摘要
响应延迟和传感器噪声是闭环控制系统中的普遍难题。在半主动悬架系统中，这些问题同样存在，并成为制约性能的关键因素。由于路面冲击具有高度的瞬态特性，硬件本身的物理响应延迟，再加上传统信号滤波带来的相位滞后，往往会导致控制响应远远落后于实际激励。为从预测角度解决这一问题，本研究提出了一种基于物理原理的门控卷积神经网络（PI-GCNN），该网络能够预测未来多模态能量变化趋势，从而实现前馈控制。与传统反馈机制不同，所提出的框架利用连续小波变换（CWT）将短时间范围内的惯性数据转换为时频图，有效分离出瞬态冲击特征与背景振动。网络架构中还嵌入了一种新的物理引导式门控机制来调控特征激活。该机制通过非对称稀疏物理损失函数进行训练，该函数结合了L1正则化与自适应频谱一致性约束，既能在平坦路面上抑制噪声，又能保证对冲击事件的敏感度。研究通过高精度重型卡车仿真以及公开的PVS 9真实世界数据集进行了广泛验证。结果表明，与实时基准相比，PI-GCNN能够实现约100–200毫秒的预测相位超前，为悬架减震器提供了宝贵的响应窗口。此外，该模型的计算效率极高，参数量仅为0.10百万，单帧推理延迟仅为0.25毫秒，非常适合部署在资源受限的汽车边缘计算平台上。
