所用的悬架模型参数名义值[10>
　　ms=240kg,mt=36kg,ks=16kN/m,b=980N·s/m,kt=160kN/m。以C级路面的垂直速度为激励输入进行仿真。路面不平度系数Gq（n0）=256×10-6m2/m-1,车速v=20m/s,参考空间频率n0=0.1m-1,速度功率谱密度为一白噪声Gq·（f）=4π2Gq（n0）n20v。仿真中神经元控制器参数为:学习速率d1=30,d2=63.3,d3=15.9；比例系数k=148.7；采样周期为0.01s。

　　仿真时,先对模型参数取名义值进行验证；然后将悬架参数的车身质量增加20%,同时轮胎刚度下降20%,考察控制器在模型参数变化时的适应能力。以上两种情况着重考察车身加速度响应,见图4及图5；根据悬架系统时域输出仿真数据,计算车身加速度、悬架动挠度、车轮动位移的均方根值及综合性能指数J,如表1所示。

　　由图4和表1可知,在名义参数情况下,两种主动悬架都能有效地降低车身加速度,改善平顺性。尽管悬架动挠度有所增大,但车辆的综合性能仍得到了改进。而且,自适应神经元控制下的车轮动位移也有一定程度的改善,其综合减振效果要明显优于PID控制。由图5和表1可见,在悬架参数变化时,两种主动悬架仍然都能减少车身加速度,有效地改善平顺性。自适应神经元控制的减振效果仍然优于PID控制。由此表明:自适应神经元控制能有效地跟随模型参数的变化,将车身加速度控制在一个较好的范围内,降低了参数不确定性对车辆平顺性能的影响；虽然神经元控制的悬架动挠度、车轮动位移相对被动悬架有所增大,但相对PID控制仍有改善,尤其是其综合性能也得到了改进。
　　五、结论
　　（1）车辆主动悬架的自适应神经元控制器的仿真结果表明:该控制器能有效地改善车辆的综合性能,尤其是车辆运行的平顺性和舒适性,而且鲁棒性好,对模型参数的变化具有一定的适应性,便于实现和应用。
　　（2）需要进一步研究控制器对不同路面激励的适应性,以完善主动悬架的性能。
　　（3）应对控制过程的实用化作深一步的研究,比如考虑作动器的非线性、时滞等因素的影响。