⚡ electrical engineering

Robust Control of Semi-Active Cabin Suspension for Ride Vibration Reduction in Agricultural Tractors Based on Sliding Mode Control

Este estudio propone una estrategia de control por modo deslizante para la suspensión de la cabina de un tractor agrícola semiactiva que demuestra una robustez superior y una reducción de vibraciones constante a través de diversos parámetros del sistema y velocidades en comparación con un regulador cuadrático lineal ajustado mediante algoritmos genéticos.

Autores originales: Kyeong-Dae Kim, Da-Vin Ahn, Gyu-Ha Han, Yoon-Seok Kang, Young-Jun Park

Publicado 2026-07-31

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kyeong-Dae Kim, Da-Vin Ahn, Gyu-Ha Han, Yoon-Seok Kang, Young-Jun Park

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás conduciendo por un camino accidentado en un camión. Ahora, imagina que ese camión es un enorme tractor agrícola, y el camino no es solo una calle llena de baches, sino un campo de suelo irregular que sacude la máquina con la fuerza de mil pequeños terremotos. En el mundo de la ingeniería de vehículos, este es un problema clásico: ¿cómo evitar que la persona que va sentada dentro se desmorone por las sacudidas? La solución suele consistir en un "sistema de suspensión", que actúa como un amortiguador gigante. Piensa en ello como un resorte y un amortiguador (un dispositivo que frena el movimiento, como el cierrapuertas de una puerta) trabajando juntos para absorber los baches.

Hay tres formas principales de construir estos amortiguadores. La primera es "pasiva", como un simple resorte en el asiento de una bicicleta; es barata y robusta, pero una vez fabricada, no puede cambiar qué tan rígida o blanda es, sin importar qué tan accidentado sea el camino. La segunda es "activa", que es como tener un brazo robótico dentro del asiento que empuja contra cada bache con su propio motor. Funciona de maravilla, pero es pesada, costosa y necesita una batería enorme. La tercera opción, que es el foco de esta historia, es "semi-activa". Este es el punto medio inteligente. Es como un amortiguador con una válvula mágica que puede apretar o aflojar instantáneamente su agarre sobre el resorte, pero no necesita un motor para empujar; solo necesita una pequeña señal eléctrica para cambiar su "personalidad" de suave a rígida. El desafío para los ingenieros es averiguar exactamente cuándo cambiar esa válvula. Si se equivocan en la sincronización, el viaje podría incluso empeorar, especialmente si el tractor lleva una carga pesada o conduce a una velocidad diferente. Aquí es donde entra la ciencia de la "teoría de control", tratando de encontrar el cerebro perfecto para decirle al amortiguador qué hacer.

Este artículo profundiza en ese problema exacto, pero con un giro específico: están probando un nuevo tipo de "cerebro" para la suspensión de la cabina del tractor llamado Control de Modo de Deslizamiento (SMC, por sus siglas en inglés). Los investigadores querían ver si este tipo específico de control podía manejar la realidad desordenada e impredecible de la agricultura mejor que el estándar actual, conocido como Regulador Cuadrático Lineal (LQR).

Para probar sus ideas, el equipo construyó una simulación computacional superdetallada de un tractor. No se limitaron a adivinar cómo se comportaría; utilizaron mediciones reales de piezas de tractores reales, incluyendo los neumáticos y la suspensión, para crear un "gemelo digital" de un medio tractor (enfocándose en la parte delantera y trasera como una sola unidad). Programaron este tractor digital para que condujera sobre un bache repentino en forma de escalón (como golpear un bordillo) a varias velocidades, que iban desde unos lentos 3 km/h hasta unos rápidos 30 km/h.

Pero aquí está la verdadera prueba: la agricultura es impredecible. Un tractor puede llevar un conductor pesado, o puede estar remolcando una pieza de equipo masiva que cambia el peso del vehículo. Los neumáticos también pueden perder presión de aire, volviéndose más blandos. Para simular este caos, los investigadores crearon tres escenarios de "incertidumbre":

Cambio de Masa de la Cabina: Añadieron peso a la cabina para simular un conductor pesado o un pasajero adicional.
Cambio de Masa del Cuerpo del Vehículo: Añadieron peso al cuerpo del tractor para simular el remolque de herramientas agrícolas pesadas.
Cambio de Rigidez del Neumático: Hicieron que los neumáticos fueran un 10% más blandos para simular una menor presión de aire.

Realizaron la simulación con tres configuraciones diferentes:

La Configuración "Constante": La válvula del amortiguador se mantuvo en un ajuste fijo, sin hacer nada especial.
La Configuración "LQR": El algoritmo de control estándar y bien conocido.
La Configuración "SMC": El nuevo y robusto algoritmo de Control de Modo de Deslizamiento.

Los resultados fueron muy claros. Primero, tanto los controladores LQR como el SMC hicieron un trabajo mucho mejor que la configuración "Constante". Lograron reducir las sacudidas de la cabina, haciendo que el viaje fuera más suave. En la prueba estándar (sin peso adicional, neumáticos normales), ambos controladores inteligentes redujeron la sacudida "pico a pico" (la diferencia entre el golpe más alto y el más bajo) en aproximadamente un 37%.

Sin embargo, la verdadera historia ocurrió cuando las condiciones se volvieron desordenadas. Cuando los investigadores introdujeron los casos de incertidumbre (las cargas pesadas y los neumáticos blandos), los dos controladores se comportaron de manera muy diferente. El controlador LQR era como un estudiante que estudió mucho para un examen específico, pero entró en pánico cuando cambiaron las preguntas. Su rendimiento cayó significamente cuando el peso del tractor cambió, lo que significa que el viaje se volvió más accidentado de lo que debería. El controlador SMC, por otro lado, actuó como un veterano experimentado que puede adaptarse a cualquier cosa. Mantuvo un nivel muy constante de suavidad, incluso cuando el peso del tractor o la presión de los neumáticos cambiaron.

Para medir esta "adaptabilidad", los autores calcularon un "índice de robustez". Piensen en esto como una puntuación de cuánto tambaleó el rendimiento del controlador cuando las condiciones cambiaron. El controlador LQR tuvo un tambaleo medio de aproximadamente 21.70% para la sacudida promedio y 20.10% para la sacudida pico. El controlador SMC fue mucho más estable, con un tambaleo de solo 8.19% y 7.42% respectivamente. En términos más simples, el controlador SMC se mantuvo mucho mejor en su trayectoria cuando el entorno del tractor se volvió impredecible.

El artículo también analizó qué sucede cuando el tractor acelera. A medida que el tractor aumentaba su velocidad (de 3 km/h hasta 30 km/h), el rendimiento de ambos controladores disminuyó un poco, lo cual es de esperar porque los baches golpean más rápido. Sin embargo, el controlador SMC mostró un rango de variación menor, lo que significa que también es más confiable a altas velocidades.

Es importante recordar que estos hallazgos provienen de simulaciones, no de un tractor real conduciendo en un campo. Los investigadores construyeron un modelo matemático basado en datos reales, pero aún no lo han probado en una máquina física con sensores reales y conductores reales. Señalan que, en una aplicación del mundo real, tendrían que averiguar cómo medir todos los datos necesarios (como la posición y velocidad exactas de la cabina) sin sensores costosos, y tendrían que probar si el sistema funciona cuando los sensores cometen pequeños errores.

En conclusión, este estudio sugiere que el Control de Modo de Deslizamiento es un "cerebro" muy prometedor para las suspensiones de los tractores. Mientras que el método LQR estándar funciona bien en condiciones perfectas, el método SMC parece ser mucho mejor para manejar la realidad desordenada y cambiante de la agricultura, manteniendo el viaje del conductor suave incluso cuando el tractor está cargado o los neumáticos están blandos. Es un paso hacia hacer que el trabajo agrícola sea menos brusco para las personas que lo realizan.

Resumen Técnico: Control Robusto de la Suspensión de Cabina Semi-activa para la Reducción de Vibraciones de Conducción en Tractores Agrícolas Basado en Control por Modos Deslizantes

Planteamiento del Problema
Los operadores de tractores agrícolas están frecuentemente expuestos a vibraciones de conducción de alta intensidad, particularmente en el rango de baja frecuencia, lo que puede degradar la salud humana, aumentar la fatiga y reducir la eficiencia laboral. Si bien varios componentes de la suspensión (neumáticos, suspensiones de ejes, suspensiones de asiento) contribuyen a la mitigación de las vibraciones, poseen limitaciones inherentes. Las suspensiones de los asientos aíslan solo al conductor, lo que puede causar un movimiento relativo que reduce la precisión operativa, y su rendimiento es sensible a las variaciones de la masa del conductor. La suspensión de la cabina se identifica como la solución más efectiva para la reducción de vibraciones de baja frecuencia. Sin embargo, las suspensiones de cabina pasivas carecen de adaptabilidad a las variaciones en las condiciones de operación, y los sistemas activos requieren fuentes de energía complejas. Las suspensiones de cabina semi-activas ofrecen una alternativa rentable al ajustar las características de amortiguación mediante la corriente de la válvula. El desafío principal abordado en este estudio es la vulnerabilidad de los métodos de control óptimo convencionales (como el Regulador Cuadrático Lineal, LQR) ante las incertidumbres del sistema. Los tractores agrícolas operan en entornos con variaciones de parámetros significativas, tales como cambios en la masa de la cabina (debido a los ocupantes), la masa del vehículo-cuerpo (debido a los implementos montados) y la rigidez del neumático (debido a la presión de inflado o la temperatura). Estas incertidumbres pueden degradar el rendimiento de los controladores sintonizados para condiciones nominales.

Metodología
El estudio desarrolló y evaluó una estrategia de control de suspensión de cabina semi-activa basada en el Control por Modos Deslizantes (SMC). La investigación utilizó un modelo dinámico de medio tractor de cuatro grados de libertad (4-DOF) incorporando parámetros medidos. El modelo contabilizó los movimientos verticales y de cabeceo tanto de la cabina como del cuerpo del vehículo. La suspensión trasera de la cabina se modeló como un sistema semi-activo con características de amortiguación no lineales derivadas de datos experimentales (funciones de la velocidad relativa y la corriente de la válvula), mientras que la suspensión delantera utilizó soportes de caucho.

Se diseñaron y compararon dos algoritmos de control:

Controlador por Modos Deslizantes (SMC): Desarrollado para asegurar la robustez contra las incertidumbres del sistema y las perturbaciones externas. El controlador se diseñó utilizando la teoría de estabilidad de Lyapunov para llevar el error de aceleración vertical de la cabina a cero. Se empleó una función de saturación para mitigar el efecto de chattering. La entrada de control se convirtió en una corriente de válvula, sujeta a restricciones de disipación de energía (la fuerza de amortiguación debe actuar en la dirección disipativa).
Regulador Cuadrático Lineal (LQR): Diseñado como un método de control óptimo comparativo basado en un modelo linealizado.

Para asegurar una comparación justa, los parámetros de sintonización de ambos controladores (SMC: $\lambda, \eta, \epsilon$ ; LQR: matrices de ponderación $Q, N, R$ ) se optimizaron utilizando un Algoritmo Genético (GA) bajo una única condición nominal (5 km/h, parámetros de referencia). Estos parámetros optimizados se fijaron y aplicaron sin re-optimización a todos los escenarios de simulación posteriores.

Las simulaciones se realizaron en un entorno MATLAB/Simulink bajo cuatro condiciones:

Caso de Referencia (RC): Parámetros nominales del sistema.
Casos de Incertidumbre (UCs): UC1 (incremento del 25% en la masa de la cabina), UC2 (incremento del 20% en la masa del vehículo-cuerpo) y UC3 (reducción del 10% en la rigidez del neumático).
Velocidades del Tractor: 3, 5, 7, 15 y 30 km/h.
Excitación: Desplazamiento de la carretera en forma de escalón (50 mm).

El rendimiento se evaluó utilizando los valores de Raíz Cuadrática Media (RMS) y de Pico a Pico (P2P) de la aceleración vertical de la cabina. La robustez se cuantificó mediante índices específicos que miden la variación en las razones de reducción de rendimiento con respecto al caso de referencia y la velocidad nominal.

Contribuciones Clave y Resultados
El estudio demostró que tanto el controlador SMC como el LQR redujeron eficazmente la aceleración vertical de la cabina en comparación con una línea base de corriente constante (no controlada) en todas las condiciones probadas. Específicamente, en la condición nominal (5 km/h), ambos controladores lograron tasas de reducción similares (aprox. 31% de reducción en RMS y 37% en P2P).

Sin embargo, la principal contribución del estudio radica en el análisis comparativo de la robustez bajo la incertidumbre del sistema:

Consistencia del Rendimiento: El controlador LQR exhibió una degradación significativa del rendimiento cuando los parámetros del sistema se desviaron de la condición nominal, particularmente en UC2 (incremento de la masa del vehículo-cuerpo), donde el índice de rendimiento cayó sustancialmente. En contraste, el controlador SMC mantuvo un rendimiento de reducción de vibraciones más consistente a través de todos los casos de incertidumbre.
Robustez Cuantitativa: Los valores medianos del índice de robustez (que representan la variación del rendimiento) para el controlador SMC fueron significativamente menores que los del controlador LQR. Para la métrica RMS, la mediana del SMC fue de 8.19% frente al 21.70% del LQR. Para la métrica P2P, la mediana del SMC fue de 7.42% frente al 20.10% del LQR.
Variación de Velocidad: Aunque ambos controladores mostraron una disminución general del rendimiento a medida que aumentaba la velocidad del tractor, el controlador SMC demostró un rango menor de variación de rendimiento, particularmente con respecto a la métrica P2P.

Significado y Reivindicaciones
El artículo sostiene que la estrategia de control de suspensión de cabina semi-activa basada en SMC propuesta mejora con éxito la robustez contra las variaciones de los parámetros del sistema, manteniendo al mismo tiempo el rendimiento de reducción de vibraciones de conducción. Los autores afirman que el controlador SMC es superior al controlador LQR en aplicaciones de tractores agrícolas donde las incertidumbres del sistema (variaciones de masa, cambios en la rigidez del neumático) son prevalentes.

El estudio concluye que la aplicación de técnicas de control robusto como el SMC a las suspensiones de cabina es necesaria para una reducción de vibraciones de conducción confiable. Los autores señalan que el estudio se basó en simulaciones y asumió que todas las variables de estado eran medibles. Por consiguiente, declaran modestamente que el trabajo futuro debe abordar cuestiones de implementación práctica, incluyendo la configuración de sensores, la estimación de estados (observadores) y los efectos del ruido de los sensores, antes de validar el controlador en pruebas físicas de tractores. Los resultados proporcionan una base teórica para la aplicación del control robusto a las suspensiones de cabina semi-activas en maquinaria agrícola.

Más como este