单级倒立摆的模糊控制以及在matlab中的仿真

《单级倒立摆的模糊控制以及在matlab中的仿真》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、单级倒立摆的模糊控制以及在MATLAB中的仿真姓名：韦盛学号：P081613346院系：电气工程学院专业班级：电气工程及其自动化指导教师：刁晨日期：2011年11月11日单级倒立摆的模糊控制以及在MATLAB中的仿真摘要倒立摆系统是一个典型的多变量、非线性、强藕合和快速运动的自然不稳定系统。因此倒立摆在研究双足机器人直立行走、火箭发射过程的姿态调整和直升机飞行控制领域中有重要的现实意义，相关的科研成果己经应用到航天科技和机器人学等诸多领域。本文围绕一级倒立摆系统，采用模糊控制理论研究倒立摆的控制系统仿真问题。仿真的成功证明了本文

2、设计的模糊控制器有很好的稳定性。主要研究工作如下：（1)使用了牛顿力学和Lagrange方程对倒立摆进行数学建模，推导出倒立摆系统传递函数和状态空间方程。（2)分析了模糊控制理论的数学基础，对模糊控制的方法进行了研究：介绍了模糊子集、模糊关系和模糊推理等相关知识。（3)介绍了如何利用Simulink建立倒立摆系统模型，特别是利用Mask封装功能，使模型更具灵活性，给仿真带来很大方便。（4)进行一级倒立摆系统的控制器设计与仿真。通过matlab的Simulink实现倒立摆模糊控制系统的仿真。说明仿真结果的趋向。关键词：倒立摆模糊控

3、制仿真MATLAB第一章绪论1．1倒立摆系统的重要意义倒立摆系统是研究控制理论的一种典型实验装置，具有成本低廉，结构简单，物理参数和结构易于调整的优点，是一个具有高阶次、不稳定、多变量、非线性和强藕合特性的不稳定系统。在控制过程中，它能有效地反映诸如可镇定性、鲁棒性、随动性以及跟踪等许多控制中的关键问题，是检验各种控制理论的理想模型。迄今人们已经利用经典控制理论、现代控制理论以及各种智能控制理论实现了多种倒立摆系统的控制稳定。倒立摆主要有：有悬挂式倒立摆、平行倒立摆、环形倒立摆、平面倒立摆；倒立摆的级数有一级、二级、三级、四级乃

4、至多级；倒立摆的运动轨道可以是水平的，也可以是倾斜的：倒立摆系统己成为控制领域中不可或缺的研究设备和验证各种控制策略有效性的实验平台。同时倒立摆研究也具有重要的工程背景：如机器人的站立与行走类似双倒立摆系统；火箭等飞行器的飞行过程中，其姿态的调整类似于倒立摆的平衡等等。因此对倒立摆控制机理的研究具有重要的理论和实践意义。1．2倒立摆系统的控制方法自从倒立摆产生以后，国内外的专家学者就不断对它进行研究，其研究主要集中在下面两个方面：（1）倒立摆系统的稳定控制的研究（2）倒立摆系统的自起摆控制研究而就这两方面而言，从目前的研究情况来

5、看，大部分研究成果又都集中在第一方面即倒立摆系统的稳定控制的研究。目前，倒立摆的控制方法可分如下几类：(1)线性理论控制方法将倒立摆系统的非线性模型进行近似线性化处理获得系统在平衡点附近的线性化模型，然后再利用各种线性系统控制器设计方法得到期望的控制器。如1976年Morietc的把倒立摆系统在平衡点附近线性化利用状念空间的方法设计比例微分控制器。1980年，Furutaetc基于线性化方法，实现了二级倒立摆的控制。1984年，Furuta首次实现双电机三级倒立摆实物控制。1984年，wattes研究了LQR(LinearQua

6、draticRegulator)方法控制倒立摆。这类方法对一、二级的倒立摆(线性化后误差较小、模型较简单)控制时，可以解决常规倒立摆的稳定控制问题。但对于像非线性较强、模型较复杂的多变量系统(三、四级以及多级倒立摆)线性系统设计方法的局限性就十分明显了。（2）预测控制和变结构控制方法由于线性控制理论与倒立摆系统多变量、非线性之间的矛盾使人们意识到针对多变量、非线性对象，采用具有非线性特性的多变量控制解决多变量、非线性系统的必由之路。人们先后开展了预测控制、变结构控制和自适应控制的研究。预测控制是一种优化控制方法，强调实模型的功能

7、而不是结构。变结构控制是一种非连续控制，可将控制对象从任意位置控制到滑动曲面上，仍然保持系统的稳定性和鲁棒性，但是系统存在颤抖。预测控制、变结构控制和自适应控制在理论上有较好的控制效果，但由于控制方法复杂，成本也高，不易在快速变化的系统上实时实现。(3)智能控制方法在倒立摆系统中用到的智能控制方法主要有神经网络控制、模糊控制、仿人智能控制、拟人智能控制和云模型控制等。利用神经网络的自适应能力、并行处理和高度鲁棒性，采用神经网络方法设计的控制系统将具有更快的速度、更强的适应能力和更强的鲁棒性。但是神经网络控制方法存在的主要问题是缺

8、乏一种专门适合于控制问题的动态神经网络，而且多层网络的层数、隐层神经元的数量、激发函数类型的选择缺乏指导性原则等。拟人智能控制模糊控制、神经网络控制等智能控制理论的问世，促进了当代自动控制理论的发展。然而，基于这些智能控制理论所设计的系统往往需要庞大的知识库和相