1. 项目背景与核心挑战
倒立摆系统作为控制理论中的经典实验平台，一直是验证各类控制算法有效性的"试金石"。而二级倒立摆更因其高度非线性、强耦合性和天然不稳定特性，成为检验控制策略鲁棒性的绝佳对象。我在工业自动化领域工作多年，亲眼见证过从传统PID到现代控制理论在实际项目中的博弈。这次我们就用MATLAB/Simulink搭建一个完整的对比仿真环境，看看两种控制策略究竟孰优孰劣。
二级倒立摆的物理构型看似简单——一个可在水平轨道移动的小车，通过铰链连接两根摆杆。但要让这个系统稳定在垂直位置，需要同时控制小车位移和两级摆杆角度。其动力学方程包含多个非线性耦合项，手动推导时我常会漏掉科里奥利力项。这也是为什么很多论文给出的模型在实际仿真中会出现能量不守恒的现象。
2. 系统建模与参数设定
2.1 动力学方程推导
采用拉格朗日法建立系统模型时，需要特别注意广义坐标的选择。我习惯用小车位移x、下摆角θ1（相对于垂直方向）、上摆角θ2（相对于下摆杆）作为广义坐标。动能计算时要包含：
- 小车平动动能
- 下摆杆的平动+转动动能
- 上摆杆的平动+转动动能（需用复合运动学公式）
势能项则主要考虑两根摆杆的重力势能。最终得到的非线性微分方程组，可以通过在平衡点（θ1=0, θ2=0）附近线性化，得到状态空间表达式。这里分享一个验证技巧：将m2设为0时，方程应退化为单级倒立摆模型。
2.2 仿真参数配置
我们采用某实验室的真实物理参数进行仿真：
matlab复制m_c = 1.2; % 小车质量(kg)
m1 = 0.5; % 下摆杆质量(kg)
m2 = 0.3; % 上摆杆质量(kg)
l1 = 0.6; % 下摆杆长度(m)
l2 = 0.4; % 上摆杆长度(m)
g = 9.81; % 重力加速度
注意：杆件质量分布按均匀细长杆处理，转动惯量需用J=1/12mL^2计算
3. PID控制器设计与实现
3.1 多回路PID结构设计
由于系统有三个被控量（x, θ1, θ2），需要设计级联控制结构。我的经验是采用"内环先稳"的策略：
- 最内环控制上摆角度θ2（响应最快）
- 中间环控制下摆角度θ1
- 外环控制小车位置x
每个环采用独立的PID控制器，参数整定顺序从内到外。在Simulink中实现时，要注意各子系统的采样时间同步问题。
3.2 参数整定实战技巧
使用试凑法结合Ziegler-Nichols规则进行初步整定：
- 先只保留P控制，增大Kp直到出现等幅振荡
- 记录临界增益Ku和振荡周期Tu
- 按标准公式计算PID参数初值
实际调试中发现几个关键点：
- 微分项对抑制上摆振荡至关重要，但噪声敏感
- 积分时间常数不宜过小，否则会引起小车低频抖动
- 各环之间的耦合需要留足稳定裕度
最终采用的PID参数：
matlab复制Kp_x = 12; Ki_x = 0.5; Kd_x = 25; % 位置环
Kp_θ1 = 45; Ki_θ1 = 0; Kd_θ1 = 8; % 下摆环
Kp_θ2 = 60; Ki_θ2 = 0; Kd_θ2 = 5; % 上摆环
4. LQR控制器设计与实现
4.1 状态空间模型建立
将线性化后的方程表示为：
code复制ẋ = Ax + Bu
y = Cx + Du
其中状态变量选择x=[x, θ1, θ2, ẋ, θ̇1, θ̇2]，控制输入u为小车驱动力。通过MATLAB的ss函数创建状态空间对象时，要特别注意单位一致性。
4.2 权重矩阵Q和R的选取
这是LQR设计中最考验经验的部分。我的方法是：
- 先确定各状态的物理量纲
- 根据控制优先级分配相对权重
- 通过Bryson规则进行归一化
经过多次调试采用的权重矩阵：
matlab复制Q = diag([100, 500, 800, 10, 50, 80]); % 状态权重
R = 0.1; % 控制量权重
心得：上摆角度的权重应该最大，因为其稳定性最难维持
4.3 求解Riccati方程
使用MATLAB的lqr函数直接求解：
matlab复制[K, S, e] = lqr(A, B, Q, R);
得到的反馈增益矩阵K需要检查其特征值是否全部位于左半平面。有时会遇到解不收敛的情况，这时需要调整Q矩阵的对角元素比例。
5. 仿真对比与分析
5.1 性能指标设定
为客观比较两种控制器，定义以下评估指标：
- 稳定时间（进入±2%误差带）
- 最大超调量
- 控制能量消耗（∫u²dt）
- 抗干扰能力（施加脉冲扰动后的恢复时间）
5.2 典型工况测试
初始条件响应测试：
设置初始θ1=5°, θ2=10°，观察系统稳定过程。LQR表现出更平滑的调节曲线，PID则有明显超调。
抗干扰测试：
在t=5s时施加幅值2N、持续时间0.1s的水平冲击。LQR的恢复时间比PID快约40%，且上摆角波动幅度小60%。
参数鲁棒性测试：
将摆杆质量增加20%后，PID需要重新整定参数，而LQR仍能保持稳定。
5.3 关键数据对比
| 指标 | PID控制 | LQR控制 |
|---|---|---|
| 稳定时间(s) | 8.2 | 5.7 |
| 最大超调量(%) | 15.3 | 6.8 |
| 控制能量(J) | 142.5 | 98.2 |
| 抗扰恢复时间(s) | 3.5 | 2.1 |
6. 工程实践中的经验总结
6.1 PID控制的适用场景
虽然LQR在仿真中表现更好，但PID仍有其优势：
- 无需精确的数学模型
- 调试过程直观，适合现场快速部署
- 计算量小，适合低端控制器
在以下情况我会首选PID：
- 系统参数变化不剧烈
- 对稳态精度要求不高
- 硬件资源有限
6.2 LQR的实现陷阱
实际项目中应用LQR时踩过这些坑：
- 模型线性化点选择不当导致实际工作点附近性能下降
- 传感器噪声导致状态观测误差放大
- 执行器饱和未考虑时会出现积分饱和现象
解决方法：
- 在工作区间内多点线性化并调度增益
- 设计Kalman滤波器进行状态估计
- 增加抗饱和补偿环节
6.3 进阶改进方向
对于更高要求的场景，可以考虑：
- 结合PID和LQR的混合控制策略
- 加入模糊逻辑适应参数变化
- 使用MPC处理控制约束
- 基于强化学习的自适应调参
我在某个实际项目中采用LQR+前馈补偿的方案，将稳定时间进一步缩短了22%。具体做法是通过离线仿真生成典型轨迹的理想控制量，作为前馈项叠加到LQR输出。