Yarım Araç Aktif Süspansiyonunda Yol Tahminli, Güven Farkındalıklı Dingil Mesafesi Önizlemeli MPC

Öz

Yarım araç aktif süspansiyon sistemlerinde dingil mesafesi önizlemesinin sağladığı yarar, yol uyarımı değiştikçe önizleme bilgisinin ne ölçüde güvenilir biçimde yeniden elde edilebildiğine bağlıdır. Bu çalışmada, rastgele yol ve darbe tipi yol girdilerine maruz kalan dört serbestlik dereceli bir yarım araç aktif süspansiyon sistemi için, tahmin güvenilirliğine göre uyarlanan dingil mesafesi önizlemeli bir model öngörülü kontrol yaklaşımı sunulmuştur. Önerilen yapı, genişletilmiş durum ve yol tahminini, arka aks için önizleme bilgisinin gecikme esaslı olarak oluşturulmasıyla birleştirmektedir. Önizleme bilgisinin kullanım düzeyi, tahmin hatasına dayalı bir güven ölçütü ile çevrim içi olarak ayarlanmakta, kontrol artımları ise kısıtlı bir MPC yapısı içinde ek bir ceza terimi ile sınırlandırılmaktadır. Yeniden yapılandırma kalitesi, benzetimi yapılan iki senaryoda belirgin biçimde farklılık göstermektedir; yol tahmini korelasyonu rastgele yol durumunda 0.9652 iken darbe tipi yol durumunda 0.6935’e düşmekte, ortalama güven değeri ise 0.968’den 0.919’a gerilemektedir. Bu sonuç, önizleme bilgisinin yararlı olduğunu, ancak güvenilirliğinin tüm çalışma koşullarında aynı düzeyde kalmadığını göstermektedir. Rastgele yol benzetimlerinde, pasif temel duruma göre arka gövde ivmesinin RMS değeri 1.594’ten 1.159 m/s²’ye, arka süspansiyon yer değiştirmesinin RMS değeri 7.82 mm’den 5.93 mm’ye ve arka bağıl dinamik yükün RMS değeri 0.235’ten 0.203’e düşmektedir. Darbe tipi yol uyarımı altında ise denetleyici, en belirgin iyileşmeyi arka aks ivmesi ile dinamik yük tepkisinde sağlamaktadır; karşılaştırılan denetleyiciler arasında arka aks ivmesinin RMS değeri 1.213 m/s², tepe-tepe değeri 13.269 m/s² ve arka bağıl dinamik yükün tepe-tepe değeri 2.059 olarak elde edilmiştir. Ön akstaki değişimler sınırlı kalırken, en belirgin fayda önizleme bilgisinin doğrudan ilişkili olduğu arka aksta ortaya çıkmaktadır. Ablasyon sonuçları, başlangıç uyum sürecinin, güven düzeyine göre etkinleştirmenin ve kontrol artımı cezasının sistem tepkisinin farklı yönlerini iyileştirdiğini; bu nedenle tam yapılandırmanın her ölçütte en iyi sonucu veren seçenek olmaktan çok, genel performans bakımından en dengeli çözümü sunduğunu göstermektedir. Genel olarak değerlendirildiğinde, dingil mesafesi önizlemesinin etkisi yol tahmininin güvenilirliğine bağlıdır. Bu nedenle önizleme bilgisinin denetleyiciye katkısı sabit tutulmamalı, tahminin güvenilirliğine göre ayarlanmalıdır.

Anahtar Kelimeler

• aktif süspansiyon
• dingil mesafesi önizlemesi
• model öngörülü kontrol
• kalman filtresi

Destekleyen Kurum

Bu araştırma herhangi bir dış finansman almamıştır.

Etik Beyan

Bu çalışma insan katılımcılar veya deney hayvanları içermediğinden etik kurul onayı gerekmemiştir.

Confidence aware wheelbase preview MPC with road estimation for half-car active suspension

Öz

The value of wheelbase preview in half-car active suspension depends on how reliably preview information can be reconstructed as road excitation changes. A confidence-aware wheelbase-preview model predictive control strategy is formulated for a four-degree-of-freedom half-car active suspension system subjected to random-road and impact-road inputs. The framework combines augmented state-road estimation with shift-register-based rear-preview generation. Preview usage is then adjusted online through an innovation-based confidence measure, while control increments are regularized within a constrained MPC formulation. Reconstruction quality differs clearly between the two simulated scenarios: road-estimation correlation falls from 0.9652 in the random-road case to 0.6935 in the impact-road case, and the mean confidence drops from 0.968 to 0.919. Preview is therefore useful, but its reliability is not stable enough for fixed use across operating conditions. In random-road simulations, rear acceleration root-mean-square (RMS) falls from 1.594 to 1.159 m/s², rear suspension deflection RMS from 7.82 to 5.93 mm, and rear relative dynamic load RMS from 0.235 to 0.203 relative to the passive baseline. For impact-road excitation, the controller provides the strongest improvements in rear-axle acceleration and dynamic-load response, attaining a rear acceleration RMS of 1.213 m/s², a rear acceleration P2P value of 13.269 m/s², and a rear relative dynamic load P2P value of 2.059 among the compared controllers. Changes at the front axle remain modest, whereas the clearest benefit appears at the rear, where preview is most directly relevant. Ablation results show that warm-up, confidence gating, and control-increment regularization improve different aspects of the response, leaving the full configuration as the most balanced overall trade-off rather than the best result in every metric. Mean solve times remain at 0.16 ms for the random-road case and 0.22 ms for the impact-road case, both below the selected 0.01 s sampling interval. Taken together, these results show that wheelbase preview is most effective when its contribution is adjusted according to estimation reliability rather than treated as uniformly trustworthy information.

Anahtar Kelimeler

• active suspension
• wheelbase preview
• model predictive control
• Kalman filtering

Destekleyen Kurum

This research received no external funding.

Etik Beyan

Ethical approval was not required for this study because it did not involve human participants or animal subjects.

Kaynakça

1. S. M. Savaresi, C. Poussot-Vassal, C. Spelta, O. Sename, and L. Dugard, Semi-Active Suspension Control Design for Vehicles. Oxford, U.K.: Butterworth-Heinemann, 2010.
2. A. Ferhath and K. Kasi, "A Review on Various Control Strategies and Algorithms in Vehicle Suspension Systems," International Journal of Automotive and Mechanical Engineering, vol. 20, no. 3, pp. 10720-10735, Oct. 2023.
3. Y. Mei, R. Wang, R. Ding, and Y. Jiang, "Classification Evolution, Control Strategy Innovation, and Future Challenges of Vehicle Suspension Systems: A Review," Actuators, vol. 14, no. 10, Art. no. 485, Oct. 2025.
4. M. O. Yatak and F. Sahin, "Ride Comfort-Road Holding Trade-off Improvement of Full Vehicle Active Suspension System by Interval Type-2 Fuzzy Control," Engineering Science and Technology, an International Journal, vol. 24, no. 1, pp. 259-270, Feb. 2021.
5. J. Zou and X. Zuo, "Active suspension LQR control based on modified differential evolutionary algorithm optimization," Journal of Vibroengineering, vol. 26, no. 5, pp. 1150-1165, May 2024.
6. N. T. Dung, B. V. Cuong, L. V. Quynh, N. V. Dung, and V. T. Hoang, "Evaluation of ride performance of PID controller in active suspension systems for an electric vehicle," Vibroengineering Procedia, vol. 57, pp. 175-181, Dec. 2024.
7. J. Theunissen, A. Tota, P. Gruber, M. Dhaens, and A. Sorniotti, "Preview-based techniques for vehicle suspension control: a state-of-the-art review," Annual Reviews in Control, vol. 51, pp. 206-235, 2021.
8. P. Li, J. Lam, and K. C. Cheung, "Multi-objective control for active vehicle suspension with wheelbase preview," Journal of Sound and Vibration, vol. 333, no. 21, pp. 5269-5282, Oct. 2014.

9. B. Kunya and A. A. Ata, "Half Car Suspension System Integrated with PID Controller," in Proceedings of the 29th European Conference on Modelling and Simulation (ECMS), Albena, Bulgaria, 26-29 May 2015, pp. 233-238.
10. P. Li, J. Lam, and K. C. Cheung, "Velocity-dependent multi-objective control of vehicle suspension with preview measurements," Mechatronics, vol. 24, no. 5, pp. 464-475, Aug. 2014.
11. B. Zhang, M. Luo, and C. A. Tan, "Ride comfort and energy harvesting of inflatable hydraulic-electric regenerative suspension system for heavy-duty vehicles," Journal of Mechanical Science and Technology, vol. 38, no. 5, pp. 2277-2289, May 2024.
12. N. Yagiz, Y. Hacioglu, and Y. Taskin, "Fuzzy Sliding-Mode Control of Active Suspensions," IEEE Transactions on Industrial Electronics, vol. 55, no. 11, pp. 3883-3890, Nov. 2008.
13. L. Yang, H. Chen, L. Liu, Q. Wang, Z. Zhang, and K. Tan, "Wheelbase-preview predictive controller for active suspension incorporating road profile estimation," Journal of Low Frequency Noise, Vibration and Active Control, online first, Mar. 4, 2026.
14. H. Chen and K.-H. Guo, "Constrained H∞ control of active suspensions: an LMI approach," IEEE Transactions on Control Systems Technology, vol. 13, no. 3, pp. 412-421, May 2005.
15. C. U. Dogruer, "Çeyrek Araç Model Konforunun İyileştirilmesi için Kısıt Koşulları Altında Çalışan Model Öngörülü Denetleyici Tasarımı," Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, vol. 5, no. 2, pp. 271-281, Jun. 2017.
16. S. Gad, "Preview Model Predictive Control Controller for Magnetorheological Damper of Semi-Active Suspension to Improve Both Ride and Handling," SAE International Journal of Vehicle Dynamics, Stability, and NVH, vol. 4, no. 3, pp. 305-326, Sep. 2020.
17. E. Durmaz, B. Kaçmaz, İ. Mutlu, and M. T. Söylemez, "Implementation and comparison of LQR-MPC on active suspension system," in 2017 10th International Conference on Electrical and Electronics Engineering (ELECO), Bursa, Turkey, 29 Nov.-2 Dec. 2017, pp. 828-835.
18. Z. Zhuo, N. Zhang, H. Xu, and J. Xie, "Research on LQR control of active suspension based on Improved Grey Wolf Optimization algorithm," in 2023 7th CAA International Conference on Vehicular Control and Intelligence (CVCI), Changsha, China, 27-29 Oct. 2023, pp. 1-6.
19. Martins, J. Esteves, G. D. Marques, and F. Pina da Silva, "Permanent-magnets linear actuators applicability in automobile active suspensions," IEEE Transactions on Vehicular Technology, vol. 55, no. 1, pp. 86-94, Jan. 2006.
20. Z. Yang, C. Shi, Y. Zheng, and S. Gu, "A study on a vehicle semi-active suspension control system based on road elevation identification," PLOS ONE, vol. 17, no. 6, Art. no. e0269406, Jun. 2022.
21. M. Barbaro, F. Farroni, A. Genovese, G. Napolitano Dell'Annunziata, F. Timpone, and A. Sakhnevych, "Comprehensive Overview and Comparative Assessment of Model-Based Methods for Vehicle State Estimation," Reports in Mechanical Engineering, vol. 7, no. 1, pp. 17-53, 2026.
22. G. M. Szymański and M. Josko, "Application of time-frequency analysis to the evaluation of the condition of car suspension," Mechanical Systems and Signal Processing, vols. 58-59, pp. 298-307, Jun. 2015.