企业官网建设流程全解析

简介：本资源是一套面向自动化、控制工程专业本科生及初学者的二阶倒立摆控制系统MATLAB/Simulink实践教学包，聚焦经典非线性系统建模、稳定性分析与多种控制策略对比验证。压缩包共6个文件（3个Simulink模型.mdl、2个MATLAB脚本.m、1个模糊推理系统.fis），总大小仅19KB，轻量易用；其中.mdl文件实现PID、滑模等不同结构的闭环仿真，.m文件封装系统动力学模型与核心算法，.fis文件提供可调参的模糊控制器，便于理解规则设计与实时响应特性。已有1176人学习下载，适用于课程设计、控制原理实验及毕业设计前期验证。读者可直接运行仿真观察角位移/小车位置响应曲线，对比不同控制器在抗扰性、超调与稳态精度上的差异，并基于源码快速修改参数、替换控制律或拓展为状态反馈设计，是贯通理论推导—编程实现—仿真分析全流程的典型入门范例。

1. 项目缘起：从经典难题到动手实践

如果你在自动化、机械电子或者控制理论领域摸爬滚打过一阵子，大概率听说过“倒立摆”这个玩意儿。它不是什么新潮的科技产品，但绝对是控制领域里一块经久不衰的“试金石”。简单说，就是一根杆子，底部连接在一个可以水平移动的小车上，你的任务是通过控制小车的左右移动，让这根杆子保持竖直不倒。听起来有点像杂技演员用下巴顶着一根长杆，只不过我们是用算法和电机来代替人的肌肉和神经。

而“二阶倒立摆”，则是这个游戏的“地狱模式”。它有两根杆子，像一根钓鱼竿的竿稍又接了一节更细的梢子，两级串联，底部同样由小车驱动。它的不稳定性和非线性特性被急剧放大，对控制算法的鲁棒性、响应速度和抗干扰能力提出了近乎苛刻的要求。很多教科书上高大上的控制理论，比如状态反馈、最优控制、模糊控制乃至神经网络，都会拿它来做仿真验证和性能比拼。所以，当你看到“二阶倒立摆_matlab_控制系统”这个标题时，它背后隐含的是一系列非常具体的问题：这个系统的数学模型到底怎么建立？在MATLAB/Simulink里如何把它“搭建”出来？PID、LQR这些控制器该怎么设计和调试？仿真跑起来和理论分析有多大差距？

我最初接触这个项目，是为了给一门研究生课程的大作业“找点有挑战性的乐子”。课本上的单摆例子已经玩腻了，就想试试这个更刺激的。结果发现，虽然网上资料不少，但要么是只给理论公式，要么是只贴一张完美的仿真结果图，中间从推导到实现，从调参到分析的那些“脏活累活”和“坑”，很少有人系统性地讲透。这次，我就把自己从零开始，在MATLAB里构建、仿真并分析一个二阶倒立摆控制系统的完整过程，包括那些卡住我很久的细节和最终跑通后的心得，毫无保留地分享出来。无论你是相关专业的学生在做课程设计，还是工程师想验证某个先进控制算法，这篇文章都能提供一个可直接复现的、细节拉满的参考框架。

2. 核心原理拆解：二阶倒立摆的动力学建模

动手写代码之前，我们必须搞清楚要控制的这个“对象”到底遵循什么物理规律。这是所有控制设计的基石，模型建得准，后续仿真才有意义。二阶倒立摆是一个典型的欠驱动、多变量、强非线性系统，我们通常采用拉格朗日方程来推导其动力学模型，因为它能系统性地处理复杂约束，比牛顿-欧拉法更清晰。

2.1 系统定义与假设

我们先明确系统参数和假设，这是推导的起点：

• 小车质量：M， 可以在水平导轨上无摩擦运动。
• 下摆杆质量：m1， 长度2L1（质心在杆中点，距关节L1）。
• 上摆杆质量：m2， 长度2L2。
• 小车位置：x， 以初始位置为原点。
• 下摆杆与垂直向下方向的夹角：θ1（顺时针为正）。
• 上摆杆与下摆杆的夹角：θ2（相对于下摆杆，顺时针为正）。因此，上摆杆相对于绝对垂直线的角度是θ1 + θ2。
• 控制输入：作用在小车上的水平力F。
• 假设：摆杆为均质细杆；所有关节为理想铰接，无摩擦；系统在二维平面内运动。

2.2 拉格朗日方程推导过程

拉格朗日方程的核心是计算系统的拉格朗日量L = T - V，其中T是总动能，V是总势能。

第一步：计算各部件质心坐标（在惯性坐标系中）

• 小车质心坐标：(x, 0)
• 下摆杆质心坐标：(x + L1*sinθ1, L1*cosθ1)
• 上摆杆质心坐标：这需要一点几何知识。它是下摆杆末端（坐标为(x + 2L1*sinθ1, 2L1*cosθ1)）再加上从上关节指向上摆杆质心的向量。这个向量在惯性系中的分量是(L2*sin(θ1+θ2), L2*cos(θ1+θ2))。 因此，上摆杆质心坐标为：(x + 2L1*sinθ1 + L2*sin(θ1+θ2), 2L1*cosθ1 + L2*cos(θ1+θ2))

第二步：计算各部件速度（对时间求导）对上述坐标求时间一阶导数，得到速度向量。这里以下摆杆质心速度的平方计算为例，这是一个关键的运算技巧：

v1x = dx/dt + L1*cosθ1*dθ1/dt v1y = -L1*sinθ1*dθ1/dt v1^2 = v1x^2 + v1y^2 = (dx/dt)^2 + (L1*dθ1/dt)^2 + 2*L1*cosθ1*(dx/dt)*(dθ1/dt)

同理，可以求出上摆杆质心速度的平方v2^2，表达式会更复杂，因为它包含θ1,θ2,dθ1/dt,dθ2/dt和dx/dt的交叉项。

第三步：计算总动能 T 和总势能 V

• 动能 T：
  • 小车平动动能：0.5 * M * (dx/dt)^2
  • 下摆杆动能：包含平动和转动。平动动能0.5 * m1 * v1^2， 转动动能0.5 * I1 * (dθ1/dt)^2，其中I1 = (1/3)*m1*(2L1)^2 = (4/3)*m1*L1^2（细杆绕端点的转动惯量）。注意：如果我们用质心速度计算平动动能，那么转动惯量应取绕质心的值I1_cm = (1/12)*m1*(2L1)^2 = (1/3)*m1*L1^2。两种方法等价，但必须匹配。这里采用质心法更通用。
  • 上摆杆动能：同理，0.5 * m2 * v2^2 + 0.5 * I2_cm * (d(θ1+θ2)/dt)^2，I2_cm = (1/3)*m2*L2^2。
• 势能 V（以小车高度为势能零点）：
  • 下摆杆势能：m1 * g * L1 * cosθ1
  • 上摆杆势能：m2 * g * (2L1*cosθ1 + L2*cos(θ1+θ2))

第四步：建立拉格朗日方程并线性化将L = T - V代入拉格朗日方程：d/dt(∂L/∂q_i˙) - ∂L/∂q_i = Q_i其中，广义坐标q = [x, θ1, θ2]^T， 广义力Q = [F, 0, 0]^T（只有小车受到主动力 F）。

执行这个微分运算会得到三个非常复杂的二阶非线性微分方程。我们关心的平衡点是[x, θ1, θ2, dx/dt, dθ1/dt, dθ2/dt] = [0, 0, 0, 0, 0, 0]，即小车在原点，两根杆都竖直向上倒立。

为了设计经典的线性控制器（如LQR），我们需要在平衡点附近对这个非线性模型进行线性化。线性化的方法是假设角度θ1,θ2及其导数都很小，并利用近似：sinθ ≈ θ,cosθ ≈ 1,(dθ/dt)^2 ≈ 0。将这些近似代入非线性方程，并忽略高阶小量，就能得到线性化后的状态空间方程：

M * d²q/dt² + C * dq/dt + K * q = B * F

经过整理，可以写成标准的状态空间形式：dx/dt = A * x + B * uy = C * x + D * u

其中，状态向量x = [x; θ1; θ2; dx/dt; dθ1/dt; dθ2/dt]， 控制输入u = F。矩阵A和B的表达式由系统参数M, m1, m2, L1, L2, g决定，推导过程繁琐但机械。很多论文和教材会直接给出线性化后的系数矩阵，为了节省时间，我们可以借助符号计算工具（如MATLAB的Symbolic Math Toolbox）来辅助完成。

注意：这是整个项目最容易出错的地方。手动推导时一个正负号、一个系数错误，都会导致后续仿真完全失败。强烈建议：1）将你的推导过程用符号工具验证；2）在网上找一个可靠的、经过验证的模型表达式作为基准进行对照。我个人的经验是，花费在验证模型上的时间，远比仿真调参时因为模型错误而抓狂的时间要划算得多。

3. 在MATLAB/Simulink中构建仿真模型

有了数学模型，我们就可以在MATLAB/Simulink这个强大的仿真环境中将它“搭建”出来。这里有两种主流思路：一是基于状态空间方程直接搭建；二是利用物理建模工具Simscape进行更直观的多体动力学仿真。我两种都试过，各有优劣。

3.1 方法一：基于状态空间方程的Simulink模型

这是最经典、最直接，也是对理解控制系统最有帮助的方法。我们假设已经通过推导或查找，得到了线性化后的系统矩阵A,B,C,D。

步骤1：在MATLAB工作区定义系统参数和矩阵首先，我们给定一组合理的物理参数，并计算出A和B矩阵。例如：

M = 1.0; % 小车质量 (kg) m1 = 0.3; % 下摆质量 (kg) m2 = 0.1; % 上摆质量 (kg) L1 = 0.5; % 下摆半长 (m) L2 = 0.3; % 上摆半长 (m) g = 9.81; % 重力加速度 % 此处应放置根据参数计算A， B矩阵的代码。 % 为了示例，我们假设一个计算好的A，B（实际需要根据你的模型填充）。 % A = ... ; (6x6 matrix) % B = ... ; (6x1 matrix) % C = eye(6); % 假设输出全部状态 % D = zeros(6,1);

步骤2：在Simulink中搭建模型

1. 新建一个Simulink模型。
2. 从库Library Browser -> Simulink -> Continuous中拖入一个State-Space模块。双击它，在参数对话框中填入A, B, C, D矩阵，以及初始状态（例如，可以设一个很小的初始角度模拟扰动）。
3. 这个模块的输入是控制力F，输出是6维状态向量x。
4. 接下来需要设计控制器。例如，我们可以拖入一个Gain模块作为状态反馈矩阵K。K可以通过lqr函数计算得到。

   Q = diag([10, 100, 100, 1, 1, 1]); % 状态权重矩阵，调整Q和R是调参关键 R = 0.1; % 控制输入权重 K = lqr(A, B, Q, R); % 计算线性二次型最优状态反馈增益

5. 将State-Space模块的输出连接到K增益模块，然后连接到一个Sum模块（设置为负反馈），Sum模块的另一个输入可以接一个参考信号（比如期望的小车位置x_ref，通常为0）。Sum模块的输出即为控制力F，再反馈给State-Space模块的输入。这样就形成了一个闭环。
6. 添加Scope模块观察状态变化，添加To Workspace模块将数据导出到MATLAB工作区以便后续分析。

步骤3：处理非线性与饱和上述模型是线性的，但实际系统存在非线性（如摆角过大时线性模型失效）和执行器饱和（电机出力有限）。为了仿真更真实，我们可以在控制力F输出后，加一个Saturation模块来限制最大控制力。同时，初始状态不要设得离平衡点太远，否则线性控制器会失效。

3.2 方法二：使用Simscape Multibody进行物理建模

如果你觉得推导方程太头疼，或者想验证你的推导是否正确，Simscape Multibody是更好的选择。它允许你以“搭积木”的方式构建机械系统，自动生成动力学方程。

步骤1：搭建物理结构

1. 新建Simulink模型，打开Library Browser，找到Simscape -> Multibody。
2. 从库中拖入以下核心模块：
   • World Frame：定义全局坐标系和重力。
   • Mechanism Configuration：设置求解器、重力等全局参数。
   • Rigid Transform/Brick Solid/Cylindrical Solid：用来构建小车和摆杆的几何体与质量属性。你需要为小车、下摆杆、上摆杆分别创建Solid模块，并正确设置其质量、尺寸、惯量矩阵和质心位置。
   • Prismatic Joint：模拟小车与地面之间的平移运动。这是我们的驱动关节，需要在此处添加Actuation力输入。
   • Revolute Joint：模拟小车与下摆杆、下摆杆与上摆杆之间的旋转关节。通常设置为被动关节（无驱动）。
   • Transform Sensor/Joint Sensor：用于测量小车位置、摆杆角度等状态，作为控制器的反馈信号。
   • Solver Configuration：必须添加，用于配置物理网络求解器。

步骤2：连接与配置按照物理连接关系，用线条连接各个模块的B(Base) 和F(Follower) 端口。例如，World Frame连接到Prismatic Joint的B口，Prismatic Joint的F口连接到小车Solid的B口，小车Solid的F口再连接到第一个Revolute Joint的B口，以此类推。这是一个需要耐心和细心的过程，确保拓扑结构正确。

步骤3：集成控制器Simscape模型输出的是物理信号（Physical Signal），而我们的控制算法通常在Simulink的“信号流”世界中运行。因此，我们需要：

1. 使用PS-Simulink Converter模块将关节传感器（如角度、角速度）输出的物理信号转换为Simulink信号。
2. 在Simulink部分搭建控制器（如PID或状态反馈），根据这些信号计算控制力。
3. 使用Simulink-PS Converter模块将计算出的控制力（Simulink信号）转换为物理信号，输入到Prismatic Joint的Actuation端口。

两种方法对比与选择

• 状态空间法：优点是与理论结合紧密，仿真速度极快，便于进行控制器设计（如LQR）和性能分析（如极点配置、频域分析）。缺点是模型是线性化的，无法研究大范围非线性动态。
• Simscape法：优点是模型直观，更接近物理真实，自动包含非线性、摩擦等复杂因素，是验证线性控制器鲁棒性的好工具。缺点是模型搭建稍复杂，仿真速度较慢，且“黑箱”特性使得基于模型的高级控制器设计不那么直接。

我的建议是：先用状态空间法（方法一）快速设计并调试好你的核心控制算法，因为它迭代快。然后用Simscape模型（方法二）作为一个“高保真测试平台”，来检验你的线性控制器在更真实、非线性环境下的表现。当Simscape模型能稳定时，你的控制器才算是真正有鲁棒性。

4. 控制器设计与参数整定实战

模型准备好了，接下来就是设计让这个不稳定系统立起来的“大脑”——控制器。我们重点讨论两种最实用、也最经典的方法：PID控制和线性二次型最优控制（LQR）。

4.1 串级PID控制：从单摆经验出发

对于单级倒立摆，单回路PID（通常是PD）控制角度就能奏效。但对于二阶倒立摆，由于存在两个耦合的摆角，直接控制一个角度会导致另一个失稳。一种行之有效的策略是串级PID控制。

控制思路：

1. 内环：控制上摆杆相对于下摆杆的角度θ2。这个环路的响应应该最快，因为它稳定的是最顶端、最不稳定的部分。我们使用一个PD控制器，输入是θ2和θ2的微分（角速度），输出是一个“虚拟力矩”，这个力矩试图让θ2归零。
2. 外环：控制下摆杆相对于垂直方向的角度θ1。但此时，外环的“被控对象”不仅仅是下摆杆本身，而是包含了内环闭环后的“等效对象”。外环也使用一个PD控制器，输入是θ1和θ1的微分，输出是另一个“虚拟力矩”。
3. 最外环：控制小车位置x。这个环路的响应最慢。使用一个P或PI控制器，输入是小车位置误差，输出最终作用于小车的控制力F。

在Simulink中的实现： 你需要搭建一个嵌套的控制结构。内环PD的输出，作为外环的一个前馈或附加设定值。最终，三个控制器的输出经过某种组合（通常是相加），形成总控制力F。调试顺序必须从内到外：先断开外环，只整定内环PID参数，让上摆杆能快速响应并稳定在θ2=0附近。然后闭合内环，整定中间环参数，最后整定最外环的小车位置环。

实操心得：串级PID调参是个体力活，非常依赖经验。我的经验法则是：内环重“微分”（D），用于抑制振荡；外环重“比例”（P），用于快速响应；最外环的“积分”（I）要非常小心，避免引起小车缓慢漂移或饱和。可以先给P一个较小值，D给一个中等值，I设为0。通过观察Scope中θ2的响应，逐步增大P直到出现等幅振荡，然后增大D来阻尼这个振荡。内环调稳后，再以同样的思路调外环。整个过程可能需要反复数十次。

4.2 线性二次型最优控制（LQR）：更优雅的全局方案

LQR是一种全状态反馈控制，它通过求解一个优化问题（最小化状态偏差和控制能量的二次型代价函数），直接得到一个最优状态反馈增益矩阵K。对于我们已经线性化并得到(A, B)矩阵的系统，LQR是天然匹配的。

设计步骤：

1. 确定状态向量：x = [x; θ1; θ2; dx/dt; dθ1/dt; dθ2/dt]。我们需要能测量或观测所有这六个状态。实践中，小车位置x和速度dx/dt可用编码器测量，两个角度θ1,θ2可用安装在关节处的编码器测量，两个角速度则可以通过对角度信号差分（或使用观测器）获得。
2. 设计权重矩阵 Q 和 R：
   • Q：状态权重矩阵，通常是对角阵。Q(i,i)的值越大，表示我们对第i个状态的误差惩罚越重，控制器会花更多“精力”去让这个状态快速归零。
   • R：控制输入权重标量（单输入情况）。R值越大，表示我们越“吝啬”使用控制力，控制器会倾向于更温和的控制，但响应可能变慢。
3. 使用lqr函数求解：

   % 假设 A, B 已定义 Q = diag([100, 1000, 1000, 10, 10, 10]); % 示例权重 R = 1; [K, S, P] = lqr(A, B, Q, R);

   计算得到的K是一个1x6的行向量。控制律为u = -K * x。

参数整定技巧： LQR的调参就是调整Q和R。一个系统化的方法是：

• 先确定 R：根据执行器（电机）的最大出力F_max，设定一个合理的R值。可以先将R设为1/F_max^2量级，作为一个起点。
• 再调整 Q：这是调参的核心。遵循一个原则：对越不稳定、越需要快速稳定的状态，给予越高的权重。对于倒立摆，角度θ1和θ2是最不稳定的状态，因此它们的权重（Q(2,2)和Q(3,3)）应该最大。角速度的权重次之，用于提供阻尼。小车位置x和速度dx/dt的权重通常可以设得小一些，因为系统的主要目标是“不倒”，而不是“不动”。
• 观察闭环极点：计算lqr后返回的闭环极点P。理想的极点应该是一对或多对稳定的共轭复数（提供适当的阻尼振荡），以及一些更快的实极点。如果极点离虚轴太近，系统响应太慢；如果太远，可能对噪声敏感或需要过大控制力。通过调整Q和R，观察极点位置的变化，是一个很有效的调试手段。

在Simulink中实现LQR： 非常简单。将状态向量x乘以增益矩阵-K，输出就是控制力u。记得在前面加上一个Saturation模块来限制最大控制力，模拟执行器饱和。

4.3 控制器性能对比与鲁棒性测试

设计好控制器后，我们需要在仿真中全面评估其性能。

测试场景：

1. 平衡稳定性：给定一个非零的初始角度（如θ1=5°, θ2=3°），观察系统能否自行稳定到竖直位置。记录稳定时间、超调量。
2. 抗干扰测试：在系统稳定后，在某一时刻施加一个短暂的脉冲干扰力（比如作用在小车上或摆杆上），观察系统能否恢复平衡。这考验控制器的干扰抑制能力。
3. 跟踪测试：让小车的期望位置x_ref从一个点缓慢移动到另一个点（如正弦波），观察两根摆杆在跟踪过程中的晃动情况。
4. 参数鲁棒性：故意在控制器中使用的模型参数（如m1, m2, L1）与实际Simscape模型参数之间设置一些偏差（例如±10%），观察控制器是否仍然能稳定系统。这是检验控制器鲁棒性的关键。

结果分析：

• PID控制器：通常能实现稳定，但在大干扰或参数变化时容易失稳。调试得当的串级PID响应速度可能很快，但各环之间的耦合需要精心解耦。
• LQR控制器：在模型准确的情况下，性能通常优于PID，能实现快速、平滑的稳定。其最优性保证了在给定权重下“最好”的性能。但LQR最大的弱点是对模型误差敏感，即鲁棒性可能不足。这也是为什么在LQR基础上发展出了H∞、μ综合等鲁棒控制方法。

在我的仿真中，使用同一组系统参数，精心调试的LQR在稳定时间和抗小幅干扰方面表现略优于串级PID。但当我把Simscape模型中的摆杆质量增加20%而控制器模型参数不变时，PID控制器经过重新调参还能勉强工作，而原参数的LQR控制器则直接失稳了。这生动地说明了理论最优与工程鲁棒之间的差距。

5. 仿真实现、可视化与结果深度分析

控制器设计好了，最后一步就是让整个系统在仿真中跑起来，并把结果直观、专业地呈现出来。

5.1 完整的Simulink模型集成

无论你采用状态空间模型还是Simscape模型，最终都需要集成传感器、控制器、执行器（饱和限制）和被控对象。一个健壮的仿真模型还应包括：

• 参考信号生成：使用Step、Sine Wave或Signal Builder模块生成x_ref。
• 噪声注入：为了模拟真实的传感器噪声，可以在状态反馈通道上加入Band-Limited White Noise模块。这对于评估控制器的噪声抑制性能很重要。
• 数据记录：使用To Workspace模块将关键信号（如时间t、所有状态x、控制力u、参考信号ref）以数组形式保存到MATLAB工作区。
• 手动切换开关：方便在仿真中动态施加脉冲干扰。

5.2 使用MATLAB脚本进行批量仿真与数据分析

Simulink跑一次仿真只是开始，我们通常需要改变参数（如不同的Q/R权重、不同的初始条件）进行多次仿真，并系统性地分析结果。这时就需要编写MATLAB脚本。

示例脚本框架：

clear; close all; clc; % 1. 定义系统参数和计算A，B矩阵 sysParams = defineSystemParameters(); % 自定义函数 [A, B] = linearizeModel(sysParams); % 自定义函数，计算线性化模型 % 2. 设计控制器（例如LQR） Q = diag([100, 1000, 1000, 10, 10, 10]); R = 1; K = lqr(A, B, Q, R); % 3. 准备Simulink模型参数 modelName = 'double_inverted_pendulum_sim'; load_system(modelName); % 加载模型 % 将参数K等设置到模型工作区或使用set_param set_param([modelName '/Gain_K'], 'Gain', mat2str(K)); % 4. 定义不同的仿真场景 scenarios = {'small_perturb', 'large_perturb', 'tracking'}; for i = 1:length(scenarios) scenario = scenarios{i}; % 根据场景设置模型初始条件、参考信号等 configureScenario(modelName, scenario); % 5. 运行仿真 simOut = sim(modelName, 'StopTime', '10'); % 6. 提取数据 t = simOut.tout; x_data = simOut.logsout.get('states').Values.Data; u_data = simOut.logsout.get('control_force').Values.Data; % 7. 绘图与分析 figure('Name', scenario); subplot(2,1,1); plot(t, x_data(:,1:3)); % 绘制位置和角度 legend('x', '\theta_1', '\theta_2'); grid on; subplot(2,1,2); plot(t, u_data); % 绘制控制力 legend('Force F'); grid on; xlabel('Time (s)'); % 8. 计算性能指标 settling_time = computeSettlingTime(t, x_data(:,2)); % 计算下摆杆稳定时间 max_control = max(abs(u_data)); fprintf('场景 %s: 稳定时间=%.3fs, 最大控制力=%.3fN\n', scenario, settling_time, max_control); end

5.3 高级可视化：动画演示

静态曲线图虽然能分析数据，但远不如一个动态的动画直观。MATLAB提供了强大的动画绘制功能。

创建动画的基本步骤：

1. 从仿真数据中提取出小车位置x和两个摆角θ1,θ2。
2. 根据这些数据，计算每一帧（每个时间点）小车和两个摆杆末端点的坐标。
3. 使用plot或line函数在循环中绘制这些坐标，并用pause(0.01)控制帧率。
4. 使用getframe和writeVideo函数可以将动画保存为视频文件（如MP4）。

一个简化的动画绘制代码片段：

figure('Position', [100, 100, 800, 600]); hold on; axis equal; grid on; xlim([-2, 2]); ylim([-0.5, 1.5]); % 根据你的系统尺寸调整 % 初始化图形对象 cart_plot = plot(0, 0, 's', 'MarkerSize', 20, 'MarkerFaceColor', 'b'); pend1_plot = line([0, 0], [0, 0], 'Color', 'r', 'LineWidth', 3); pend2_plot = line([0, 0], [0, 0], 'Color', 'g', 'LineWidth', 2); for k = 1:10:length(t) % 跳帧以提高速度 x_cart = x_data(k, 1); th1 = x_data(k, 2); th2 = x_data(k, 3); % 计算摆杆端点坐标 x_pend1_end = x_cart + 2*L1*sin(th1); y_pend1_end = 2*L1*cos(th1); x_pend2_end = x_pend1_end + 2*L2*sin(th1+th2); y_pend2_end = y_pend1_end + 2*L2*cos(th1+th2); % 更新图形对象数据 set(cart_plot, 'XData', x_cart); set(pend1_plot, 'XData', [x_cart, x_pend1_end], 'YData', [0, y_pend1_end]); set(pend2_plot, 'XData', [x_pend1_end, x_pend2_end], 'YData', [y_pend1_end, y_pend2_end]); title(sprintf('Time: %.2f s', t(k))); drawnow; pause(0.01); % 控制播放速度 end

看着自己设计的控制器让两根杆子晃晃悠悠地立起来，那种成就感是看曲线图无法比拟的。动画还能帮你直观地发现一些问题，比如控制器虽然让角度归零了，但小车却漂移出了画面，这说明你的位置环可能需要加强积分作用或调整权重。

5.4 结果分析与报告撰写要点

仿真完成后，一份清晰的分析报告是必不可少的。你应该关注以下指标：

• 稳定性：所有状态量是否最终收敛到平衡点或期望轨迹？
• 动态性能：
  • 上升时间：从扰动到首次到达平衡点附近的时间。
  • 调节时间：进入并保持在最终值±2% (或5%) 误差带内的时间。
  • 超调量：最大偏差与稳态值的百分比。对于倒立摆，我们希望超调尽可能小。
  • 稳态误差：最终是否存在静态偏差？特别是小车位置x。
• 控制效率：
  • 控制力幅值：最大控制力是否超出执行器限制？
  • 控制力变化率：控制信号是否平滑？剧烈的变化可能在实际电机中无法实现。
• 鲁棒性：在模型参数摄动、存在测量噪声和外部干扰时，上述性能指标恶化的程度。

在报告中，用对比图表来展示不同控制器（如PID vs LQR）或不同参数下的性能差异。例如，可以画一个子图，对比两者在相同脉冲干扰下的角度恢复曲线；另一个子图对比它们的控制力输出，看看谁更“省力”或更“平滑”。

最后，别忘了讨论仿真的局限性。我们的模型忽略了关节摩擦、电机响应延迟、数字控制器的离散化效应、传感器采样噪声的频谱特性等。这些因素在实物系统中都会出现。因此，一个在仿真中表现完美的控制器，在实物调试阶段几乎肯定需要再次调整。仿真最大的价值在于提供一个安全、低成本的原型验证和参数初选平台，大幅降低实物调试的试错成本。

本文还有配套的精品资源，点击获取