二级倒立摆PID与LQR控制算法对比研究

1. 项目概述

倒立摆系统作为控制理论研究的经典对象，常被用来验证各种控制算法的有效性。二级倒立摆相比一级倒立摆具有更高的阶数和更强的非线性特性，对控制算法提出了更大挑战。这个项目通过Matlab/Simulink搭建了二级倒立摆的动力学模型，并分别实现了PID控制和LQR控制两种方案，通过仿真对比分析了它们的稳定性能和抗干扰能力。

我在研究生阶段就接触过倒立摆的相关研究，当时被它看似简单实则深奥的特性深深吸引。二级倒立摆就像杂技演员用一根长杆顶起另一根短杆的表演，任何微小的扰动都可能导致系统崩溃。这种"不稳定中求稳定"的特性，使它成为检验控制算法鲁棒性的绝佳试验平台。

2. 系统建模与参数设定

2.1 动力学方程推导

二级倒立摆系统由小车、摆杆1和摆杆2组成。采用拉格朗日方程建立系统动力学模型：

code复制M(q)q̈ + C(q,q̇)q̇ + G(q) = τ

其中q=[x,θ1,θ2]^T为广义坐标，M为惯性矩阵，C为科氏力矩阵，G为重力项，τ为控制输入。通过线性化处理，在平衡点附近得到状态空间方程：

code复制ẋ = Ax + Bu
y = Cx + Du

注意：实际建模时要考虑摆杆的转动惯量、关节摩擦等非理想因素，这些细节会显著影响控制效果。我在初期仿真时忽略了杆件弹性变形，导致实验结果与理论差距较大。

2.2 物理参数实测值

基于实验室现有的二级倒立摆装置，测量得到以下参数：

这些参数将直接代入Simulink模型。特别提醒：摩擦系数需要通过专门的参数辨识实验获取，简单的估算会导致控制效果不理想。

3. PID控制器设计与实现

3.1 控制结构设计

采用串级PID控制结构：

code复制外环(角度环) ──> 内环(角速度环) ──> 电机驱动

每个摆杆需要独立的PID控制器，共需4个PID控制器（角度和角速度各两个）。

3.2 参数整定方法

使用试凑法结合Ziegler-Nichols法则进行参数整定：

1. 先调角度环P参数至系统出现等幅振荡
2. 记录临界增益Ku和振荡周期Tu
3. 按Z-N公式计算PID参数初值
4. 微调消除稳态误差并抑制超调

典型参数范围：

• 角度P：5-20
• 角度D：0.1-1
• 角速度P：0.5-5

实操心得：二级倒立摆的PID整定比一级困难得多，参数间耦合严重。建议先固定内环参数，单独调外环，再微调内环。

3.3 抗干扰测试

在5秒时施加0.1N·m的脉冲干扰力矩，观察恢复情况。良好的PID参数应能在2秒内使摆角偏差小于5°。

4. LQR控制器设计与实现

4.1 状态空间模型建立

选择状态变量：

code复制x = [x, θ1, θ2, ẋ, θ̇1, θ̇2]^T

通过线性化得到A,B矩阵后，需要验证系统的能控性：

code复制rank(ctrb(A,B)) = 6

4.2 权重矩阵选择

Q矩阵对角元素对应状态变量的权重，R控制输入权重。经过多次尝试确定的经验值：

code复制Q = diag([10,1000,800,1,50,30])  
R = 0.1

调试技巧：先给角度误差较大权重（如1000），再逐步调整其他参数。R值过大会导致控制量不足。

4.3 求解Riccati方程

使用Matlab命令：

matlab复制[K,S,e] = lqr(A,B,Q,R);

得到最优反馈增益矩阵K，将其接入Simulink模型。

5. 仿真对比分析

5.1 稳定性对比

设置初始条件θ1=5°, θ2=3°，观察稳定时间：

LQR表现出更快的响应速度和更好的阻尼特性。

5.2 抗干扰对比

在5秒时施加相同干扰：

LQR在抗干扰方面优势明显，且所需控制量更小。

5.3 参数鲁棒性测试

将摆杆质量增加20%后：

• PID控制需要重新调整参数才能稳定
• LQR仍能保持稳定，仅性能略有下降

6. 硬件实现注意事项

虽然本项目侧重仿真，但根据我的实际部署经验，硬件实现还需考虑：

1. 编码器分辨率：至少1000线/转，否则角度测量噪声过大
2. 执行机构延迟：电机响应时间应<10ms
3. 采样频率：建议≥200Hz
4. 量化误差处理：对数字控制器尤为重要

一个常见问题是传感器噪声导致的高频抖动，可以在软件中加入低通滤波：

matlab复制% 一阶低通滤波示例
alpha = 0.2; % 滤波系数
filtered_angle = alpha*current_angle + (1-alpha)*prev_angle;

7. 扩展研究方向

基于这个基础框架，还可以进一步探索：

1. 模糊PID控制：结合模糊逻辑自动调整PID参数
2. 滑模变结构控制：增强抗干扰能力
3. 神经网络控制：通过数据驱动提升适应性
4. 强化学习：让控制器自主学习稳定策略

我在研究生课题中尝试过模糊PID方案，相比固定参数PID，它能更好地适应不同摆角范围，但实时计算量较大，需要较高性能的处理器。