车用电磁阀控减振器精确建模与数字孪生

问题：控制精度的天花板在模型上

连续阻尼可调（CDC）减振器是半主动悬架的执行末端，它的建模精度直接决定了上层控制算法能兑现多少性能。麻烦在于，带气囊活塞的 CDC 减振器在实际工作中会产生 5~30 ms 的时滞，包含磁滞与气滞两部分——电流指令下去，阻尼力不会立刻跟上，而且跟不上的方式随工况变化。

已有的两类做法各有硬伤：

参数模型 + 神经网络混合补偿。神经网络的黑箱属性导致模型可解释性差，它对非线性滞后的补偿逻辑无法与物理机理对应。当实际阻尼力与预期不匹配时，分不清是集总参数模型的物理参数偏差，还是神经网络的拟合误差，控制调试与故障溯源都变得困难。而且泛化能力受训练数据的工况覆盖范围限制，遇到没参与训练的极端路况（比如剧烈颠簸）补偿容易失效。

线性分段 + 非线性气滞混合模型。这类方法依赖频率信号，而频率在实车上难以实时获取；模型参数还具有显著的频变特性，与控制电流、激励频率呈复杂耦合，参数辨识必须基于多工况组合数据，不同工况下参数缺乏统一的关联规律，后续适配新行驶场景要重新大规模标定，成本很高。

思路：把频率从模型里拿掉

这项工作的核心取舍是：不采集频率数据，仅用位移、速度、加速度与电流就完成建模。

依据是加速度与频率之间的二次关联——通过气滞补偿力来刻画惯性效应。低频激励下加速度小，动特性由阻尼与摩擦力主导；高频激励时加速度剧增，气滞补偿力成为关键量。这样模型无需频率输入，也能实时响应不同频率下的动特性差异，既绕开了频率信号获取的麻烦，也让模型能适配复杂路况的实时建模需求。

正模型：按行程拆分的物理量

模型把输出力明确拆成阻尼力、摩擦力、磁滞补偿力、气滞补偿力四个物理分量，各分量与压缩/复原行程严格对应：

其中 \(c\) 是电磁阀可调阻尼元件的可调阻尼，\(c_0\) 是复原行程中固定阻尼元件的基础阻尼，\(\alpha_1, \beta_1, \delta_1\) 与 \(\alpha_2, \beta_2, \delta_2\) 分别是复原行程与压缩行程的磁滞补偿系数，\(f_1, f_2\) 是两个行程的摩擦力，\(k\) 是压缩行程的气滞系数，\(a\) 为加速度，\(x\) 为位移。

每个可变参数都有明确的物理含义。控制异常时，可以直接通过参数偏差定位到对应的物理环节——这是相对黑箱模型最实际的好处。

参数估计：误差项之外再加一道平滑约束

目标函数由两部分复合而成：

相对误差项保障全工况精度，平滑项抑制参数随电流的突变——避免因噪声或过拟合导致的参数跳变，保证参数曲线的连续性与物理合理性。这一步直接决定了模型的数值稳定性。

参数估计分两次进行：初次估计辨识与电流无关的固定参数，二次估计确定与电流有关的变化参数，对变化参数采用差异化拟合。

实测得到的参数确实呈现清晰的电流相关规律，例如基础阻尼 \(c_0\) 随电流增大而显著下降：

针对不同参数的变化规律采用了不同的拟合形式：磁滞补偿系数 \(\alpha_1\) 与基础阻尼 \(c_0\) 用四次多项式（\(c_0\) 也可用一次函数、单正弦或双三角函数），\(\alpha_2\) 用一次或二次函数，气滞系数 \(k\) 用二次函数。

灵敏度分析：哪个参数最要命

对关键可变参数 \(p \in \{\alpha_1, \alpha_2, c_0, k\}\) 用数值差分法计算给定工况下的归一化灵敏度系数（扰动幅度 ±5%）。0.2 A 工况下的排名：

摩擦力 \(f_1, f_2\) 与 \(\delta\) 系数的灵敏度都在 0.06 以下，属于低敏感参数。分析还揭示了一条规律：低电流工况下系统对参数变化最敏感，而基础阻尼系数 \(c_0\) 始终是影响最大的参数之一——这为标定时的精力分配给出了直接依据。

逆模型：分行程求解，压缩行程可解析

控制器需要的是反过来的问题：给定期望阻尼力，该输出多大电流。正模型在两个行程下形式不同，逆模型因此采用分行程求解策略：

• 压缩行程：利用磁滞补偿系数 \(\alpha_2\) 与气滞系数 \(k\) 的低阶多项式关系，把问题转化为一元二次方程，用求根公式解析求解，实现毫秒级实时计算
• 复原行程：面对高阶多项式，采用以存量表初始化的牛顿-拉夫逊迭代，兼顾收敛速度与全局适应能力（也可替换为二分法）

这个组合克服了纯查表法的工况局限，在全范围内实现实时精确的电流求解。

模型验证

在 MTS 试验台上以设定行程和频率作简谐运动，采集不同电流下的数据，对比模型输出与实测：

频率与电流的影响

另一条路径：改进的连续时间系统神经网络（NLCSNN）

参数化模型受限于机理假设：磁滞、气滞的形式一旦写定，就只能在该形式的表达能力内逼近真实系统。作为补充，我实现了一套状态空间神经网络——把减振器当作一个连续时间动力系统来学，而不是拟合一条静态特性曲线。

方法脉络上，经典状态空间模型只适用于线性或弱非线性系统；状态空间神经网络（SSNN）只能处理固定采样率数据，且缺乏物理约束、容易过拟合噪声；连续时间状态空间网络（CSNN）解决了采样率问题但仍是黑箱。NLCSNN 的做法是在连续时间状态方程里嵌入一个显式的非线性特征库，让物理先验直接进入模型结构。

试验平台与数据采集

在 MTS 试验台上装夹 CDC 减振器，配合可编程电源与多通道采集卡，同步记录位移、力、电流与温度：

信号处理这一步不是走过场。减振器内部气室压力与活塞绝对位置强相关，位移必须处理成绝对坐标而非相对量；而每个传感器的噪声频率不同，用统一滤波窗口会要么滤不干净、要么把有用的动态一起磨掉。训练前滤波、验证与推理时同样先滤波再入网，两端处理保持一致才不会出现”训练好、上线飘”。

数据集：让电流也随机起来

早期数据是固定电流下的谐波激励，模型只见过”电流不变”的世界。为了让模型学到电磁与液压的滞后，用可编程电源的 LIST 功能产生随机电流——实时控制频率约 20 Hz，与真实工况下位移激励的频率范围恰好匹配。

训练集用阶跃电流三角波激励、恒定电流谐波激励、恒定电流随机位移激励三类工况；验证集用随机电流 × 随机位移的复合工况——训练时没见过的组合。这样划分才能真正检验泛化，而不是让模型在同一段信号的不同窗口上自证。

核心设计：显式物理特征库 + 双通路

模型输入为六维 \(u = [x,\; v,\; a,\; I,\; \dot{I},\; T]\)（位移、速度、加速度、电流、电流变化率、温度）。关键不在于网络多大，而在于把物理先验写进特征库。原始实现有 188 个多项式与交叉项，我把它剪到 11 个有物理含义的特征：

一条明确的禁令是：不把 \(\dot{I}\) 和 \(\ddot{I}\) 放进特征库，让隐状态自己去学电磁与液压的滞后。理由很直接——电流的一阶导会引入高频噪声，而时滞本就该由动力学结构承担，交给人工特征只会让模型退化成对导数的曲线拟合。

网络走两条并行通路：

• 线性通路直接把特征库映射到状态导数与输出力，权重上加 L1 惩罚使其稀疏——训练完可以直接读出哪几个物理项在起作用，这是相对纯黑箱网络最有价值的地方
• 非线性通路（128 维隐层 + 两个残差块）只负责特征库没覆盖的残差动态
• 耗散衰减项保证隐状态有界。长序列滚动预测最容易发散，这一项让 \(\lVert h \rVert\) 始终受控

结构为 11+8 维特征 → 128 隐层 → 8 维隐状态，刻意保持小容量：这个问题的难点是长时程稳定性而不是拟合能力。

训练

验证一律做整段滚动预测（不是只推 2.5 秒），并记录隐状态范数与漂移量（前 1 秒与后 1 秒的误差差异），专门盯长时程发散。

验证结果

九个验证工况的完整结果：

九个工况的 NRMSE 落在 2.12%–5.70% 区间，平均 3.18%，绝对误差 15–48 N。

一个真实的短板：小信号精度

训练早期，小幅值工况的误差一度高达 18.76%，而同期大幅值工况已经做到 2.16%：

原因出在损失函数上：MSE 对大力值天然偏心。3000 N 处 5% 的误差对损失的贡献，是 100 N 处 5% 误差的 900 倍——优化器自然会牺牲小信号精度去换大信号精度。定位到这一点之后调整了归一化方式，小幅值工况最终降到 5.70%，但它仍是全部工况里最差的一个。这类问题不该藏起来：知道误差从哪来、为什么来，比报一个漂亮的平均值更重要。

泛化验证：训练集里没有的阶跃工况

在电流恒定的平台期，平均绝对误差 139.75 N，相对误差 3.5%。误差集中出现在位移换向的瞬间——这是减振器的”换向迟滞”：速度过零时内部压力需要重新建立。隐状态 \(h\) 能部分捕捉这个过程，但阶跃这类剧烈工况仍是模型的边界。

面向控制的输出：力的可行域

把训练好的模型在电流上下限之间扫一遍，就得到阻尼力随位移与速度变化的可达包络：

值得一提的是训练过程中的一个观察：加入隐状态幅值正则后，隐状态范数被有效压住（监控工况的 \(\lVert h \rVert_{\max}\) 从 2.89 降到 1.10），长时程稳定性显著改善，但 NRMSE 并没有变好。稳定性与精度在这个问题上是两个独立的维度。

我的工作

参数化正逆模型的构建与推导、带平滑约束的参数估计目标函数设计、两阶段参数辨识与电流相关拟合、灵敏度分析、逆模型分行程求解策略的实现，MTS 试验数据采集与全部模型验证，以及 NLCSNN 建模方法的改进。

工具：MATLAB/Simulink、MTS 试验台、Python

发明专利 CN121409644B，学生第一发明人。