随着科技的不断发展,智能化成为了各行业发展热点,汽车产业也向着电气化、智能化的方向发展。汽车悬架系统作为汽车底盘重要构成部分之一,也由最初的被动悬架到半主动悬架、主动悬架的趋势发展,越来越多车型搭载了电磁阀式或磁流变式等类型的半主动悬架系统,可通过传感器监测到车辆运动状态并匹配与之对应的控制信号,从而提升整车驾驶平顺性、行车安全性与操稳性。而半主动悬架控制策略也由经典的天棚、加速度控制策略发展到自适应控制、最优控制、模糊控制等现代控制策略,再到神经网络、强化学习等智能学习控制策略。智能学习控制策略的引入为半主动悬架控制提供了新思路与解决方案,并更好地实现了悬架对不同道路工况振动的隔绝与车辆操稳性的优化,提升了行驶安全性。针对以上内容,本课题开展的具体工作主要有:（1）调研半主动悬架发展与其控制策略的发展:从传统被动悬架发展到半主动悬架并在不同车型实际应用,而半主动悬架发展也演变为磁流变、电流变与电磁阀式阻尼可调半主动悬架,本文最终确定对电磁阀式阻尼可调悬架进行研究。对半主动悬架控制策略进行分析,由半主动悬架经典控制理论发展到现代控制理论,进而发展到智能学习控制算法对平顺性与行车安全性控制策略的研究,以此引入强化学习的调研,从强化学习发展的角度进行阐述,沿时间差分控制到Q学习再到深度Q网络的发展脉络与DQN实际应用现状进行调研,分析前人利用强化学习算法在机器人规划与控制、电力系统、智能交通和工业控制最后到半主动悬架控制领域的应用,最终提出本文研究方向:基于强化学习深度Q网络算法对半主动悬架平顺性与行车安全性方面的研究。（2）建立整车七自由度垂向动力学模型并进行仿真验证,并以实际减振器台架测试获取真实减振器数据,对控制算法理论模型进行对比分析,从控制逻辑角度分析其控制特性,紧接着建立半主动减振器电流-速度-阻尼力特性MAP,基于此MAP结合车辆动力学模型构建不同整车半主动悬架控制模型。依据半主动悬架控制指标与相关人体振动客观评价国际标准与平顺性国标以确定半主动悬架平顺性的评价指标,以此进行优化。设定特定仿真工况探究半主动悬架在经典控制策略下,不同控制策略对各项平顺性能指标的影响规律,为深度Q网络控制策略的指定提供部分参考。（3）经过上一章节分析,参考传统控制策略控制逻辑与输入参量,确定半主动悬架深度Q网络输入参数,设计深度Q网络架构、状态动作空间,并根据性能指标重要性确定设计原则层次与权值大小,按控制指标设计奖励函数、动作函数与开始完成标志。规定合适的奖励函数控制深度Q网络收敛,输出合适大小奖励值。最终阐述整个半主动悬架深度Q网络控制模型的运行流程。（4）讲解深度Q网络算法最大奖励值的获取,配置半主动悬架深度Q网络仿真训练环境参数并阐述具体训练学习过程。完成训练后设计并对比传统控制策略与深度Q网络控制策略在依据平顺性与行驶安全性性国标,得到整车平顺性与操稳性评价指标,设计的脉冲激励工况与扫频激励工况,分析不同控制指标并进行时域分析。（5）结合硬件在环仿真平台与半主动悬架控制板进行硬件在环试验验证,基于CAN2.0B通信协议通过设定通讯I/O实现d SPACE与控制板间通信,模拟实车半主动悬架控制。导入学习后更新的控制MAP,比较性能指标变化情况。测试并记录数据,以验证深度Q网络算法的可行性与有效性。本课题主要创新点如下:（1）区别于传统半主动悬架平顺性控制策略对于不同频率侧重点不同以及需要对相应参数通过实车标定的方式得以确定,强化学习中深度Q网络算法通过构建奖励函数,以不断试错的机制确定特定运动状态下的最优控制电流值,并通过电流控制MAP的方式将深度Q网络针对特定工况下半主动悬架所学控制经验进行复现,规避了实际算法控制由于参数众多导致对实时性与控制精度的影响,提升了控制效果。