1. 倒立摆系统与控制理论基础
一阶倒立摆是控制理论中的经典研究对象，它由一个可在水平轨道上自由移动的小车和安装在小车顶部可自由摆动的刚性杆组成。这个看似简单的系统实际上包含了丰富的动力学特性，能够很好地验证各种控制算法的有效性。
1.1 倒立摆的动力学特性
倒立摆系统具有以下典型特征：
- 非线性：系统的动力学方程包含三角函数等非线性项
- 不稳定性：自然状态下摆杆会从垂直位置倒下
- 欠驱动：只有一个控制输入（小车驱动力）却需要控制两个自由度（小车位置和摆杆角度）
系统的状态方程可以表示为：
code复制ẋ = Ax + Bu
y = Cx + Du
其中x为状态向量，通常包含小车位置、小车速度、摆杆角度和角速度四个状态量。
1.2 LQR控制算法原理
线性二次型调节器(LQR)是一种基于状态空间模型的优化控制方法。其核心思想是通过最小化一个包含状态偏差和控制输入的二次型性能指标来设计控制器：
code复制J = ∫(x'Qx + u'Ru)dt
其中Q和R分别为状态和输入的权重矩阵。通过求解Riccati方程可以得到最优反馈增益矩阵K，使控制律u=-Kx能够稳定系统。
LQR的优势在于：
- 系统性地平衡了状态调节和控制能耗
- 具有良好的鲁棒性
- 计算相对简单，适合实时控制
2. Simulink建模与参数配置
2.1 系统建模步骤
在Simulink中建立倒立摆模型需要以下关键步骤：
- 物理参数定义：
matlab复制m = 0.1; % 摆杆质量(kg)
M = 1.0; % 小车质量(kg)
l = 0.5; % 摆杆长度(m)
g = 9.81; % 重力加速度
- 状态空间建模：
通过线性化处理可以得到系统的状态空间矩阵：
matlab复制A = [0 1 0 0;
0 0 -m*g/M 0;
0 0 0 1;
0 0 (M+m)*g/(M*l) 0];
B = [0; 1/M; 0; -1/(M*l)];
C = eye(4);
D = zeros(4,1);
- Simulink模型搭建：
- 使用State-Space模块表示系统动力学
- 添加Scope模块观察状态响应
- 配置Solver为ode4(Runge-Kutta)固定步长
2.2 LQR控制器设计
权重矩阵的选择直接影响控制效果：
matlab复制Q = diag([10 1 100 10]); % 状态权重
R = 0.1; % 输入权重
[K,S,e] = lqr(A,B,Q,R); % 求解Riccati方程
典型参数调整经验：
- 增大小车位置权重可减少稳态误差
- 增大角度权重可加快摆杆稳定
- 输入权重过小可能导致控制量饱和
3. 仿真实现与结果分析
3.1 仿真模型搭建
完整的Simulink模型应包含：
- 被控对象子系统：实现倒立摆动力学
- LQR控制器：状态反馈模块
- 初始条件设置：模拟摆杆微小偏移
- 动画显示模块：Level-2 S-Function实现
关键配置参数：
- 仿真时间：10秒
- 步长：0.01秒
- 初始角度：5度偏移
3.2 典型仿真结果
成功控制的系统应表现出：
- 摆杆在2秒内回到垂直位置
- 小车位移最终趋于稳定
- 控制力曲线平滑无剧烈振荡
常见问题及解决方法：
- 持续振荡：增大角度权重或减小输入权重
- 稳态误差：检查状态观测器或考虑积分控制
- 控制量饱和：调整R矩阵或物理限制
4. 进阶应用与扩展
4.1 模型封装与加密
保护知识产权的方法：
matlab复制% 生成保护模型
pcode('pendulum_model.m')
% Simulink模型加密
slbuild('inv_pendulum','ModelReferenceCoder')
4.2 硬件在环测试
实现步骤：
- 将控制器部署到实时目标机
- 保持被控对象在仿真环境
- 通过xPC Target或Simulink Real-Time实现通信
4.3 其他控制算法对比
可与以下方法进行性能比较：
- PID控制：简单但参数整定困难
- 滑模控制：强鲁棒性但存在抖振
- 模糊控制：无需精确模型但设计复杂
实际工程中选择控制算法时，需要综合考虑实现复杂度、实时性要求和硬件资源限制等因素。LQR在大多数情况下能提供较好的综合性能。