一级旋转倒立摆的模糊控制

该文针对一套一级旋转倒立摆实验设备进行研究。基于Lagrange方程进行了对旋转倒立摆的系统建模,并在Matlab环境下使用了模糊控制,实现了倒立摆的良好控制,采用积分消除了稳态误差。实验证明,此种模糊控制方法有一定的鲁棒性并且控制效果较好。     

应用神经元控制器的实时控制装置和实验

针对平衡倒立摆这一非线性控制问题,设计了神经元控制器和控制装置,编制了实时控制程序.控制装置运行良好,成功地平衡了倒立摆.实时控制实验显示,当倒立摆的参数变化时,神经元控制器比一般的控制器具有强得多的自适应能力.     

应用神经元控制器的实时控制装置和实验

针对平衡倒立摆这一非线性控制问题，设计了神经元控制器和控制装置，编制了实时控制程序。控制装置运行良好，成功地平衡了倒立摆，实时控制实验显示，当倒立摆的参数变化时，社会元控制器比一般的控制器具有强得多的自适应能力。     

基于差分进化算法的旋转倒立摆线性自抗扰控制

为了提高旋转倒立摆系统的稳定控制性能,结合自抗扰控制器(ADRC)估计扰动并进行补偿的特点,提出一种带宽参数化的线性自抗扰控制方法(LADRC)。在倒立摆数学模型的基础上,采用线性扩张状态观测器(LESO)估计垂直摆杆角度,并以两个比例-微分控制器(PD)分别设计水平连杆和垂直摆杆的控制率。为了克服自抗扰控制器参数难以整定的问题,结合参数自适应差分进化算法和带宽概念进行控制器参数的寻优。硬件在环仿真结果表明,相比于PD控制器和线性二次型最优控制器(LQR),所整定的线性自抗扰控制器作用的倒立摆系统具有更好的响应和抗扰动能力。     

基于神经网络的非线性动力系统控制研究

基于改进BP神经网络,建立了一种自适应在线控制模型,并且该控制方法应用到离散非线性动力系统和倒立摆系统控制问题。为了避免BP神经网络在训练过程中的目标函数局部极小值问题,提出了一种基于BFGS优化算法的神经网络训练方法。与其它控制方法相对比,所提出的基于神经网络的倒立摆控制方法具有较高的控制精度。通过离散时间系统的控制模拟和倒立摆模型系统的控制两个算例,验证了所提出的控制方法的具有有效性和很好的控制效率。     

一级旋转倒立摆及其控制装置的研究与实现

通过拉格朗日方程推导出一级旋转倒立摆系统的数学模型,起摆运动部分利用雅普诺夫方程分析,以摆杆势能偏差作为调控量对系统进行闭环控制,使系统摆杆运动受控,在倒立摆成功摆起后,在倒立摆非稳定平衡点处对系统模型进行线性化,并采用双闭环PID算法对倒立摆模型旋臂位置和摆臂位置进行稳定控制,并使用32位MCU搭建实验平台进行实际验证.结果表明,该控制方法可以实现旋臂静止和摆臂稳定于非稳定平衡点的效果.     

基于模糊控制的旋转型双支点倒立摆系统

对旋转型垂直式倒立摆系统的机械结构及控制系统进行了研究,提出了基于最优控制的T-S模型模糊控制方案,即采用最优控制理论对此模型实现分段控制作为底层控制和基于T-S模型的模糊控制相协调的上层控制,来实现倒立摆系统的稳定控制。采用MATLAB/Simulink对该方法进行仿真,结果验证了基于T-S模型的模糊控制理论对旋转型倒立摆系统控制的有效性。     

基于模糊控制的单级旋转倒立摆系统设计

单级旋转倒立摆系统是一种典型复杂的，不稳定的非线性系统。该系统作为一种理想的实验平台，被广泛应用于控制理论教学和各种控制方法的验证中。该文介绍了单级旋转倒立摆的系统组成结构，设计了相应的模糊控制器，并以自制的单级旋转倒立摆为研究对象开展此项研究。最终的实验结果表明，该系统的稳态特性和动态特性均较优。     

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。     

对倒立摆控制系统设计的仿真与比较

倒立摆系统是一个复杂的、绝对不稳定的非线性系统。给出了一种倒立摆系统动力学模型,分别采用基于状态反馈和变结构控制的方法对其设计了控制方法;基于数字仿真对这两种方法进行了比较,结果表明变结构控制的方法具有较强的鲁棒性和有更好的控制效果。