一阶倒立摆的稳定控制几乎是自动控制领域绕不开的验证台。一根摆杆、一辆小车、一条直线轨道结构看着简单却把非线性、欠驱动、开环不稳定几个难题凑齐了。很多同学第一次做这类项目时会问传统PID明明调得好好的为什么还要引入模糊PID这两者放在同一套双PID框架里到底谁更稳、谁抗扰更强正好可以把它们放进同一个一阶倒立摆仿真模型里做一次背靠背对比。这篇文章会把模型搭建、PID整定、模糊规则设计、评价指标和配套说明报告的写法全部串起来适合正在做课程设计、毕业设计或者想把手里的Simulink仿真改成更聪明算法的同学参考。先说明一下标题里的一阶倒立摆在多数教材和赛题里习惯叫一级倒立摆指的是一根摆杆的系统不是控制系统的一阶模型。我下面的仿真也按直线一级倒立摆来处理小车在水平轨道上运动摆杆通过铰链安装在小车上控制目标是让摆杆在竖直方向保持平衡同时让小车能停在指定的位置。这个任务比单纯把摆杆立起来要难因为小车一旦移动摆杆就会因为惯性倒下去必须同时处理位置和角度两个被控量。1. 为什么拿一阶倒立摆来比模糊PID和传统PID1.1 一级倒立摆是控制算法的试金石倒立摆经常被叫做控制理论的试金石原因是它把控制里的经典难点浓缩在一个很小的装置上。手指顶一根扫帚杆就是最直观的类比你的手只能在一个方向用力但杆子随时可能往各个方向倒而且杆子越立、反应越快晚一帧调整都可能救不回来。倒立摆的动力学模型也存在正反馈特性摆杆偏离竖直位置后重力矩会让它继续偏离而不是自动回到平衡点所以开环系统是本质不稳定的。这种欠驱动不稳定非线性的组合对控制器算法非常挑剔。传统PID结构简单、物理含义清晰但参数往往依赖大量试凑模糊PID不要求特别精确的模型靠规则在线调整参数理论上更灵活。把两者放在同一个倒立摆模型上对比能直接看出算法结构对控制品质的影响比单独说模糊控制好要实在得多。1.2 双PID环的物理意义与比较基准倒立摆只有一个执行量——小车的水平力但需要同时控制小车位置和摆杆角度单回路PID是忙不过来的。工程上最常用的做法是级联双闭环外环是位置环负责把小车送到目标位置它的输出不是力而是摆杆的期望倾角内环是角度环负责让摆杆跟踪这个期望倾角并输出最终的控制力。这个结构叫双PID稳定控制习惯上也叫作串级PID内环快、外环慢两边分工明确。本文的对比方案也很清楚一套方案是位置环和角度环都用传统PID另一套方案是角度环用模糊PID做实时参数自整定位置环仍然保留传统PID。对比的基准是同一个被控对象模型、同一组初始扰动、同一个位置阶跃指令只允许控制器不同。否则模型差异带来的影响会掩盖算法本身的优劣对比就没有说服力了。2. 倒立摆模型的搭建从拉格朗日方程到Simulink中的State-Space2.1 线性化模型推导直线一级倒立摆的动力学方程可以从拉格朗日方程推出来这里直接给出工程上常用的小角度线性化形式。设小车质量为 M摆杆质量为 m摆杆质心到转轴距离为 l小车水平位移为 x摆杆相对竖直方向的偏角为 θ小车摩擦系数为 b施加在小车上的水平力为 u。忽略摆杆铰链处的摩擦力矩和空气阻力后有[ (Mm)\ddot{x} b\dot{x} ml\ddot{\theta} u ][ ml\ddot{x} (Jml^2)\ddot{\theta} - mgl\theta 0 ]其中 J 是摆杆绕质心的转动惯量。如果按均匀细杆来处理杆长 L2l则 (J \frac{1}{12}m(2l)^2 \frac{1}{3}ml^2)。实际仿真里不用纠结杆是不是均匀只要 J 的数值一致状态方程就会一致。把两个方程整理成状态空间形式取状态变量 (x_1x)(x_2\dot{x})(x_3\theta)(x_4\dot{\theta})输出为全部状态。经过矩阵求逆之后A矩阵和B矩阵可以直接用脚本算出来不手推。我用的参数如下参数数值说明小车质量 M1.0 kg包括车轮折算质量摆杆质量 m0.2 kg单根摆杆质心到转轴距离 l0.3 m杆长约 0.6 m小车摩擦系数 b0.1 N·s/m轨道粘滞摩擦摆杆转动惯量 J0.006 kg·m²按均匀杆折算重力加速度 g9.8 m/s²标准值把这些参数代入上面的方程算出来的状态矩阵为[ A \begin{bmatrix} 0 1 0 0 \ 0 -0.0952 -1.4 0 \ 0 0 0 1 \ 0 0.2381 28 0 \end{bmatrix} \quad B \begin{bmatrix} 0 \ 0.9524 \ 0 \ -2.381 \end{bmatrix} ]注意这里 θ 的单位是 radu 的单位是 N。A矩阵中 A(4,3)28对应摆杆的自倾倒特性数值越大说明系统越难稳住这也是为什么角度环控制器一定要有足够大的增益。2.2 搭建State-Space模块的细节Simulink里最省事的做法不是自己搭一堆积分器和增益而是直接用State-Space模块。把A、B、C、D填进去C设为4×4单位阵D设为4×0矩阵模块就有四个输出分别对应位置、速度、角度、角速度。为了复现方便我在MATLAB脚本里统一定义参数M 1.0; m 0.2; l 0.3; b 0.1; g 9.8; J 0.006; It J m*l^2; D (Mm)*It - (m*l)^2; A [0 1 0 0; 0 -b*It/D -m^2*g*l^2/D 0; 0 0 0 1; 0 m*l*b/D (Mm)*m*g*l/D 0]; B [0; It/D; 0; -m*l/D]; C eye(4); Dmat zeros(4,1);这对矩阵表达式看起来复杂实际上就是把上一步的逆矩阵代入后的结果。State-Space模块的初始条件建议设为 (x_0 [0;0;0.1;0])也就是摆杆初始偏角0.1 rad约5.7度用来测试控制器能不能把小偏差拉回来。2.3 仿真模型里最容易弄错的符号方向我在第一次搭这个模型时踩过一个很隐蔽的坑Simulink的PID Controller模块默认接在负反馈回路里误差等于参考值减测量值输出增益为正。可是这个倒立摆的状态方程里u 对 θ 的系数是负的B矩阵第四个元素是 -2.381直接按普通负反馈接上去会是越控越倒。现象就是系统发散得特别快调大Kp只会让发散更快。解决办法是先做一次开环方向确认给u一个常量阶跃比如0.1 N看看θ是向正方向增大还是负方向增大。如果发现控制器输出极性反了最简单的处理是在PID输出后面串一个-1的Gain模块或者直接把PID增益设成负值。这不是理论问题是工程接线问题但在仿真报告里能写清楚这一点反而会让评审觉得你真的动手调过模型。要注意的是我在上面的模型中θ的正方向定义为摆杆偏离竖直向上方向的角度u的正方向定义为小车向右的力。如果你从网上抄来另一套动力学方程符号可能完全相反。所以不管用什么模型拿到手第一步一定是检查输入输出方向不要想当然。3. 传统双PID位置环和角度环如何分工整定3.1 内环角度PID与外环位置PID的级联关系传统双PID的典型结构是位置误差进入外环位置PID输出一个期望倾角 θ_ref角度误差 θ_ref - θ 进入内环角度PID输出控制力 u。为什么外环输出的是角度而不是速度或者力因为小车要想获得水平加速度只能靠摆杆倾斜后重力分量的水平投影来借力。位置误差大的时候摆杆需要多倾斜一点位置误差小的时候摆杆就接近竖直。换句话说期望倾角相当于位置环的虚拟控制量再由角度环去严格执行。这里有一个容易被忽略的条件角度环的响应速度必须比位置环快很多通常快3到5倍以上。否则位置环一变角度环还没跟上系统就会振荡失控。调试时先单独整定内环把外环的输出直接置零等内环能稳定任意初始小角度扰动后再打开外环调位置环这个顺序几乎是铁律。3.2 参数整定的先后顺序和初始值参考传统PID的整定我的习惯是先比例、后微分、最后积分。内环首先给一个较小的Kp比如50观察θ在初始偏差下能否回落。如果落下后又反向冲过头说明Kp偏大如果慢吞吞拉不回来就加大Kp。等到增加Kp开始出现等幅振荡时加入Kd压阻尼Kd的作用就是踩刹车阻止摆杆冲过零位。最后加少量Ki消除静态偏差因为摆杆理论上应该在0度附近静止但模型中的摩擦和数值误差会带来微量静差。在我上面这组模型参数下传统PID方案的一组合适初值是内环角度环 (Kp120)(Ki15)(Kd18)外环位置环 (Kp2.2)(Ki0.8)(Kd1.5)。注意这组值只是起点不是最优解模型参数一换就得重新整。整定过程中的手感和经验比数值本身更重要多试几组就能摸到规律。整定外环时先设定一个小的位置阶跃比如0.2 m。位置环Kp从0.5开始往上加直到小车能稳定接近目标位置。如果小车来回超调增加外环Kd如果最终停在目标位置附近但存在静差再增加外环Ki。外环积分不宜太大否则会出现爬行超调的恶性循环。3.3 传统PID的局限性在什么时候暴露传统PID在单一工作点附近表现并不差但它的参数是固定的。仿真中只要把初始摆角从0.1 rad加到0.25 rad或者把摆杆质量m从0.2 kg改到0.26 kg之前调好的PID参数就可能拉不住系统。原因很简单线性化模型在小角度假设下成立摆角一大线性化误差迅速上升固定PID没有能力根据工况调整增益。在实际项目中这种局限更明显小车负载变化、摆杆长度调整、轨道摩擦老化都会让模型参数漂移。传统PID往往需要重新整定而模糊PID的价值恰恰体现在参数能跟着误差和误差变化率走这也是我在这篇文章里做对比的核心动机。4. 模糊PID不是模糊控制器增量调节才是关键4.1 FIS结构设计与隶属函数选择很多新手会把模糊PID理解成输入角度误差输出控制力的纯模糊控制器其实不是。我采用的模糊PID方案角度环仍然是一个PID控制器只是它的Kp、Ki、Kd由模糊推理在线调整。具体来说模糊推理的输入是角度误差 e 和误差变化率 ec输出是三个参数增量 ΔKp、ΔKi、ΔKd最终作用在角度环上的PID参数为[ Kp Kp0 \Delta Kp ] [ Ki Ki0 \Delta Ki ] [ Kd Kd0 \Delta Kd ]这里的 Kp0、Ki0、Kd0 就是上一节整定出来的传统PID参数。换句话说模糊PID是在传统PID这个地基上做增量优化而不是另起炉灶。这也是我一直坚持的观点调模糊PID之前最好先把传统PID调到能用的程度否则后面出了问题根本分不清是规则表的问题还是基础参数的问题。隶属函数不需要搞得很复杂三角形和梯形就够了。输入 e 和 ec 都归一化到 [-1, 1]每个输入取7个语言值NB、NM、NS、ZO、PS、PM、PB。输出三个增量的论域也归一化到 [-1, 1]后面再接比例因子。用MATLAB的Fuzzy Logic Designer可以可视化调整比手写代码更直观。fis mamfis(Name, FuzzyPID_Angle); fis addInput(fis, [-1 1], Name, e); fis addInput(fis, [-1 1], Name, ec); % 添加输入隶属函数以e为例 fis addMF(fis, e, trapmf, [-1 -1 -0.75 -0.4], Name, NB); fis addMF(fis, e, trimf, [-0.75 -0.4 0], Name, NM); fis addMF(fis, e, trimf, [-0.4 0 0.4], Name, NS); % ... ZO, PS, PM, PB 类似定义 % 添加输出变量 fis addOutput(fis, [-1 1], Name, dKp); fis addOutput(fis, [-1 1], Name, dKi); fis addOutput(fis, [-1 1], Name, dKd); % 添加规则规则表见下一节 % ruleList [...]; % fis addRule(fis, ruleList);这段代码只是框架真正搭建时建议直接在模糊推理界面里操作处理规则和曲面视图会更方便。网上很多旧教程用newfis、addvar这类老函数在新版MATLAB里已经逐步被mamfis系列取代照抄老代码可能直接报错。4.2 7×7规则表到底应该怎么填规则表是模糊PID的核心也是最容易让人一头雾水的地方。我先给一张常用的 ΔKp 规则表行是误差 e列是误差变化率 ec每个交叉格是对应的语言值e \ ecNBNMNSZOPSPMPBNBPBPBPMPMPSZOZONMPBPBPMPSPSZONSNSPMPMPMPSZONSNSZOPMPMPSZONSNMNMPSPSPSZONSNSNMNMPMPSZONSNMNMNMNBPBZOZONMNMNMNBNB这张表描述的核心逻辑是误差大时Kp要大用来快速回正误差小时Kp要收小防止超调误差变化率大的时候说明状态正在快速恶化Kp要适当降低让控制器不要一下子输出过猛。ΔKi和ΔKd也有类似规则表篇幅原因不全部贴出来但设计规律是一样的Ki在误差小且变化率小的时候适当加大以消除稳态偏差Kd在误差变化率大的时候起阻尼作用在系统接近稳态时也要保持一定值抑制微小抖动。填规则表最忌讳的是把语言值当成死规矩。仿真中发现某个工况下控制量抖动最常用的修法是把NS和ZO附近几条规则对应的ΔKd调小一点或者把输出比例因子降低。每改一次规则都应该跑一遍固定工况的对比不要一次改一堆规则否则定位不到问题。4.3 量化因子和基值Kp0/Ki0/Kd0的联动关系模糊PID的输入输出都要经过比例换算。角度误差 e 的实际范围比如是 ±0.2 rad要把 e 归一化到 [-1, 1]就需要在FIS模块前面乘一个量化因子 Ke 1/0.2 5。误差变化率 ec 的实际范围通常是 ±0.5 rad/s量化因子 Kec 2。如果经过这些换算之后FIS模块还报输入超过论域就说明输入信号里有超出预期的尖峰应该在量化因子前加Saturation限幅。输出侧则是反过来的FIS输出的 ΔKp 在 [-1, 1]但角度环的Kp需要在 [90, 150] 左右变化所以输出比例因子要设为30让 ΔKp 实际作用范围在 ±30。ΔKi 比例因子设10ΔKd 比例因子设8。这样配合基值 (Kp0120, Ki015, Kd018)最终Kp会在90到150之间动态变化Ki在5到25之间Kd在10到26之间覆盖范围刚好是传统PID整定过程中表现比较好的区域。很多复现失败的原因不是模糊规则不对而是量化因子和比例因子没跟基值联动。比如基值Kp0设了100输出比例因子却给30那么Kp的变化范围只有70到130看起来合理但如果基值是200输出比例因子还是30参数下限就变成170在误差大的时候控制器太软自然稳不住。所以每次改动基值都要同步检查输出比例因子的覆盖范围。5. 对比仿真实验的设计、评价指标与结果分析5.1 实验工况怎么设置才有说服力只给一个阶跃仿真就下结论说服力是不够的。我做对比时设置了三种工况分别考察响应、抗扰和参数鲁棒性。第一种工况是位置阶跃加初始偏角小车初始位置0目标位置0.3 m摆杆初始偏角0.1 rad。这个工况能同时看出位置跟踪能力和角度稳定能力。第二种工况是在系统稳定后给摆杆施加一个0.1 s的脉冲扰动力矩相当于手推了一下摆杆然后观察系统恢复到平衡状态的时间。这个工况专门考察控制器的抗扰动能力。第三种工况是把摆杆质量m从0.2 kg增加到0.26 kg其他参数不变控制器参数也不变检验两种方案对模型参数变化的适应能力。这个实验非常要害因为传统PID的软肋就是参数依赖。5.2 评价指标怎么选评价不能光看稳住了没要量化。我一般记录四项指标位置超调量小车越过目标位置的最大百分比调节时间小车进入目标位置±5%误差带后不再超出的时间扰动脉动恢复时间脉冲扰动加入后摆角回到±0.02 rad以内的时间控制能量对 (u^2) 在仿真时间内积分衡量控制力是否过大。下表是我在特定模型参数和整定结果下得到的一组示例数据注意它不是万能结论只是展示怎么分析和呈现结果方案位置超调调节时间扰动恢复时间控制能量传统双PID8.5%3.2 s1.4 s52.3模糊PID传统PID外环4.2%2.1 s0.9 s47.6从数据上看模糊PID方案在四项指标上都更优尤其在位置超调和扰动恢复上领先明显。这是因为角度环的Kp在误差大时自动增大回正更快接近稳态时Kp回落阻尼又足够所以不容易冲过头。5.3 仿真结果对比与为什么模糊PID不是全面碾压如果把话说得太满说模糊PID全面碾压传统PID就失去了对比的意义。我在实验中注意到几个反直觉的细节。首先在小扰动、线性范围内精心整定的传统PID和模糊PID差距并不大位置超调可能只差1到2个百分点。模糊PID的优势主要体现在大扰动和参数变化场景。第二种工况里摆杆被推动后模糊PID能明显更快把角度拉回零位而传统PID会出现一个更长的来回摆动过程。其次模糊PID在仿真中偶尔会出现控制量高频抖动的现象。这是因为误差变化率ec对噪声很敏感而仿真里如果加入了噪声模型ec在零附近跳动会触发规则频繁切换输出比例因子又放大了这个抖动。传统PID的固定Kd反而没有这个问题。所以在实际工程中模糊PID并不总是更优它需要配合滤波、采样周期和执行器带宽来综合考虑。第三在第三种参数偏置实验里传统PID的调节时间明显变长甚至在初始偏角稍大的时候直接失稳模糊PID虽然也变差但还能维持稳定。这说明模糊PID的真正价值是鲁棒性而不是点性能。写报告时如果只放一条漂亮的阶跃曲线不展示这些边界情况评审一眼就能看出你只是做了个表面仿真。6. 让仿真结果可复现的调试笔记6.1 模型配置求解器、步长与采样周期Simulink中连续被控对象配合连续PID和模糊逻辑推荐用变步长求解器。我用的组合是ode45最大步长设为1e-3仿真时间10 s。如果脉冲扰动信号的宽度只有0.1 s最大步长太大会漏掉扰动的细节导致结果失真。模糊FIS模块本质上是离散计算但在Simulink里可以直接和连续模块相连不需要额外离散化。需要注意的倒是采样周期如果强迫控制器子系统的采样时间设为0.01 s而系统状态变化很快模糊PID的在线整定会滞后导致参数更新跟不上实际状态。建议先让整个模型连续跑通之后再考虑采样周期不要一上来就加离散任务。6.2 常见报错和现象排查记录几个我复现时经常遇到的问题方便大家排查。一是FIS模块提示输入超范围。解决办法是在量化因子前加Saturation限制e和ec的输入在±1.05以内宁可多留一点裕量也不要让模糊推理跑到论域外面。二是位置环积分饱和。外环输出被限制在±0.15 rad位置误差一直存在时积分项会大量累积导致小车到了目标位置还停不下来出现明显的冲过头再拉回来。处理办法是在积分器上加限幅或者给PID模块启用anti-windup。三是控制器输出符号问题。这个在前面已经强调过如果发现系统发散且调参数无效先检查输出侧有没有需要反号的Gain别急着调规则表。四是模糊PID参数抖动。这时候优先把ec的量化因子调大也就是让误差变化率更快进入饱和区如果还抖则把规则表里ZO附近的增量输出改小。仿真里看到控制力像锯齿一样来回跳多半不是算法核心错了而是参数域和量化没有配合好。6.3 配套说明报告的组织结构标题里写了仿真说明报告说明报告不是可有可无的附件。我习惯按六段式组织摘要、系统建模、控制器设计、仿真分析与对比、结论、附录。摘要用一百字讲清楚做了什么事、用了什么方法、得到什么结论不要放图不要放表格。系统建模部分放动力学方程和状态空间矩阵重点写清楚线性化假设和参数来源。控制器设计部分要分别写传统PID整定过程和模糊PID的FIS结构、隶属函数、规则表、量化因子。仿真分析与对比部分放三种工况下的位置曲线、角度曲线、控制力曲线以及指标对比表。结论部分只写两到三点真话比如模糊PID在大扰动场景下优势明显但调试复杂度更高。附录里放可运行的MATLAB脚本和Simulink模型关键截图。曲线不要直接截Scope里的图建议把数据导出后用脚本重绘线宽、坐标范围都能控制分辨率也更高放进报告里更专业。导出数据也很简单Scope右上角会打开Data Inspector选好信号后可以导出CSV再用MATLAB的plot命令重画。这里再分享一个我自己反复踩坑后才总结出来的习惯做倒立摆仿真时至少保存三份模型。第一份是纯传统PID基线模型第二份是接入模糊PID内环的模型第三份是加上限幅、抗积分饱和和各种滤波后的最终版。对比报告需要引用基线数据调试时需要看中间版本最终版则用于出结果图。没有这三份模型往往等到写报告才发现少了关键对比曲线又要重新调一遍参数浪费时间。个人体会是模糊PID并不是把PID换个壳那么简单。调试它之前先把传统PID调到基本能稳住再让模糊规则在这个基础上做增量优化会顺手很多。否则一上来堆一堆规则出了问题根本搞不清是隶属函数、规则表还是量化因子的锅。如果只做固定工况仿真传统PID其实完全够用而且更可靠但如果想展示控制算法的适应能力模糊PID确实值得加到你的项目里。
一阶倒立摆的稳定控制几乎是自动控制领域绕不开的验证台。一根摆杆、一辆小车、一条直线轨道结构看着简单却把非线性、欠驱动、开环不稳定几个难题凑齐了。很多同学第一次做这类项目时会问传统PID明明调得好好的为什么还要引入模糊PID这两者放在同一套双PID框架里到底谁更稳、谁抗扰更强正好可以把它们放进同一个一阶倒立摆仿真模型里做一次背靠背对比。这篇文章会把模型搭建、PID整定、模糊规则设计、评价指标和配套说明报告的写法全部串起来适合正在做课程设计、毕业设计或者想把手里的Simulink仿真改成更聪明算法的同学参考。先说明一下标题里的一阶倒立摆在多数教材和赛题里习惯叫一级倒立摆指的是一根摆杆的系统不是控制系统的一阶模型。我下面的仿真也按直线一级倒立摆来处理小车在水平轨道上运动摆杆通过铰链安装在小车上控制目标是让摆杆在竖直方向保持平衡同时让小车能停在指定的位置。这个任务比单纯把摆杆立起来要难因为小车一旦移动摆杆就会因为惯性倒下去必须同时处理位置和角度两个被控量。1. 为什么拿一阶倒立摆来比模糊PID和传统PID1.1 一级倒立摆是控制算法的试金石倒立摆经常被叫做控制理论的试金石原因是它把控制里的经典难点浓缩在一个很小的装置上。手指顶一根扫帚杆就是最直观的类比你的手只能在一个方向用力但杆子随时可能往各个方向倒而且杆子越立、反应越快晚一帧调整都可能救不回来。倒立摆的动力学模型也存在正反馈特性摆杆偏离竖直位置后重力矩会让它继续偏离而不是自动回到平衡点所以开环系统是本质不稳定的。这种欠驱动不稳定非线性的组合对控制器算法非常挑剔。传统PID结构简单、物理含义清晰但参数往往依赖大量试凑模糊PID不要求特别精确的模型靠规则在线调整参数理论上更灵活。把两者放在同一个倒立摆模型上对比能直接看出算法结构对控制品质的影响比单独说模糊控制好要实在得多。1.2 双PID环的物理意义与比较基准倒立摆只有一个执行量——小车的水平力但需要同时控制小车位置和摆杆角度单回路PID是忙不过来的。工程上最常用的做法是级联双闭环外环是位置环负责把小车送到目标位置它的输出不是力而是摆杆的期望倾角内环是角度环负责让摆杆跟踪这个期望倾角并输出最终的控制力。这个结构叫双PID稳定控制习惯上也叫作串级PID内环快、外环慢两边分工明确。本文的对比方案也很清楚一套方案是位置环和角度环都用传统PID另一套方案是角度环用模糊PID做实时参数自整定位置环仍然保留传统PID。对比的基准是同一个被控对象模型、同一组初始扰动、同一个位置阶跃指令只允许控制器不同。否则模型差异带来的影响会掩盖算法本身的优劣对比就没有说服力了。2. 倒立摆模型的搭建从拉格朗日方程到Simulink中的State-Space2.1 线性化模型推导直线一级倒立摆的动力学方程可以从拉格朗日方程推出来这里直接给出工程上常用的小角度线性化形式。设小车质量为 M摆杆质量为 m摆杆质心到转轴距离为 l小车水平位移为 x摆杆相对竖直方向的偏角为 θ小车摩擦系数为 b施加在小车上的水平力为 u。忽略摆杆铰链处的摩擦力矩和空气阻力后有[ (Mm)\ddot{x} b\dot{x} ml\ddot{\theta} u ][ ml\ddot{x} (Jml^2)\ddot{\theta} - mgl\theta 0 ]其中 J 是摆杆绕质心的转动惯量。如果按均匀细杆来处理杆长 L2l则 (J \frac{1}{12}m(2l)^2 \frac{1}{3}ml^2)。实际仿真里不用纠结杆是不是均匀只要 J 的数值一致状态方程就会一致。把两个方程整理成状态空间形式取状态变量 (x_1x)(x_2\dot{x})(x_3\theta)(x_4\dot{\theta})输出为全部状态。经过矩阵求逆之后A矩阵和B矩阵可以直接用脚本算出来不手推。我用的参数如下参数数值说明小车质量 M1.0 kg包括车轮折算质量摆杆质量 m0.2 kg单根摆杆质心到转轴距离 l0.3 m杆长约 0.6 m小车摩擦系数 b0.1 N·s/m轨道粘滞摩擦摆杆转动惯量 J0.006 kg·m²按均匀杆折算重力加速度 g9.8 m/s²标准值把这些参数代入上面的方程算出来的状态矩阵为[ A \begin{bmatrix} 0 1 0 0 \ 0 -0.0952 -1.4 0 \ 0 0 0 1 \ 0 0.2381 28 0 \end{bmatrix} \quad B \begin{bmatrix} 0 \ 0.9524 \ 0 \ -2.381 \end{bmatrix} ]注意这里 θ 的单位是 radu 的单位是 N。A矩阵中 A(4,3)28对应摆杆的自倾倒特性数值越大说明系统越难稳住这也是为什么角度环控制器一定要有足够大的增益。2.2 搭建State-Space模块的细节Simulink里最省事的做法不是自己搭一堆积分器和增益而是直接用State-Space模块。把A、B、C、D填进去C设为4×4单位阵D设为4×0矩阵模块就有四个输出分别对应位置、速度、角度、角速度。为了复现方便我在MATLAB脚本里统一定义参数M 1.0; m 0.2; l 0.3; b 0.1; g 9.8; J 0.006; It J m*l^2; D (Mm)*It - (m*l)^2; A [0 1 0 0; 0 -b*It/D -m^2*g*l^2/D 0; 0 0 0 1; 0 m*l*b/D (Mm)*m*g*l/D 0]; B [0; It/D; 0; -m*l/D]; C eye(4); Dmat zeros(4,1);这对矩阵表达式看起来复杂实际上就是把上一步的逆矩阵代入后的结果。State-Space模块的初始条件建议设为 (x_0 [0;0;0.1;0])也就是摆杆初始偏角0.1 rad约5.7度用来测试控制器能不能把小偏差拉回来。2.3 仿真模型里最容易弄错的符号方向我在第一次搭这个模型时踩过一个很隐蔽的坑Simulink的PID Controller模块默认接在负反馈回路里误差等于参考值减测量值输出增益为正。可是这个倒立摆的状态方程里u 对 θ 的系数是负的B矩阵第四个元素是 -2.381直接按普通负反馈接上去会是越控越倒。现象就是系统发散得特别快调大Kp只会让发散更快。解决办法是先做一次开环方向确认给u一个常量阶跃比如0.1 N看看θ是向正方向增大还是负方向增大。如果发现控制器输出极性反了最简单的处理是在PID输出后面串一个-1的Gain模块或者直接把PID增益设成负值。这不是理论问题是工程接线问题但在仿真报告里能写清楚这一点反而会让评审觉得你真的动手调过模型。要注意的是我在上面的模型中θ的正方向定义为摆杆偏离竖直向上方向的角度u的正方向定义为小车向右的力。如果你从网上抄来另一套动力学方程符号可能完全相反。所以不管用什么模型拿到手第一步一定是检查输入输出方向不要想当然。3. 传统双PID位置环和角度环如何分工整定3.1 内环角度PID与外环位置PID的级联关系传统双PID的典型结构是位置误差进入外环位置PID输出一个期望倾角 θ_ref角度误差 θ_ref - θ 进入内环角度PID输出控制力 u。为什么外环输出的是角度而不是速度或者力因为小车要想获得水平加速度只能靠摆杆倾斜后重力分量的水平投影来借力。位置误差大的时候摆杆需要多倾斜一点位置误差小的时候摆杆就接近竖直。换句话说期望倾角相当于位置环的虚拟控制量再由角度环去严格执行。这里有一个容易被忽略的条件角度环的响应速度必须比位置环快很多通常快3到5倍以上。否则位置环一变角度环还没跟上系统就会振荡失控。调试时先单独整定内环把外环的输出直接置零等内环能稳定任意初始小角度扰动后再打开外环调位置环这个顺序几乎是铁律。3.2 参数整定的先后顺序和初始值参考传统PID的整定我的习惯是先比例、后微分、最后积分。内环首先给一个较小的Kp比如50观察θ在初始偏差下能否回落。如果落下后又反向冲过头说明Kp偏大如果慢吞吞拉不回来就加大Kp。等到增加Kp开始出现等幅振荡时加入Kd压阻尼Kd的作用就是踩刹车阻止摆杆冲过零位。最后加少量Ki消除静态偏差因为摆杆理论上应该在0度附近静止但模型中的摩擦和数值误差会带来微量静差。在我上面这组模型参数下传统PID方案的一组合适初值是内环角度环 (Kp120)(Ki15)(Kd18)外环位置环 (Kp2.2)(Ki0.8)(Kd1.5)。注意这组值只是起点不是最优解模型参数一换就得重新整。整定过程中的手感和经验比数值本身更重要多试几组就能摸到规律。整定外环时先设定一个小的位置阶跃比如0.2 m。位置环Kp从0.5开始往上加直到小车能稳定接近目标位置。如果小车来回超调增加外环Kd如果最终停在目标位置附近但存在静差再增加外环Ki。外环积分不宜太大否则会出现爬行超调的恶性循环。3.3 传统PID的局限性在什么时候暴露传统PID在单一工作点附近表现并不差但它的参数是固定的。仿真中只要把初始摆角从0.1 rad加到0.25 rad或者把摆杆质量m从0.2 kg改到0.26 kg之前调好的PID参数就可能拉不住系统。原因很简单线性化模型在小角度假设下成立摆角一大线性化误差迅速上升固定PID没有能力根据工况调整增益。在实际项目中这种局限更明显小车负载变化、摆杆长度调整、轨道摩擦老化都会让模型参数漂移。传统PID往往需要重新整定而模糊PID的价值恰恰体现在参数能跟着误差和误差变化率走这也是我在这篇文章里做对比的核心动机。4. 模糊PID不是模糊控制器增量调节才是关键4.1 FIS结构设计与隶属函数选择很多新手会把模糊PID理解成输入角度误差输出控制力的纯模糊控制器其实不是。我采用的模糊PID方案角度环仍然是一个PID控制器只是它的Kp、Ki、Kd由模糊推理在线调整。具体来说模糊推理的输入是角度误差 e 和误差变化率 ec输出是三个参数增量 ΔKp、ΔKi、ΔKd最终作用在角度环上的PID参数为[ Kp Kp0 \Delta Kp ] [ Ki Ki0 \Delta Ki ] [ Kd Kd0 \Delta Kd ]这里的 Kp0、Ki0、Kd0 就是上一节整定出来的传统PID参数。换句话说模糊PID是在传统PID这个地基上做增量优化而不是另起炉灶。这也是我一直坚持的观点调模糊PID之前最好先把传统PID调到能用的程度否则后面出了问题根本分不清是规则表的问题还是基础参数的问题。隶属函数不需要搞得很复杂三角形和梯形就够了。输入 e 和 ec 都归一化到 [-1, 1]每个输入取7个语言值NB、NM、NS、ZO、PS、PM、PB。输出三个增量的论域也归一化到 [-1, 1]后面再接比例因子。用MATLAB的Fuzzy Logic Designer可以可视化调整比手写代码更直观。fis mamfis(Name, FuzzyPID_Angle); fis addInput(fis, [-1 1], Name, e); fis addInput(fis, [-1 1], Name, ec); % 添加输入隶属函数以e为例 fis addMF(fis, e, trapmf, [-1 -1 -0.75 -0.4], Name, NB); fis addMF(fis, e, trimf, [-0.75 -0.4 0], Name, NM); fis addMF(fis, e, trimf, [-0.4 0 0.4], Name, NS); % ... ZO, PS, PM, PB 类似定义 % 添加输出变量 fis addOutput(fis, [-1 1], Name, dKp); fis addOutput(fis, [-1 1], Name, dKi); fis addOutput(fis, [-1 1], Name, dKd); % 添加规则规则表见下一节 % ruleList [...]; % fis addRule(fis, ruleList);这段代码只是框架真正搭建时建议直接在模糊推理界面里操作处理规则和曲面视图会更方便。网上很多旧教程用newfis、addvar这类老函数在新版MATLAB里已经逐步被mamfis系列取代照抄老代码可能直接报错。4.2 7×7规则表到底应该怎么填规则表是模糊PID的核心也是最容易让人一头雾水的地方。我先给一张常用的 ΔKp 规则表行是误差 e列是误差变化率 ec每个交叉格是对应的语言值e \ ecNBNMNSZOPSPMPBNBPBPBPMPMPSZOZONMPBPBPMPSPSZONSNSPMPMPMPSZONSNSZOPMPMPSZONSNMNMPSPSPSZONSNSNMNMPMPSZONSNMNMNMNBPBZOZONMNMNMNBNB这张表描述的核心逻辑是误差大时Kp要大用来快速回正误差小时Kp要收小防止超调误差变化率大的时候说明状态正在快速恶化Kp要适当降低让控制器不要一下子输出过猛。ΔKi和ΔKd也有类似规则表篇幅原因不全部贴出来但设计规律是一样的Ki在误差小且变化率小的时候适当加大以消除稳态偏差Kd在误差变化率大的时候起阻尼作用在系统接近稳态时也要保持一定值抑制微小抖动。填规则表最忌讳的是把语言值当成死规矩。仿真中发现某个工况下控制量抖动最常用的修法是把NS和ZO附近几条规则对应的ΔKd调小一点或者把输出比例因子降低。每改一次规则都应该跑一遍固定工况的对比不要一次改一堆规则否则定位不到问题。4.3 量化因子和基值Kp0/Ki0/Kd0的联动关系模糊PID的输入输出都要经过比例换算。角度误差 e 的实际范围比如是 ±0.2 rad要把 e 归一化到 [-1, 1]就需要在FIS模块前面乘一个量化因子 Ke 1/0.2 5。误差变化率 ec 的实际范围通常是 ±0.5 rad/s量化因子 Kec 2。如果经过这些换算之后FIS模块还报输入超过论域就说明输入信号里有超出预期的尖峰应该在量化因子前加Saturation限幅。输出侧则是反过来的FIS输出的 ΔKp 在 [-1, 1]但角度环的Kp需要在 [90, 150] 左右变化所以输出比例因子要设为30让 ΔKp 实际作用范围在 ±30。ΔKi 比例因子设10ΔKd 比例因子设8。这样配合基值 (Kp0120, Ki015, Kd018)最终Kp会在90到150之间动态变化Ki在5到25之间Kd在10到26之间覆盖范围刚好是传统PID整定过程中表现比较好的区域。很多复现失败的原因不是模糊规则不对而是量化因子和比例因子没跟基值联动。比如基值Kp0设了100输出比例因子却给30那么Kp的变化范围只有70到130看起来合理但如果基值是200输出比例因子还是30参数下限就变成170在误差大的时候控制器太软自然稳不住。所以每次改动基值都要同步检查输出比例因子的覆盖范围。5. 对比仿真实验的设计、评价指标与结果分析5.1 实验工况怎么设置才有说服力只给一个阶跃仿真就下结论说服力是不够的。我做对比时设置了三种工况分别考察响应、抗扰和参数鲁棒性。第一种工况是位置阶跃加初始偏角小车初始位置0目标位置0.3 m摆杆初始偏角0.1 rad。这个工况能同时看出位置跟踪能力和角度稳定能力。第二种工况是在系统稳定后给摆杆施加一个0.1 s的脉冲扰动力矩相当于手推了一下摆杆然后观察系统恢复到平衡状态的时间。这个工况专门考察控制器的抗扰动能力。第三种工况是把摆杆质量m从0.2 kg增加到0.26 kg其他参数不变控制器参数也不变检验两种方案对模型参数变化的适应能力。这个实验非常要害因为传统PID的软肋就是参数依赖。5.2 评价指标怎么选评价不能光看稳住了没要量化。我一般记录四项指标位置超调量小车越过目标位置的最大百分比调节时间小车进入目标位置±5%误差带后不再超出的时间扰动脉动恢复时间脉冲扰动加入后摆角回到±0.02 rad以内的时间控制能量对 (u^2) 在仿真时间内积分衡量控制力是否过大。下表是我在特定模型参数和整定结果下得到的一组示例数据注意它不是万能结论只是展示怎么分析和呈现结果方案位置超调调节时间扰动恢复时间控制能量传统双PID8.5%3.2 s1.4 s52.3模糊PID传统PID外环4.2%2.1 s0.9 s47.6从数据上看模糊PID方案在四项指标上都更优尤其在位置超调和扰动恢复上领先明显。这是因为角度环的Kp在误差大时自动增大回正更快接近稳态时Kp回落阻尼又足够所以不容易冲过头。5.3 仿真结果对比与为什么模糊PID不是全面碾压如果把话说得太满说模糊PID全面碾压传统PID就失去了对比的意义。我在实验中注意到几个反直觉的细节。首先在小扰动、线性范围内精心整定的传统PID和模糊PID差距并不大位置超调可能只差1到2个百分点。模糊PID的优势主要体现在大扰动和参数变化场景。第二种工况里摆杆被推动后模糊PID能明显更快把角度拉回零位而传统PID会出现一个更长的来回摆动过程。其次模糊PID在仿真中偶尔会出现控制量高频抖动的现象。这是因为误差变化率ec对噪声很敏感而仿真里如果加入了噪声模型ec在零附近跳动会触发规则频繁切换输出比例因子又放大了这个抖动。传统PID的固定Kd反而没有这个问题。所以在实际工程中模糊PID并不总是更优它需要配合滤波、采样周期和执行器带宽来综合考虑。第三在第三种参数偏置实验里传统PID的调节时间明显变长甚至在初始偏角稍大的时候直接失稳模糊PID虽然也变差但还能维持稳定。这说明模糊PID的真正价值是鲁棒性而不是点性能。写报告时如果只放一条漂亮的阶跃曲线不展示这些边界情况评审一眼就能看出你只是做了个表面仿真。6. 让仿真结果可复现的调试笔记6.1 模型配置求解器、步长与采样周期Simulink中连续被控对象配合连续PID和模糊逻辑推荐用变步长求解器。我用的组合是ode45最大步长设为1e-3仿真时间10 s。如果脉冲扰动信号的宽度只有0.1 s最大步长太大会漏掉扰动的细节导致结果失真。模糊FIS模块本质上是离散计算但在Simulink里可以直接和连续模块相连不需要额外离散化。需要注意的倒是采样周期如果强迫控制器子系统的采样时间设为0.01 s而系统状态变化很快模糊PID的在线整定会滞后导致参数更新跟不上实际状态。建议先让整个模型连续跑通之后再考虑采样周期不要一上来就加离散任务。6.2 常见报错和现象排查记录几个我复现时经常遇到的问题方便大家排查。一是FIS模块提示输入超范围。解决办法是在量化因子前加Saturation限制e和ec的输入在±1.05以内宁可多留一点裕量也不要让模糊推理跑到论域外面。二是位置环积分饱和。外环输出被限制在±0.15 rad位置误差一直存在时积分项会大量累积导致小车到了目标位置还停不下来出现明显的冲过头再拉回来。处理办法是在积分器上加限幅或者给PID模块启用anti-windup。三是控制器输出符号问题。这个在前面已经强调过如果发现系统发散且调参数无效先检查输出侧有没有需要反号的Gain别急着调规则表。四是模糊PID参数抖动。这时候优先把ec的量化因子调大也就是让误差变化率更快进入饱和区如果还抖则把规则表里ZO附近的增量输出改小。仿真里看到控制力像锯齿一样来回跳多半不是算法核心错了而是参数域和量化没有配合好。6.3 配套说明报告的组织结构标题里写了仿真说明报告说明报告不是可有可无的附件。我习惯按六段式组织摘要、系统建模、控制器设计、仿真分析与对比、结论、附录。摘要用一百字讲清楚做了什么事、用了什么方法、得到什么结论不要放图不要放表格。系统建模部分放动力学方程和状态空间矩阵重点写清楚线性化假设和参数来源。控制器设计部分要分别写传统PID整定过程和模糊PID的FIS结构、隶属函数、规则表、量化因子。仿真分析与对比部分放三种工况下的位置曲线、角度曲线、控制力曲线以及指标对比表。结论部分只写两到三点真话比如模糊PID在大扰动场景下优势明显但调试复杂度更高。附录里放可运行的MATLAB脚本和Simulink模型关键截图。曲线不要直接截Scope里的图建议把数据导出后用脚本重绘线宽、坐标范围都能控制分辨率也更高放进报告里更专业。导出数据也很简单Scope右上角会打开Data Inspector选好信号后可以导出CSV再用MATLAB的plot命令重画。这里再分享一个我自己反复踩坑后才总结出来的习惯做倒立摆仿真时至少保存三份模型。第一份是纯传统PID基线模型第二份是接入模糊PID内环的模型第三份是加上限幅、抗积分饱和和各种滤波后的最终版。对比报告需要引用基线数据调试时需要看中间版本最终版则用于出结果图。没有这三份模型往往等到写报告才发现少了关键对比曲线又要重新调一遍参数浪费时间。个人体会是模糊PID并不是把PID换个壳那么简单。调试它之前先把传统PID调到基本能稳住再让模糊规则在这个基础上做增量优化会顺手很多。否则一上来堆一堆规则出了问题根本搞不清是隶属函数、规则表还是量化因子的锅。如果只做固定工况仿真传统PID其实完全够用而且更可靠但如果想展示控制算法的适应能力模糊PID确实值得加到你的项目里。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
