一级倒立摆的分层模糊控制

本文设计了两个模糊控制器即位置模糊控制器和角度模糊控制器,用这两个模糊控制器进行分层控制,并把位置模糊控制器控制输出作为一个虚拟角度乘以一个系数与摆杆的实际角度叠加形成一个广义角,以这个广义角和摆杆的角速度作为输入量输入给角度模糊控制器对摆杆的角度进行控制;通过matlab的Simulikn实现了倒立摆模糊控制系统的仿真,仿真结果证明：模糊控制器不仅可以稳定倒立摆系统,还可以使小车定位在特定位置。     

基于粒子群算法的变论域模糊控制在二级倒立摆中的研究

为了实现二级倒立摆系统的快速稳定控制,设计了一款基于粒子群算法的变论域模糊控制器。通过对二级倒立摆系统结构和参数的分析,建立了二级倒立摆的数学模型,再利用粒子群算法优化了变论域模糊控制器的参数,改进了控制器的性能,最后通过仿真证明该算法切实可行。     

一种混沌优化的双模糊控制器--倒立摆系统的设计

将单级倒立摆的4维输出分解为2个2维模糊控制器的输入量，与倒立摆组成双闭环控制，内环调节摆杆的角度，外环控制小车的位移。采用混沌算法优化控制器的参数，首先将混沌因子引入模糊控制器参数域的优化搜索中并在全局范围内直接寻优，当获得全局近似最优解后，再缩小寻优区间，在近似最优解的附近继续寻优。时倒立摆系统在不同情况下进行仿真，结果表明；该方法能提高搜索效率，能较快搜索到全局最优解，为解决多输入快速系统的模糊控制器优化设计提供了一种较好的实现方法。     

基于混合系统的倒立摆的建模与仿真

针对倒立摆系统中摆杆的控制问题,从混合系统的角度出发,将单摆描述为一个混合自动机,运用不同控制策略之间的切换,构造能量控制器进行起摆控制,在工作平衡点运用线性反馈控制器进行稳定控制,实现将倒立摆从不同初始状态摆起并稳定在θ=0(工作位置)的目标位置。在MATLAB环境中建立单摆的Simulink仿真模型并通过CheckMate 3.6工具箱进行仿真,结果表明在不同初始条件下的单摆系统都能在较短时间内到达垂直向上位置并稳定。     

二级倒立摆的参数自整定模糊-PI控制

基本模糊控制器在面对复杂控制对象时,其稳态精度比较差。针对这一问题,文中以二级倒立摆系统为控制对象,提出了一种新的模糊控制器。该模糊控制器通过对基本模糊控制器中结构参数的寻优和调整,以及系统输出结构的完善,实现了二级倒立摆的稳定控制。仿真研究表明,提出的模糊控制算法无论是在动态指标还是在稳态精度方面与基本模糊控制器相比,都有了明显的改进。     

基于增强学习规则的倒立摆模糊神经网络控制器

为实现模型未知、初始时有脉冲输入的车上单级倒立摆镇定控制,提出了一种采用增强学习规则训练的模糊神经网络控制器。以神经网络构造基于T-S(Tankagi-Sugeno)规则的模糊控制器;用3层前馈网络组成预测器进入仿真,得到倒立摆状态并计算状态预测值,再将状态和状态预测值组成训练数据对,训练状态预测BP(Backward Propagation)网络;利用增强学习的方法训练模糊控制器,根据神经网络产生的模糊控制量和倒立摆状态预测,做出控制决策。此方法简化了模糊控制部分参数调整,亦可应用于其他无模型控制。实验证明,控制器鲁棒性良好,即使在倒立摆参数变化较大时,控制器仍能维持倒立摆平衡。     

倒立摆的Reinforcement Learning模糊自适应控制

根据Lagrange方程建立了单级倒立摆系统的数学模型，利用模糊自适应控制算法设计了倒立摆系统的控制器，并在Matlab的仿真模块中将倒立摆系统的数学模型和控制器结合起来．对倒立摆控制系统进行了仿真研究。结果表明，对于要求实时性较高的非线性不稳定系统。用模糊自适应控制算法可以按照控制要求在线调节控制参数，在最短的调整时间内取得良好的控制效果。     

采用自适应模糊PID的二阶倒立摆控制

建立一个二阶倒立摆的数学模型,将常规比例-积分-微分(PID)控制与模糊控制相结合,设计模糊PID控制器,实现PID参数的自适应模糊整定.仿真实验表明:所设计的模糊PID控制器能很好地实现二阶倒立摆的扶起平衡控制,控制效果明显好于常规PID控制器,超调量和调节时间较小,具有较好的抗干扰能力,非常适合二阶倒立摆模型的稳定控制.     

二级倒立摆的参数自整定模糊-PI控制

基本模糊控制器在面对复杂控制对象时，其稳态精度比较差。针对这一问题，文中以二级倒立摆系统为控制对象，提出了一种新的模糊控制器。该模糊控制器通过对基本模糊控制器中结构参数的寻优和调整，以及系统输出结构的完善，实现了二级倒立摆的稳定控制。仿真研究表明，提出的模糊控制算法无论是在动态指标还是在稳态精度方面与基本模糊控制器相比，都有了明显的改进。     

基于混合系统的倒立摆的建模与仿真

针对倒立摆系统中摆杆的控制问题,从混合系统的角度出发,将单摆描述为一个混合自动机,运用不同控制策略之间的切换,构造能量控制器进行起摆控制,在工作平衡点运用线性反馈控制器进行稳定控制,实现将倒立摆从不同初始状态摆起并稳定在θ=0(工作位置)的目标位置。在MATLAB环境中建立单摆的Simulink仿真模型并通过CheckMate 3．6工具箱进行仿真,结果表明在不同初始条件下的单摆系统都能在较短时间内到达垂直向上位置并稳定。     

简化模糊控制器的设计

基于模糊控制原理,对传统模糊控制器进行了简化,以提高实时执行效率.采用三角形隶属函数,简化Larsen积运算和解析式模糊规则,检测输入语言变量的激活水平,仅对有效的模糊规则进行操作,从而降低内存消耗和计算量.小车倒立摆系统倒立摆角度控制的仿真试验证明了算法的有效性.     

旋转式倒立摆的状态变量合成模糊控制

旋转式倒立摆结构简单而模型复杂,采用信息融合的状态变量合成方法,将多变量输入合成为二个输入变量,设计了一种结构简单的模糊控制器。仿真实验结果表明了该方法的有效性,并用于旋转式倒立摆实现了有效的实时控制。     

模糊控制在倒立摆系统控制中的应用

针对人们熟知的倒立摆系统,提出了解决多变量强耦合系统的控制方法一首先明确控制对象的被控变量,分析得到系统的被控量优先顺序,先控制优先级别高的变量,然后再逐步控制优先级低的其它变量.本文正是基于这种方法对倒立摆的控制问题进行了研究.倒立摆的角度和位置是倒立摆的两个被控制量,分析知道角度比位置优先级高,所以应该先控制角度,然后再控制倒立摆的位置.仿真结果表明,对于多变量系统,模糊控制是很有效的.     

基于多指标非线性控制的单级倒立摆控制

针对单级倒立摆的稳定性问题,建立了单级倒立摆系统的四阶非线性数学模型,运用多指标非线性控制方法,设计了一个多指标的非线性控制器,并借助于系统特征根配置的方法,整定了该控制器中的c、k参数,实现了小车的水平位置和摆杆角度的稳定控制．最后,同时对线性最优二次型调节器和多指标非线性控制进行仿真对比,仿真表明：与线性最优二次型调节器相比,多指标非线性控制方法在控制效果上更为令人满意．     

基于动平衡状态的不确定倒立摆系统跟踪控制

针对存在不确定摆杆质量、长度和外加干扰的倒立摆系统的稳定控制问题,提出了基于动平衡状态理论的鲁棒自适应控制策略.首先对台车位置和摆杆摆角规划了理想的动平衡状态参考轨迹,然后应用分段滑模和模糊逻辑系统设计了直接自适应模糊控制器实现对动平衡状态的实时跟踪.理论分析和仿真结果证明了不确定倒立摆系统是全局渐近稳定的,并具有很好的适应性和鲁棒性.     

自适应神经网络模糊控制在倒立摆中的应用

应用MATLAB的模糊控制工具箱，设计了用于倒立摆系统的模糊控制器，并且利用神经网络能够自学习的特点，采用反向传播算法对倒立摆控制样本数据进行了学习，调整了各变量的隶属函数，从而使学习后的模糊控制器更能适应倒立摆系统控制的需要。把学习前后的模糊控制器用于倒立摆系统进行了实验对比，结果表明学习后的控制器控制效果明显优于学习前的控制器。     

基于加权变量模糊控制的倒立摆控制系统

针对多变量、非线性和强耦合的二级倒立摆系统,利用最优控制反馈矩阵,综合考虑小车、下摆、上摆和模糊误差信息,加权模糊控制器输入变量.设计了分别以倒立摆的小车、下摆和上摆为主控制量设计三种加权变量模糊控制器,控制二级倒立摆系统稳定.仿真研究表明,以上摆为主控制量设计的加权变量模糊控制器控制效果最佳,能够得到很好的稳定效果,收敛快、精度高,表明该方法的控制效果是最有效可行的.     

二级倒立摆的TS型逐级模糊神经网络控制

提出了一种逐级模糊神经网络控制法．该控制法通过采用Takagi-Sugeno型模糊神经网络控制器和逐级模糊控制规则,实现了二级倒立摆系统的稳定控制．模糊神经网络控制器的参数采用遗传算法分4步进行优化．实验结果表明,采用逐级模糊神经网络控制法,用20条模糊规则就可以实现二级倒立摆系统的稳定控制,并且控制效果佳,系统鲁棒性强。     

逆系统轨迹控制二级倒立摆自动摆起

将逆系统轨迹控制应用于二级倒立摆的自动摆起控制系统,离线求解非线性方程两点边值问题,得到系统的参考轨迹;采用逆系统前馈控制和基于H∞控制的增益调度反馈控制对参考轨迹进行精确跟踪,实现二级倒立摆的自动摆起;当两摆杆摆起到竖直倒立位置后,采用变增益H∞反馈控制器进行稳定控制.仿真实验结果表明,该方案在较短的摆起时间内实现了二级倒立摆两摆杆的自动摆起,稳定性和鲁棒性明显提高.     

倒立摆系统的模糊控制方法

阐述了基于二级倒立摆的两种模糊控制方法，即模糊逻辑控制方法和分层模糊控制方法．模糊逻辑控制方法是将二级倒立摆系统的6个状态变量加权变化为两个参变量，再用模糊控制器实现稳定控制．而分层模糊控制是将状态变量分解为子系统，设计下层模糊控制器对其控制，上层模糊控制器负责整个系统的协调和管理，实现稳定控制．实验结果表明：分层模糊控制较模糊逻辑控制具有更好的控制效果．