Farklı Yol Profillerine Uyum Sağlayabilen Aktif Süspansiyon Sistemi için Makine Öğrenme ve Optimizasyon Tabanlı Anahtarlamalı Lineer Kuadratik Regülatörlü Denetleyici Tasarımı ve Uygulaması

Abstract

Bu çalışmada, gerçek zamanlı çeyrek taşıt modeli tabanlı bir Aktif Süspansiyon Sisteminin (ASS) sürüş konforunu, yol tutuşunu ve kararlılığını artırmak amacıyla iki akıllı kontrol stratejisi deneysel olarak geliştirilmiş ve doğrulanmıştır.

İlk yaklaşımda, ISO 8608 standardına göre tanımlanan stokastik yol sınıfları (ISO-A, B, C ve D) için Makine Öğrenmesi ve Optimizasyon tabanlı Anahtarlamalı Lineer Kuadratik Regülatör (ML&O tabanlı S-LQR) önerilmiştir. Ağırlıklandırılmış Amaç Fonksiyonu (WOF), aynı koşullar altında çeşitli meta-sezgisel optimizasyon algoritmaları kullanılarak minimize edilmiştir. Yakınsama ve istatistiksel analizler (Friedman ve Wilcoxon testleri), Battle Royale Optimizasyonu (BRO) algoritmasının LQR ağırlık matrislerinin ayarlanmasında diğer yöntemlere kıyasla üstün performans gösterdiğini ortaya koymuştur. Yol sınıflandırması, ASS üzerinden 1 kHz örnekleme frekansı ile ölçülen ivme sinyalleri kullanılarak gerçekleştirilmiştir. Sekiz istatistiksel özellik çıkarılmış ve Bayesian hiperparametre optimizasyonu ile birlikte 10 katlı çapraz doğrulama uygulanmıştır. Değerlendirilen sınıflandırıcılar arasında Destek Vektör Makinesi (SVM), en yüksek makro ortalamalı doğruluk ve F1-skoru değerlerini elde ederek yol sınıflandırıcısı olarak seçilmiştir. Önerilen SVM tabanlı S-LQR yapısı, özellikle 4–12 Hz frekans bandında titreşimleri önemli ölçüde bastırarak Pasif Süspansiyon Sistemi (PSS) ve klasik Quanser LQR (Q-LQR) kontrolcüsüne kıyasla üstün performans sergilemiştir.

İkinci yaklaşımda ise, Ulaşım Mühendisleri Enstitüsü (ITE) standartlarına göre modellenen gerçekçi hız kesici profilleri yol uyarımı olarak uygulanmıştır. Klasik PID, Kesir Dereceli PID, Sigmoid PID, Sigmoid Kesir Dereceli PID, Üstel PID ve LQR kontrolcüler tasarlanmış ve meta-sezgisel algoritmalar kullanılarak optimize edilmiştir. Karşılaştırmalı sonuçlar, Mayıs Sineği Optimizasyonu (MFO) tabanlı Üstel PID (E-PID) kontrolcüsünün tüm performans ve hata indisleri açısından diğer kontrolcülere kıyasla üstünlük sağladığını ve parametre belirsizliklerine karşı daha yüksek gürbüzlük sunduğunu göstermiştir.

This study experimentally develops and validates two intelligent control strategies to enhance ride comfort, road holding, and stability of a real-time quarter-car Active Suspension System (ASS).

In the first approach, a Machine Learning and Optimization-based Switched Linear Quadratic Regulator (ML&O-based S-LQR) is proposed for stochastic road classes (ISO-A, B, C, and D) defined according to ISO 8608. A Weighted Objective Function (WOF) is minimized using several metaheuristic optimization algorithms under identical conditions. Convergence and statistical analyses (Friedman and Wilcoxon tests) demonstrate that the Battle Royale Optimization (BRO) algorithm outperforms other methods in tuning LQR weighting matrices. Road classification is performed using acceleration signals sampled at 1 kHz from the ASS. Eight statistical features are extracted, and 10-fold cross-validation with Bayesian hyperparameter optimization is applied. Among the evaluated classifiers, Support Vector Machine (SVM) achieves the highest macro-averaged accuracy and F1-score and is selected as the road classifier. The proposed SVM-based S-LQR structure significantly suppresses vibrations, particularly in the 4–12 Hz frequency band, outperforming both the Passive Suspension System (PSS) and the classical Quanser LQR (Q-LQR) controller.

In the second approach, realistic Speed Vertical Reducers profiles modeled according to Institute of Transportation Engineers (ITE) standards are applied as road excitations. Classical PID, Fractional-Order PID, Sigmoid PID, Sigmoid Fractional-Order PID, Exponential PID, and LQR controllers are designed and optimized using metaheuristic algorithms. Comparative results reveal that the Mayfly Optimization (MFO)-based Exponential PID (E-PID) controller achieves superior performance across all performance and error indices and demonstrates enhanced robustness against parameter uncertainties.