企业官网建设流程全解析

简介：一阶倒立摆系统作为控制理论中的经典力学模型，其建模、仿真与控制分析资源面向自动控制、机械工程及机器人领域学习者，帮助理解动态系统稳定性与反馈控制核心方法。内容先介绍由可移动支点和质量点构成的基本结构及直立稳定目标，再阐述基于重力、惯性、摩擦力等因素的一阶非线性动力学方程推导，并演示如何用Simulink构建仿真模型，设置输入输出与系统参数，通过Scope观察摆杆角度变化，设定不同初始条件与外部扰动进行仿真验证。之后重点说明PID控制参数整定，并拓展滑模控制、自适应控制、LQR等高级策略，便于按需选择优化。资源包仅14KB，已有3841人学习下载，适合快速获取从系统建模到控制器设计的完整思路与实现技巧，为机器人稳定控制等应用奠定基础。

1. 一阶倒立摆建模仿真：先明白它为什么开环必倒

一阶倒立摆是控制领域最典型的“看着简单、上手翻车”的对象：一辆小车加一根摆杆，自由度只有两个，动力学上却同时具备开环不稳定、欠驱动、强非线性三个特征。做建模与仿真分析时，很多人第一步就把牛顿方程抄错——铰链反力、符号约定、摆角以竖直向上还是向下为基准，任何一处错了，后续仿真要么直接发散，要么控制器怎么调都只能撑两秒。

这篇文章按一条完整可复现的路径展开：从拉格朗日方程推出运动方程，在平衡点线性化得到状态空间模型，再用 Simulink 搭出保留非线性的仿真模型，最后用级联 PID 和 LQR 把系统压住。控制部分的意义在于验证模型，重心始终落在建模与仿真分析这条主线上。适合正在做课程设计、数学建模竞赛控制题，或者从零接触机器人平衡控制的工程师对照落地，所有代码和参数都按可直接复现的标准给出，只要不换符号约定，跑通不需要额外调试。

2. 一阶倒立摆数学建模：从拉格朗日方程到状态空间

2.1 建模方法选型：为什么放弃牛顿法

一阶倒立摆的推导几乎都会从牛顿第二定律开场，但对着既有平动又有转动的摆杆，牛顿法必须先把铰链处的约束力当作未知量列出来，水平、垂直各写一个方程再联立消元。这个过程里只要某个力的方向画反，后边全盘皆错，而且中间变量一多，别人也很难复核。

我一般直接用拉格朗日方程：选小车位移 x 和摆角 θ 作为广义坐标，写出动能 T 和势能 V，代入 L = T − V 求偏导，约束力根本不会出现在方程里。做数学建模竞赛或课程报告时，从能量出发推导也更好审——评审能顺着公式一步步核对，中间没有来路不明的消元。建模参数先统一放在下表，后面所有代码共用这一套符号和取值。

注意 θ 的方向定义直接决定后面控制增益的符号。很多人栽在“摆角相对向上还是向下、顺时针还是逆时针”上；本文统一取竖直向上为 0、向右偏为正，后面每一个公式、每一段代码都跟这个约定走，中途不要切换。

2.2 拉格朗日方程推导与非线性运动方程

摆杆质心坐标是 (x + l·sinθ, l·cosθ)，对时间求导得到质心速度平方 ẋ² + 2l·ẋ·θ̇·cosθ + l²·θ̇²。系统动能 T 由小车平动、摆杆平动和摆杆绕自身质心转动三项组成，势能 V = mgl·cosθ（竖直向上时势能最大），拉格朗日量为：

L = ½(M+m)ẋ² + ml·ẋ·θ̇·cosθ + ½(ml²+J)·θ̇² − mgl·cosθ

把 L 分别代入广义坐标 x 和 θ 的拉格朗日方程，整理后得到两个非线性运动方程：

(M+m)ẍ + ml·θ̈·cosθ − ml·θ̇²·sinθ = F （式 1）
ml·ẍ·cosθ + (ml²+J)·θ̈ − mgl·sinθ = 0 （式 2）

J 是摆杆绕自身质心的转动惯量。仿真分析里最常用 J = 0 的集中质量近似，相当于把整根杆的质量压到质心，趋势与实物一致且推导省事；如果摆杆明显不是细杆，把 (ml²+J) 整体记为 I 代入即可，公式结构不变。以下统一取 I = ml²。

2.3 在平衡点线性化，得到状态空间模型

在竖直向上的平衡点附近取 θ ≈ 0，令 cosθ ≈ 1、sinθ ≈ θ，忽略 θ̇² 等高阶小量，式 1 和式 2 退化为：

(M+m)ẍ + ml·θ̈ = F
ml·ẍ + ml²·θ̈ − mgl·θ = 0

从第二个方程解出 θ̈ = gθ/l − ẍ/l，代回第一个方程得到 ẍ = F/M − mg·θ/M。取状态向量 [x; ẋ; θ; θ̇]，标准状态空间表达式如下，这段 MATLAB 代码可以直接运行验证：

M = 1.0; m = 0.1; l = 0.5; g = 9.81; A = [0 1 0 0; 0 0 -m*g/M 0; 0 0 0 1; 0 0 (M+m)*g/(M*l) 0]; B = [0; 1/M; 0; -1/(M*l)]; C = [1 0 0 0; 0 0 1 0]; D = zeros(2,1); sys = ss(A, B, C, D); fprintf('开环极点: \n'); disp(eig(A)); fprintf('能控性矩阵的秩: %d\n', rank(ctrb(A, B)));

A 矩阵第二行第三列的 −mg/M 是摆杆偏角通过重力分量对小车加速度的反作用；第四行第三列的 (M+m)g/(Ml) 是重力项构成的正反馈，这一项正是一阶倒立摆开环不稳定的根源。C 矩阵取前两行，让输出同时观测小车位移和摆角，这样后续做全状态反馈时不需要额外设计观测器。

2.4 开环极点与能控性：先看清系统有多糟

运行上面的代码，eig(A) 得到 0、0、±4.65。一对零极点来自小车的纯积分特性——没有外力时小车匀速漂移；±4.65 是摆杆的失稳模态，对应时间常数约 0.22 秒，意味着一个微小扰动之后，摆杆在零点几秒内就会明显倒下。所有控制方案的本质，就是把这对正负极点中位于右半平面的那个拉回左半平面。

能控性矩阵的秩为 4，说明四个状态都可以由外力 F 控制到任意目标，这是后面 LQR 全状态反馈的前提。反过来，如果实物上只测摆角 θ 一个量，需要单独验算能观性；通常小车编码器给 x、摆杆编码器给 θ，两个量都测，全状态反馈才能直接成立。

3. 一阶倒立摆仿真：Simulink 两种搭法与仿真发散排查

3.1 最快闭环：State-Space 模块五分钟跑通线性模型

拿到 2.3 节的 A、B、C、D 后，最快的验证方式是在 Simulink 里放一个 State-Space 模块。双击填入四个矩阵，Initial conditions 填 [0;0;0.1;0] 表示给摆杆一个初始偏角；控制量用一个 Gain 模块实现 u = −K·[x;ẋ;θ;θ̇]，把四个状态量全部引出接到矩阵增益 K 上做负反馈，Scope 看 x 和 θ 两条曲线。这个方案只对线性模型成立；如果矩阵是在工作区里用 ss 命令建好的，也可以直接用 LTI System 模块加载对象，省去手抄矩阵。

求解器先用默认的 ode45 就能跑，但建议把 Max step size 手动改成 1e-3。原因在于模型里有一个 4.65 rad/s 的失稳极点，仿真步长过大时，每一步的数值误差都会被这个极点指数放大，最终结果看起来像控制器失效，其实是求解器精度不够。

3.2 保留非线性的 S-Function 模型

线性模型适合快速验证控制器结构，但初始摆角到 0.5 rad 左右时线性化误差已经不可忽略，往实物移植前必须在非线性模型上再测一轮。常见做法是写一个 Level-1 S-Function，把式 1、式 2 联立解成显式的一阶微分方程组，由 Simulink 的积分器完成数值求解。下面这段代码直接可用，模块参数 M、m、l、g 在 S-Function 模块的参数列表里按顺序传入：

function [sys,x0,str,ts] = pend_sfun(t,x,u,flag,M,m,l,g) % 状态: x1=小车位移 x2=车速 x3=摆角 theta x4=角速度 switch flag case 0 [sys,x0,str,ts] = mdlInitializeSizes(); case 1 sys = mdlDerivatives(t,x,u,M,m,l,g); case 3 sys = x; % 全状态输出 case {2,4,9} sys = []; otherwise error(['unhandled flag = ',num2str(flag)]); end function [sys,x0,str,ts] = mdlInitializeSizes() sizes = simsizes; sizes.NumContStates = 4; sizes.NumDiscStates = 0; sizes.NumOutputs = 4; sizes.NumInputs = 1; sizes.DirFeedthrough = 0; % 输出不经过输入，避免代数环 sizes.NumSampleTimes = 1; sys = simsizes(sizes); x0 = [0; 0; 0.1; 0]; % 初始摆角 0.1 rad str = []; ts = [0 0]; % 连续系统 function dx = mdlDerivatives(~,x,u,M,m,l,g) F = u(1); th = x(3); w = x(4); I = m*l^2; % 集中质量近似 D = (M+m)*I - (m*l*cos(th))^2; dx = zeros(4,1); dx(1) = x(2); dx(2) = (I*F - m^2*g*l^2*sin(th)*cos(th) + I*m*l*w^2*sin(th)) / D; dx(3) = x(4); dx(4) = (m*g*l*sin(th) - m*l*dx(2)*cos(th)) / I;

mdlInitializeSizes 里的 NumContStates 必须为 4，对应四个连续状态；ts = [0 0] 表示连续系统而不是离散采样；DirFeedthrough 置 0 是因为输出直接取状态 x，不经输入 u，这个标志位写错会出现代数环警告。mdlDerivatives 里第四个式子用到了 dx(2)，这是 θ̈ 依赖 ẍ 的动力学耦合，必须先算 ẍ 再算 θ̈，两行顺序不能颠倒。

3.3 仿真发散：按这张表逐项排查

仿真发散在倒立摆调试里几乎人人会遇到，而且大半不是控制器问题。下表是排错优先级最高的四类情况：

提示：仿真发散时先跑开环。把控制器增益全部置零，给一个 0.1 rad 初始摆角，如果模型输出有界（摆下去后在最低点附近来回摆动），说明模型本身没问题，问题在反馈回路里。

求解器选择上，纯线性模型 ode45 足够；一旦模型里加入摩擦、饱和、齿隙等刚性环节，换 ode15s 这类变步长隐式求解器，发散概率会明显下降。

4. 一阶倒立摆控制律设计：级联 PID 与 LQR 的整定路径

4.1 结构先行：只控摆角还是一并控位置

只让摆杆不倒，一个 PD 就够了，控制律写成 F = Kp_θ·θ + Kd_θ·ω。关键在符号：按本文 θ 向右偏为正的约定，这两个增益必须为正。直觉解释是摆杆向右倒时，小车要先向右加速去“接住”它，这和我们习惯的位置回路方向相反，所以角度项看起来像正反馈。如果换成 θ 逆时针为正的定义，两个增益全部取反。

课程设计和竞赛里几乎都要同时压住小车位置，这时把位置回路叠在外面，就成了最典型的级联 PID 控制结构：内环 PD 管摆角，外环位置回路把整个角度回路当成执行机构，控制律为：

F = Kp_θ·θ + Kd_θ·ω − Kp_x·(x − x_ref) − Kd_x·ẋ

位置项是常规负反馈，角度项保持正的 PD。先调内环再调外环，是两个回路参数整定的基本顺序。

4.2 整定顺序与完整闭环仿真

下面这段 MATLAB 脚本直接把控制器和 2.2 节非线性模型封进一个函数，用 ode45 做闭环仿真，比 Simulink 调起来更直观，适合先扫参数：

% 一阶倒立摆闭环仿真：内环 PD 控角 + 外环 PD 控位 M = 1.0; m = 0.1; l = 0.5; g = 9.81; Kp_t = 40; Kd_t = 6; % 内环：摆角、角速度 Kp_x = 2; Kd_x = 1.5; % 外环：位置、速度 x_ref = 0; x0 = [0; 0; 0.1; 0]; [t, z] = ode45(@(t,z) closedPendulum(t,z,M,m,l,g, ... Kp_t,Kd_t,Kp_x,Kd_x,x_ref), [0 10], x0, ... odeset('MaxStep', 1e-3)); subplot(2,1,1); plot(t, z(:,3)*180/pi); ylabel('theta (deg)'); subplot(2,1,2); plot(t, z(:,1)); ylabel('x (m)'); xlabel('t (s)'); function dz = closedPendulum(~,z,M,m,l,g,Kp_t,Kd_t,Kp_x,Kd_x,x_ref) x = z(1); vx = z(2); th = z(3); w = z(4); F = Kp_t*th + Kd_t*w - Kp_x*(x - x_ref) - Kd_x*vx; I = m*l^2; D = (M+m)*I - (m*l*cos(th))^2; ax = (I*F - m^2*g*l^2*sin(th)*cos(th) + I*m*l*w^2*sin(th)) / D; ath = (m*g*l*sin(th) - m*l*ax*cos(th)) / I; dz = [vx; ax; w; ath]; end

初始参数按 Kp_θ=40、Kd_θ=6 起调，内环闭环自然频率约 7.6 rad/s，阻尼比约 0.8；再叠加 Kp_x=2、Kd_x=1.5 的位置回路。整定顺序建议如下：

1. 只保留角度项，给定 0.1 rad 初始偏角，Kp_θ 从 20 往上加，回零太慢就加大，出现振荡就加 Kd_θ，目标是 3 秒内摆角收敛到 0.5° 以内。
2. 加入位置项，Kp_x 从 1 起调、Kd_x 取 0.8 左右，观察 x 是否在 5 秒内回到 ±1 cm。
3. 外环带宽保持在内环的三分之一到五分之一。如果小车还没到位摆角就开始抖，先降 Kp_x，而不是继续加内环增益。
4. 一旦出现“越控越倒”，优先查符号，而不是扫参数。把 F 里任一单向反向，整定就永远不收敛。

注意：以上增益依赖 θ 的符号约定和集中质量近似。换模型参数后，先跑一遍开环仿真确认失稳模态的数值，再按上述顺序重调。

4.3 LQR 参数设计：Q、R 怎么给不踩坑

全状态可测时，LQR 比手调 PID 省事得多。基于 2.3 节的 A、B，直接调用 lqr：

Q = diag([100 1 200 10]); % x, vx, theta, omega 的权重 R = 1; K = lqr(A, B, Q, R); eig(A - B*K) % 验证闭环极点

Q 的对角元素对应四个状态的重要程度：摆角权重最高（50~300），位置其次（10~100），角速度是阻尼项（5~20），小车速度权重最小。R 从 1 起调，R 越小控制越猛，但控制量高频抖动的风险也越大，实物上通常不敢比 0.1 更小。

有一个容易吓到人的现象：按本文 θ 约定，lqr 返回的 K 第三、四列是负数，这恰恰是对的。u = −K·x 展开后，负的 θ 系数会把角度项变成与直觉一致的正反馈方向。看到负号不要“好心”去修正，直接放进 u = −K·x 即可。PID 与 LQR 的取舍可以看下表：

当负载 m 或摆长 l 变化时，失稳模态的固有频率 ω_p = sqrt((M+m)g/(Ml)) 会跟着变，固定增益不再最优。常见的工程做法是在线辨识 ω_p，按频率查表切换 PID 或 LQR 增益，这就是自适应频率控制在一阶倒立摆系统上的落地形态；可以先在 Simulink 里用 Lookup Table 做增益调度验证，稳定后再搬到实物。

5. 一阶倒立摆移植实物前的离散化与验证技巧

5.1 控制器离散化与采样周期选择

实物控制器运行在 MCU 上，所有控制律必须写成差分方程。常见做法是用 c2d 把连续模型离散化，再用 lqrd 直接求解离散域的最优增益：

Ts = 0.005; sysd = c2d(ss(A,B,eye(4),zeros(4,1)), Ts, 'zoh'); Kd = lqrd(A, B, Q, R, Ts); % Q/R 沿用连续域设置

zoh 即零阶保持器，对应实物中 DAC 或 PWM 在每个采样周期内保持输出不变。采样周期从失稳极点倒推：4.65 rad/s 对应时间常数约 0.22 秒，闭环带宽通常设计在 10~20 rad/s，采样频率低于带宽 10 倍时离散化误差就会吃掉稳定裕度。电机控制里常见的 1 kHz 已接近下限，一般取 1~5 ms；摆杆惯量很大的场景才敢放到 10 ms 以上。

5.2 执行器饱和与抗积分饱和

实物电机的 PWM 输出有上限，仿真里要在 u 后面加 Saturation 模块，饱和值取电机连续出力的 ±80%。外环若引入积分项，饱和期间积分仍在累积，撤销饱和后控制器会大幅过冲，这是积分饱和的典型表现。简单的 clamping 抗饱和写法如下：

% 外环 PI 积分项，Ts 为控制周期 integral_x = integral_x + Ki_x*(x_ref - x)*Ts; F = Kp_t*th + Kd_t*w - Kp_x*(x - x_ref) - Kd_x*vx - integral_x; if abs(F) >= Fmax integral_x = integral_x - Ki_x*(x_ref - x)*Ts; % 冻结积分 end

饱和判断必须用叠加后的合力 F，而不是只看积分项本身，否则冻结逻辑会在控制器正常输出时误触发。这个细节在 Simulink 里经常被忽略，实物上板却发现小车反复冲过目标点。

5.3 上电前必跑的五项验证

仿真收敛只是起点，往实物移植前建议把以下五项跑完：一是大扰动测试，初始摆角 0.3 rad 时控制器仍能在 3 秒内回稳；二是参数拉偏，把 M 在 0.6~1.4 kg、m 在 0.05~0.2 kg 范围内扫一遍，记录稳定边界；三是噪声注入，给位置量测加 ±1 mm、角度量测加 ±0.5° 的白噪声，看控制量抖动幅度是否超过执行器承受范围；四是饱和检查，max(|F|) 必须低于电机连续出力的 80%；五是离散裕度，离散闭环极点的模值全部小于 0.95，并留 10% 以上的余量。实物上的摩擦力、齿隙和传感器延迟会把仿真里留的稳定裕度吃掉一大半，这五项里的余量至少按两倍准备，不要卡着稳定边界上电。

本文还有配套的精品资源，点击获取