小车倒摆系统模糊控制.doc

小车倒摆系统模糊控制 摘要：迄今为止，相当多的模糊神经网络都是结合控制的问题，特别是倒立摆问题的提出，倒立摆是既具有普遍性又具有典型性。其作为一个装置，成本低廉，结构简单;作为一个被控对象，又是一个相当复杂、高阶次、不稳定、多变量、非线性、强祸合的系统，只有采取行之有效的方法才能使之稳定。用牛顿力学方法建立倒立摆系统数学模型，并在平衡点附近进行线性化。应用现代控制理论中的LQR控制和函数式模糊推理法则设计倒立摆系统的控制器，仿真结果表明，LQR最优控制和自适应神经算法的稳定控制能够实现倒立摆的控制。 引言 倒立摆系统具有高阶次、不稳定、多变量、非线性和强藕合等特性，现代控制理论的研究人员将它视为典型的研究对象，不断从中发掘出新的控制策略和控制方法。在国外，对倒立摆系统稳定控制的研究始于60年代，我国则从70年代中期开始研究。控制过程中的许多关键问题，如镇定问题、非线性问题、鲁棒性问题、随动问题以及跟踪问题等都可以以倒立摆系统为例加以研究。倒立摆系统看起来简单，实际上却是一个难以控制的不稳定结构，随着摆杆上端继续再铰链另外的摆杆，控制难度将不断增大。因此，多级倒立摆的高度非线性和不确定性，使其控制稳定成为控制界公认的难题。目前对四级倒立摆的控制的研究也已经开始研究并取得了一定的成就。本文仅对单级倒立摆做出初步研究，并能掌握关于倒立摆的基本知识。 关于倒立摆的研究方法也有很多。迄今为止，人们已经利用古典控制理论、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稳定控制。多年来，人们对倒立摆的研究越来越感兴趣，倒立摆的种类也由简单的单级倒立摆发展为多种形式的倒立摆系统，这其中的原因不仅在于倒立摆系统在高科技领域的广泛应用，而且随着新的控制方法不断出现，人们试图通过倒立摆这样一个严格的控制对象，检验新的控制方法是否有较强的处理多变量、非线性和绝对不稳定系统的能力。因此，倒立摆系统作为控制理论研究中的一种较为理想的实验手段通常用来检验控制策略的效果。 1 倒立摆模型及其仿真模型的建立 1.1 倒立摆模型 倒立摆 (Invertedpendulum)是处于倒置不稳定状态、通过人为控制使其处于动态平衡的机电系统。它是一个复杂的快速、非线性、多变量、强祸合、自然不稳定的非最小相位系统，是重心在上、支点在下一类控制问题的抽象。对倒立摆系统的研究能反映控制中的许多典型问题，如非线性问题、鲁棒性问题、镇定问题、随动问题以及跟踪问题等。通过对倒立摆的控制，用来检验新的控制方法是否有较强的处理非线性和不稳定性问题的能力。模型图如下所示 、 图1.1直线倒立杆模型 1.2 问题的简化和分析 如图1.1所示的二维的杆和滑车系统，滑车可以沿轨道运动。在滑车的质量重心的控制力为，设计控制器，使杆尽可能平衡，同时滑车的水平位置也得到控制，其中，M为滑车的质量；m为杆的质量；l为干长度的一半。 不考虑摩擦时倒摆的运动方程可以又如下非线性微分方程描述： 设 则有如下非线性状态方程组： 1.3 车棒系统的MATLAB模型 MATLAB提供了函数linmod, 从而可以在不同状态点对非线性系统进行线性化处理，首先要把车棒系统的模型输入MATLAB，利用MATLAB中的simulink建模。如下图所示： 图1.2 车棒系统动力学模型 图中输入为F，输出为 。 令，函数f1,f2分别为： F1=g*u(2)+u(3)*((-u(1)-m*l*u(4)*u(4)u(2))/(mc+m)))/(l*(4/3-(m*u(3)*u(3))/(mc+m))) ，， ， F2=(u(1)+m*l*(u(4)*u(4)*u(2)-u(5)*u(3)))/(mc+m) ，， ，, 2 最优控制与模糊控制理论 2.1 线性最优控制理论 对于线性时不变（LTI）系统： (t)=Ax(t)+Bu(t) y(t)=Cx(t)+Du(t) 反馈控制系统： 可以利用MATLAB的命令linmod将系统线性化,其调用格式为[A,B,C,D]=linmod(‘cp1.mdl’,[0,0,0,0],0) 2.2 LQR的实现 线性二次型(LQ)最优控制器的任务是设定Q、R、N，设计出最优控制器K（H）使线性二次型最优控制指标(代价函数)最小： 假设全状态反馈可以实现(四个状态量都可测)，则需要确定反馈控制规律 中的向量K。在计算时运用MATLAB中的LQR命令函数，可以得到最优控制 器对应的K值，即K=LQR(A，B，Q，R)。使得得到的J值最小。 2.3 Takagi-Sugeno型自适应神经网络模糊控制器设计 用Takagi-Sugeno模型设计的模糊控制器，对