive suspensions.

Os veículos automotores fazem parte do cotidiano da maioria da população mundial, que os utilizam todos os dias. Dessa forma, o corpo humano é exposto diariamente aos efeitos intrínsecos do uso do veículo, como ruído e vibrações, principalmente do solo. A redução e a atenuação dessas vibrações são uma presença persistente nos estudos de veículos, buscando métodos mais eficazes e robustos para essas aplicações. Este trabalho propõe uma nova estrutura inteligente para controle adaptativo neural, projetada para otimizar o desempenho da suspensão automotiva, ajustando-se dinamicamente às condições da estrada em tempo real. Primeiro, um algoritmo de aprendizado de máquina é desenvolvido e treinado para funcionar como um sistema de reconhecimento de estradas, classificando efetivamente a superfície da estrada em classes distintas com base nas entradas de um sensor de aceleração. Para cada classe identificada e situação de velocidade, um controlador Regulador Linear Quadrático (LQR) é projetado e sistematicamente otimizado usando um algoritmo de Otimização de Enxame de Partículas (PSO), garantindo uma linha de base de controle de alto desempenho específica para essa condição e respeitando a força de saturação do atuador. Posteriormente, esse banco de controladores LQR otimizados é usado como um conjunto de dados especializado para treinar um banco correspondente de controladores de rede neural artificial (ANN). O controlador adaptativo neural demonstra melhorias significativas na redução de vibrações em comparação com os sistemas passivos tradicionais e controladores LQR de parâmetros fixos, minimizando as vibrações do veículo em uma variedade de condições rodoviárias simuladas. Este trabalho contribui com uma estratégia de controle robusta e inteligente, integrando com sucesso o aprendizado de máquina com técnicas avançadas de otimização para a próxima geração de suspensões automotivas inteligentes.