基于粒子群优化调参的反步法跟踪控制在旋转式倒立摆系统中的快速控制原型仿真

摘要

本方案建立了一种标准化的快速控制原型程序，用于在固定步长的实时仿真环境中评估粒子群优化整定的反步法跟踪控制。

摘要

本方案的主要目标是提供一个可重复的固定步长仿真框架，用于评估基于粒子群优化（PSO）的非线性控制系统增益调参方法。该实现首先建立一种Furuta型摆模型，随后在2 ms固定步长执行环境中集成反步控制律。该方法包含系统性的四个阶段：表征非理想实现约束、定义多目标粒子群优化的搜索空间、执行自动离线调参，并通过一系列标准化的轨迹跟踪与抗扰测试场景评估所得参数。该仿真设置采用高性能工业级工作站和标准化信号接口，支持在同一控制架构下进行一致的重复试验比较。设计中将一个基准的手动调参反步控制器与一个采用相同控制结构的PSO优化版本进行对比，从而单独分离出增益选择的影响。控制器性能在三种不同运行场景下进行评估：阶跃轨迹跟踪、混合频率正弦信号跟踪以及扰动抑制。对10次重复试验的统计分析表明，基于PSO的优化将阶跃跟踪的均方根误差（RMSE）从0.065 rad降低至0.050 rad，并使摆杆峰值偏移减小了33.1%。这些性能提升的同时，控制输入的均方根（RMS）能耗降低了22.1%，表明优化参数在基于李雅普诺夫的框架内实现了更高效的能量分配。最终，该方法为在实际硬件实现之前评估非线性控制策略提供了一个结构化的仿真框架。

引言

倒立摆型 Furuta 旋转系统因其开环不稳定性和复杂的欠驱动动力学特性，成为验证非线性控制算法的基本基准^1,2,3。在进行面向实际应用的评估之前，这些理论设计需要经过严格的基于仿真的中间测试。因此，本实验方案建立了一个标准化、快速的控制原型仿真框架，用于在固定步长的仿真环境中系统评估粒子群优化（PSO）对反步跟踪控制器性能的影响。

在更广泛的研究文献中，已有大量研究探讨了通过结构改进和参数调节来提升旋转载倒立摆的控制性能。基于优化的设计方法较为普遍；例如，粒子群优化算法（PSO）已被用于控制器参数的选择，并被整合到模糊混合控制架构中^4,5。与其他生物启发式元启发算法相比，本框架特别选用PSO，因其在低维连续搜索空间中具有快速收敛的特性，且对超参数调节的需求极少。近年来的文献 increasingly 强调了智能优化算法在多样且复杂的控制场景中的必要性。例如，先进的优化技术已有效结合模型参考自适应控制（MRAC）和分数阶控制框架，以提高非线性伺服系统的跟踪精度^6,7

方案

本方案不涉及人类受试者、动物实验或临床样本。所有操作均在代表非线性机电控制系统的一个固定步长仿真环境中完全执行。本研究中未进行任何实际的旋转倒立摆实验、实物硬件在环验证或实际部署测试。

1. 被控对象构建与信号约定建立

1. 构建一个高保真的 Furuta 型旋转倒立摆仿真模型。为系统定义两个广义坐标：旋转臂角度 θ 和摆杆相对于竖直向上位置的偏转角度 α。
2. 将系统状态向量定义为 x = [θ, α, θ̇, α̇]T，并将 α = 0 设为不稳定的竖直平衡点。使用欧拉-拉格朗日方程建立数学被控对象模型，明确描述非线性惯性矩阵、科里奥利力以及耦合主动旋转臂与被动摆杆的重力向量²²。
3. 在被控对象、控制器及后处理脚本中，使用相同的编码器极性一致地定义正方向的 θ 和正方向的 α。
4. 严格采用表1中列出的名义机械与机电参数，建立固定步长的实时仿真求解器。根据材料表中指定的条件，在指定的实时执行环境中配置闭环系统。将控制器更新周期设为 2 ms，并确保数据记录间隔固定为 20 ms。
5. 在被控对象模型中引入三种特定的非理想效应，以模拟实际实现中的限制。在旋转臂和摆杆的反馈通道中分别注入均值为零、标准差为 0.003 rad 和 0.004 ra....

结果

粒子群优化（PSO）算法在复合目标函数上表现出快速的初始下降，随后进入逐步收敛阶段。具体而言，最优适应度值在第一个计算周期内即降至1.8757，而群体平均适应度在第35次迭代时从2.0573下降至1.2518。大部分收敛过程发生在最初的15到20次迭代期间。在此阶段之后，全局最优解的轨迹趋于收敛，表明粒子群已进入预定义搜索空间内的稳定区域，而非随机游走。最终由PSO得出的增益参数集保留了基准反步控制律的结构完整性，但在各稳定项之间重新分配了相对权重（表2）。如图1所示，该优化算法促使适应度函数迅速衰减，仅在35次迭代内便从初始探索阶段过渡至稳定的全局最优解。与手动调参的基准控制器相比，优化后的控制器采用了更大的k1和k2值、更小的误差曲面斜率λ以及更宽的边界层厚度ϕ。

步进跟踪性能

对比分析揭示了在阶跃跟踪实验中，两种控制器之间存在显著的性能差异，体现了该实验方案预期的优良与次优结果。基础反步控制代表.......

讨论

本研究的主要目的不仅是在孤立条件下宣称某一控制器优于另一控制器，而是要证明此处评估的基于粒子群优化（PSO）的增益优化框架能够在定义的模拟非理想场景下提升反步控制系统的性能。由于旋转式倒立摆具有高度非线性、非最小相位以及欠驱动等特性，因此非常适合作为本研究的评估基准²⁶。除了性能指标外，本实验方案的技术完整性还依赖于对实时仿真环境的系统性表征。其中一个关键实施步骤是精确引入8%的阻尼失配和4 ms的传感器延迟，因为这些特定的非理想效应可使PSO算法在与正式评估中相同的扰动条件下优化增益，而不仅仅是在理想化条件下进行优化。

通过在统一的固定步长执行条件下，对阶跃跟踪、正弦跟踪和抗干扰控制策略进行测试，仿真结果呈现出一致的性能趋势。值得注意的是，在阶跃响应和正弦响应中观察到的性能提升——具体表现为跟踪误差减小、超调量降低以及相位滞后减弱——同时伴随着均方根控制电压的显著下降。这表明优化过程并非通过使驱动单元饱和来简单提升跟踪精度，而是在现有的基于李雅普诺夫的反步控制框架内重新分配了控制能量。这种参数重新分配的一致性在很大程度上受到协议第2.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
高性能工作站（Windows 11 Pro）	Various / Custom Build	N/A	用于固定步长实时仿真和后处理的主机。
MATLAB（版本 R2024a）	MathWorks	https://www.mathworks.com/products/matlab.html	非线性被控对象建模、控制器编码、数据导出和参数管理。
Simulink（版本 R2024a）	MathWorks	https://www.mathworks.com/products/simulink.html	用于倒立摆系统（Furuta型）的框图模型构建及控制器执行。
Simulink Desktop Real-Time（版本 R2024a）	MathWorks	https://www.mathworks.com/products/simulink-desktop-real-time.html	用于在桌面环境中执行控制模型的固定步长实时内核。
Python（版本 3.11）	Python Software Foundation	https://www.python.org/	次要数据处理、统计分析和图表绘制。
NumPy（版本 1.26）	NumPy Developers	https://numpy.org/	对导出的试验数据进行数值数组运算。
pandas（版本 2.2）	pandas Developers	https://pandas.pydata.org/	重复试验数据的组织与汇总表格生成。
SciPy（版本 1.13）	SciPy Developers	https://scipy.org/	统计检验和信号分析工具。
Matplotlib（版本 3.8）	Matplotlib Developers	https://matplotlib.org/	用于生成收敛性、跟踪性能和分布图的图表。