Neural networks modeling of a magnetorheological damper and semi-active suspension control for a high performance sports car

Automotive semi-active suspensions have represented a crucial research field in recent years. In this context, those based on a Magnetorheological (MR) damper are having a significant commercial success thanks to the feature of varying its damping coefficient according to the magnetic field, generated by the current flowing into the coil inside the piston head. Aim of this dissertation is the development of a semiactive control system based on a magnetorheological (MR) damper installed in a high performance sports car. To this purpose, a data-driven approach is employed to identify a current-stroke speed sensitive model which encapsulates the non-linear behavior of the damper. Herein, widely known semi-physical models are discarded in favour of non-linear models based on Artificial Neural Networks. Although a dynamic network better approximates the behaviour of the damper, implementation problems found in his introduction inside a vehicle model have brought to the usage of a static one as a MR damper simulator to analyze different control strategies. Among the several control problems characterizing such a complex system, a wide established MR damper control structure, based on two controllers (one for compute a desired damping force and one to feed the right amount of current based on the force reference), is slightly modified: the desired force is not computed by an high level control law, but by means of pre-programmed speed force curves that correspond to different desired damping capability. Starting from the problem to feed the right amount of current to the damper, an original force-tracking controller, that exploit the inverse model of the MR damper, is validated. Afterwards, various aspects of ride quality (such as comfort and road holding) are defined in a mathematical way by means of indexes, so that it is possible to rigorously assess the performance of the proposed high level strategies. To this end, several simulations are carried out using the quarter car model and the Carsim simulator in order to have both nominal and more realistic performance assessments. By analyzing frequency-domain and time-domain results the best control algorithm, in particular by the point of view of the comfort performance, is the mixed SH/ADD. Moreover, another aspect of the Thesis is to develop a manoeuvre recognition system based on finite state machine. The task of this system is to detect the current driving conditions, starting from the input signals provided by the driver, in such a way to predict the vehicle's suspensions behaviour. Its results, based on real data has been investigated and its limits highlighted.

Negli ultimi anni le sospensioni semi-attive hanno rappresentato un ambito di ricerca cruciale nel campo dell’automotive. In questo contesto, le sospensioni basate su un ammortizzatore magnetoreologico (MR) stanno avendo un significativo successo commerciale grazie alla loro capacità di variare il coefficiente di ammortizzazione in base al campo magnetico generato dalla corrente della bobina all'interno della testa del pistone. Lo scopo di questa tesi è lo sviluppo di un sistema di controllo semiautomatico basato su un ammortizzatore magnetoreologico (MR) per un'auto sportiva ad alte prestazioni. A questo scopo, viene utilizzato un approccio basato su dati reali, per identificare un modello dipendente dalla corrente e dalla velocità di elongazione e che includa il comportamento non lineare dell’ammortizzatore. Modelli semi-fisici ampiamente noti sono stati dunque scartati a favore di modelli non lineari basati su reti neurali artificiali. Sebbene una rete dinamica approssimi meglio il comportamento dell’ammortizzatore, i problemi di implementazione riscontrati nella sua introduzione all'interno di un modello di veicolo più complesso hanno portato all'utilizzo di un simulatore di ammortizzatore MR statico per analizzare diverse strategie di controllo. Considerando i numerosi problemi di controllo che caratterizzano un sistema così complesso, è stata scelta una struttura di controllo dell'ammortizzatore MR ampiamente consolidata, basata su due controllori: uno per calcolare la forza di smorzamento desiderata e uno per fornire la giusta quantità di corrente in base alla forza. Questa struttura è stata leggermente modificata: la forza desiderata non è calcolata da una legge di controllo di alto livello, ma mediante curve di forza velocità pre-programmate che corrispondono alle diverse capacità di ammortizzazione desiderate. Partendo dal problema di fornire la giusta quantità di corrente all’ammortizzatore, viene convalidato un controllore per il controllo della forza, che sfrutta il modello inverso dell'ammortizzatore MR. Successivamente, vari aspetti della qualità della guida (come il comfort e la tenuta di strada) sono definiti in modo matematico mediante indici, in modo che sia possibile valutare rigorosamente le prestazioni delle strategie di controllo di alto livello proposte. A tal fine, sono state condotte diverse simulazioni utilizzando il modello quarter car e il simulatore Carsim al fine di ottenere delle valutazioni delle prestazioni sia nominali che più realistiche. Analizzando i risultati del dominio della frequenza e del dominio del tempo, l'algoritmo di controllo migliore, in particolare dal punto di vista del comfort della guida, è l’algoritmo misto SH / ADD. Inoltre, un altro aspetto di questa tesi è lo sviluppo di un sistema di riconoscimento delle manovre basato su macchine a stati finiti. Il compito di questo sistema è quello di rilevare le condizioni di guida attuali, a partire dai segnali di ingresso forniti dal pilota, in modo tale da prevedere il comportamento delle sospensioni del veicolo. I risultati, basati su dati reali, sono stati studiati e sono stati messi in evidenza i limiti di questo sistema.