快速控制原型仿真：粒子群优化调优回步跟踪控制的旋转倒摆

摘要

该协议建立了一套标准化的快速控制原型程序，用于在固定步长实时仿真环境中评估粒子群优化调优的回溯跟踪控制。

摘要

该协议的主要目标是提供一个可重复的固定步进仿真框架，用于评估非线性控制系统中基于粒子群优化（PSO）的增益调优。实现始于构建古田型摆模型，随后在2毫秒固定步执行环境中集成回溯控制器。该方法论包含系统的四阶段过程：表征非理想实现约束、定义多目标粒子群优化搜索空间、执行自动离线调优，并通过标准化的轨迹跟踪和干扰抑制场景评估所得参数。该配置利用高性能工业工作站和标准化信号接口，支持在同一控制架构内进行一致的重复试验比较。该设计将基础手动调校的倒退步控制器与共享完全相同控制结构的PSO优化版本进行了比较，从而隔离了增益选择的影响。控制器性能在三种不同的操作场景下进行评估：步进轨迹跟踪、混合频率正弦跟踪和扰动抑制。对10项重复试验的统计分析显示，基于PSO的优化将步进跟踪RMSE从0.065降至0.050弧度，并将摆锤峰值振幅衰减了33.1%。这些改进同时实现了RMS控制工作量减少22.1%，表明优化参数促进了基于柳普诺夫框架的更高效能量分配。最终，该方法论提供了一个结构化的仿真框架，用于在后续物理硬件实现前评估非线性控制策略。

引言

古田型旋转倒摆因其开环不稳定性和复杂的欠致动动力学^1,2,3，成为验证非线性控制算法的基本基准。在考虑实现导向评估之前，这些理论设计需要严格的基于仿真的中间测试。因此，该协议建立了一个标准化的快速控制原型仿真框架，系统性地评估粒子群优化（PSO）在固定步进模拟环境中对回步跟踪控制器的性能变化。

在更广泛的文献中，许多研究探讨了结构修改和参数调谐以改善旋转倒摆控制的方法。基于优化的设计很普遍;例如，PSO已被用于选择控制器参数，并集成到模糊混合控制架构^4,5中。与其他仿生元启发式方法相比，PSO因其在低维连续搜索空间中的快速收敛性和极低的超参数调优要求而被特别选用于该框架。近期文献越来越强调在多样且复杂的控制场景中，智能优化算法的必要性。例如，先进的优化技术已与模型参考自适应控制（MRAC）和分数阶框架有效结合，以提升非线性伺服装置的跟踪精度 ^6,7。此外，基于优化的调优在管理复杂机^{电系统中的}耦合动力学和固有约束方面被证明具有极大优势 ^8,9。

最新研究验证了PSO及其混合变体显著提升了光伏阵列中最大功率点跟踪的效能，展示了在部分遮蔽条件下的稳健参数识别能力¹⁰。在机器人领域，PSO已被成功用于优化并联机械臂的增强线性和非线性比例导数控制设计，从而最小化轨迹跟踪误差¹¹。此外，PSO与自适应后退滑动模式控制的集成，已被证明对于抑制气动人工肌肉驱动悬挂质量的振动^{至关重要。}除了基本参数选择外，现代信号处理和稳健优化策略的整合对于在现实噪声物理条件下保持闭环稳定性至关重要^13,14。

近期的研究还聚焦于在不确定条件下同时实现关节角度跟踪和摆锤稳定，采用了稳健广义动态反演¹⁵和自适应神经估计¹⁶。此外，倒退控制架构已被广泛演进以应对各种机械系统的复杂扰动，例如采用滑动模式设计以抑制建筑振动，利用准滑动观察器进行电子节气门阀，以及集成非线性扰动观察器以实现高精度直流电机转速调节 17,18,19.这些多样化的应用凸显了回步设计在结合稳健估计或优化策略时的多功能性。

当代文献中一个关键的弱点是将结构控制器的修改与参数调优的益处混为一谈。许多比较研究对比了完全不同的控制架构，使得无法判断性能提升是来自基本算法还是仅仅来自更优的增益选择 ^20,21。此外，现有的模拟研究通常假设理想运行条件，仅关注基本稳定。它们经常未能解决因现实实现限制而导致的性能下降。该方法直接解决了这些空白。通过在动态轨迹跟踪范式中引入模拟采样延迟、传感器噪声和阻尼不匹配，所提协议评估了PSO对固定控制结构的优化效果。

与传统数值积分不同，该协议通过将参数调优效能与结构控制器变体解耦，同时强制执行固定步长时序约束来实现差异化。该方法并非引入新的控制架构，而是在固定步实时仿真环境中评估单个回溯跟踪控制器。通过将手动调优的基线与同款控制器的PSO优化版本进行比较，该协议旨在将步进跟踪、正弦跟踪和干扰抑制的差异归因于增益优化过程。本研究的主要贡献是开发了一种基于基准的实时仿真协议，将基于PSO的增益选择与结构控制器变异的影响隔离开来。

具体来说，这项工作是：（1）建立一个2毫秒的固定步骤执行环境以模拟实现约束;（2）集成了包括阶跃、混合频率正弦波和扭矩脉冲扰动场景在内的多维评估套件;以及（3）为比较在标准化模拟非理想条件下增益调优效应提供定量基准。该方法专为需要在固定步进时序、测量噪声、延迟、阻尼失配和饱和约束下进行非线性控制规律的中间仿真-评估阶段的控制研究人员和系统工程师设计。它特别适用于欠致动机电系统，在这些系统中，跟踪精度和内部状态稳定性必须在现实测量噪声和通信延迟下进行平衡。

方案

该方案不涉及人体受试者、动物试验或临床样本。这些过程完全在一个固定步进的仿真环境中执行，该环境代表了一个非线性机电控制系统。本研究未进行物理旋转倒摆实验、硬件在环验证或物理部署测试。

1. 工厂建设与信号约定的建立

1. 构建一个高保真模拟的古田型旋转倒摆模型。为该系统定义两个广义坐标：旋转臂角θ，以及摆与垂直方向的偏角α。
2. 定义系统状态向量为 x = [θ， α， θ̇， α̇]T，α = 0 为不稳定的直立平衡。利用欧拉-拉格朗日方程构建数学植物模型，明确定义将主动旋转臂与被动摆²²耦合的非线性惯性矩阵、科里奥利力和引力矢量。
3. 定义正θ和正极 α，在工厂、控制器和后处理脚本中始终使用相同的编码极性。
4. 严格利用 表1中描述的名义机械和机电参数建立固定步实时仿真求解器。在材料 表中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置为2毫秒，并确保数据记录间隔固定为20毫秒。
5. 在工厂模型中加入三个特定的非理想效应，以模拟现实的实现限制。向臂反馈通道和摆反馈通道分别注入零均值白噪声，标准差为0.003辐射和0.004辐射。
6. 在测量的摆钟信号中引入4毫秒的传输延迟。同时，将模拟的工厂阻尼系数相对于控制器设计中用于模拟不匹配的标称值提高8%。
7. 电机指令输出严格限制在±10伏。
   注意：在|θ|超过0.70 rad，或者如果|α|辐射度超过0.35。此外，应实现看门狗定时器，当控制命令在±10伏饱和限制超过100毫秒时触发系统重置。

2. 初始状态条件与前置词

1. 每次测试前将系统初始化为向下静止状态。
2. 执行一个预置任务，将摆锤摆到倒置位置并启动稳定控制器。将此预置阶段排除在正式绩效评估之外。
3. 在确认摆偏差连续保持在垂直平衡±0.05弧度内至少1.0秒后，开始正式数据收集，从而使所有评估试验的动态初始条件几乎可比。
4. 满足此条件后，将试用时间重置为0.0秒，并立即开始执行指定的设定点配置文件。确保所有管制员采用相同的预置程序，并符合相同的验收标准。

3. 基线回步控制器实现

1. 根据指令臂角参考θr（t），使用方程定义跟踪误差eθ（t）
   eθ（t） = θr（t） − θ（t） （1）
2. 根据方程2构造复合滑动曲面s（t）。在此表述中，定义λ为严格正误差曲面斜率系数。
   s（t） = ėθ（t） + λeθ（t） （2）
3. 通过将名义模型的补偿项与一个稳定误差的比例项积分来制定参考回步控制器。数学上定义跟踪误差变量为 z1 = eθ（t） 和 z2 = s（t）。
4. 进行李雅普诺夫稳定性分析以评估跟踪误差收敛性。对所选控制的李雅普诺夫函数 V = 1/2z1² + 1/2z²² 微分，得出 V̇ = z1ż1 + z2ż2。将表述的控制律代入该导数，以验证 V̇ ≤ −k1z1² − k2z2² ≤ 0。这种负半定条件理论上确保闭环系统误差收敛到原点。
5. 约束后续的PSO算法，使其在选择保持基于李雅普诺夫的稳定性条件的边界内探索多维参数空间。
6. 用连续饱和函数sat（x/φ）替代不连续符号函数，以减少接近平衡点的高频抖动，遵循标准边界层回溯实践²³。定义φ为用于平滑方程3中控制转移的边界层宽度。
   sat（x/φ） = 1，x/φ > 1;SAT（x/φ） = x/φ 对于 |x/φ|≤ 1;SAT（x/φ） = −1，当x/φ < −1 （3）
7. 通过应用一阶滤波后向差分算法，截止频率为25 Hz，估算位置测量的角速度。
8. 应用 表2 中列出的固定基线增益（k1 = 3.60，k2 = 1.95，λ = 2.10，φ = 0.12）。正式测试开始后不要调整这些数值。

4. 通过粒子群优化（PSO）实现回步增益优化

1. 在实时评估前先进行离线调优。利用配置为20粒子的PSO优化四个控制器参数（k1、k2、λ和φ），并严格限制执行次数为35次²⁴次。在该阈值处终止优化，以防止不必要的计算开销，因为实证离线调优表明群体在前20次迭代内始终收敛到稳定的全局最佳适应度值。
2. 在指定的搜索边界内均匀初始化粒子：k1 ∈ [2.5， 5.5]， k2 ∈ [1.2， 3.0]， λ ∈ [1.2， 2.8]， φ ∈ [0.05， 1.20]。
3. 在20秒离线训练场景下评估每个粒子。确保该评估环境严格复制正式实时试验中确定的饱和限制、传感器噪声、延迟和阻尼不匹配。
4. 将最小化目标函数表述为 J = 0.55RMSE + 0.25max|α|+ 0.20RMSU。
5. 使用固定基线参考值对这三个目标组件进行归一化，该值计算为在启动群搜索前执行的五次初始基线运行的平均值。在整个优化过程中严格保持这些归一化常数。
6. 在优化过程中，将惯性权重从0.90线性降低到0.40。将两个加速度系数都固定在1.50。
7. 为任何在评估阶段触发安全停止的颗粒构型设定预定的罚金成本。
8. 完成最终迭代后直接提取全局最佳解，并将其指定为优化控制器。
9. 实现 表2 中详细的优化增益，适用于所有正式PSO优化的实时试验（k1 = 4.19，k2 = 2.44，λ = 1.83，φ = 0.92）。

5. 实时执行平台配置

1. 在快速控制原型制作（RCP）固定步实时仿真环境中同时执行控制逻辑和数学工厂模型。使用具有足够计算能力的高性能工业工作站作为实时目标机器。通过虚拟模拟输出和编码输入通道将控制算法与模拟的工厂动力学接口，模拟实现级信号约束。
2. 强制执行严格的2毫秒间隔以确定实时步长。请参阅 表3 ，了解硬件和执行设置的全面总结。
3. 每次试炼前都要重置所有手柄状态。
4. 将参考值设为零，并在直立位置收集一个2.0秒的基线数据段。在启动指定跟踪配置文件前，检查该窗口以确认没有异常饱和事件或传感器漂移。
5. 每次新试验，通过从预定义种子数组中选取独立种子，重新生成测量噪声实现。

6. 步进跟踪测试执行

1. 应用一个20秒的分段步进序列，定义为θr = 0弧度，从2.0秒到10.0秒，θr = 0.50弧度，θr = 0.20弧度，从10.0秒到20.0秒。
2. 对基线控制剂进行10项有效试验，PSO优化控制剂进行10项有效试验。
3. 在每次试验中，连续记录经过时间、参考角度、测量臂角、跟踪误差、摆摆偏差和控制电压。
4. 在t = 2.0秒发生0.50辐射步进输入后，评估瞬态性能。
5. 计算上升时间，定义为测量臂角响应从目标设定点的10%转变到90%所需的持续时间。
6. 计算超冲是指峰值角偏差超过0.50辐射目标的百分比。
7. 计算稳定时间，确定为响应在0.50辐射目标±2%范围内，且持续时间至少为1.0秒。
8. 任何在10.0秒前未达此和解条件的审判应标记为未决。严格排除它在稳定时间平均计算之外，而保留它用于所有其他指标。
9. 通过对时间窗口内的跟踪误差进行平均，计算稳态误差，时间窗口范围从9.0秒到10.0秒。

7. 正弦跟踪测试执行

1. 注入一个20秒的混合频率正弦参考轨迹，由方程4控制。
   θr（t） = 0.26sin（2π·0.10t） + 0.12sin（2π·0.30t + 0.40） rad （4）
2. 为每个控制器配置完成10次有效试运行。
3. 提取每个试次的完整试次跟踪RMSE、最大绝对跟踪误差、控制RMS电压、最大绝对摆偏差和相位滞后。
4. 通过在指定的搜索窗口±0.50秒内，将测量的臂角轨迹与指令参考进行交叉相关来估算相位滞后。当测量输出在时间上跟随参考信号时，将延迟记录为正值。

8. 干扰拒绝测试执行

1. 在整个20秒内，将手臂角度参考严格保持在0辐射。
2. 在恰好6.0秒处注入一个加法电机侧扭矩脉冲，并在12.2秒处施加第二个相同的脉冲。
3. 将扰动幅度设置为0.030 N·m，并将两次注入事件的脉冲宽度设为0.12秒。每位控制员完成10个有效试验。
4. 计算每次脉冲起始后0.50秒窗口内的峰值绝对跟踪误差。确定并保留较大者作为该试验的代表性扰动后峰值误差。
5. 计算恢复时间，定义为从脉冲开始到首次记录采样时刻（其中|eθ|≤ 0.010 辐射。不要插值子样本恢复时间，因为数据记录严格以20毫秒间隔进行。
6. 积分绝对跟踪误差，累计计算控制有效值电压，累计20秒试运行。

9. 数据导出与统计汇总

1. 将阶梯测试、正弦波测试和扰动测试的原始时域数据集导出为独立数据文件。
2. 将重复试验指标组织为结构化矩阵格式，每个试验分配一行，每个评估指标指定一列。
3. 严格排除标记为不完整或因安全停查终止的试验。通过在相同条件下进行额外试验替换每一次排除的运行，以确保每个测试场景的最终数据集仅包含每个控制组10个有效试验。
4. 将累计的重复试验结果报告为平均±标准差。
5. 利用Shapiro-Wilk检验²⁵评估提取指标的分布正态性。
6. 利用双尾独立样本t检验分析基线与优化控制变量之间的统计差异，以分析正态分布数据。对任何表现出非正态分布的参数应用曼-惠特尼U检验。
7. 将统计显著性阈值设定在p < 0.05。

结果

粒子群优化（PSO）算法展示了复合目标函数的快速初始减小，随后经历了一段渐进收敛期。具体来说，最优适应度在第一个计算周期内降至1.8757，而平均群体适应度在第35次迭代时从2.0573降至1.2518。大部分趋同发生在最初的15到20次迭代中。在此阶段之后，全局最佳解的轨迹趋于收敛，表明群体已到达预定义搜索空间内的稳定区域，而非随机游走。最终由PSO导出的增益集保持了基线倒退规律的结构完整性，但将相对权重重新分配到稳定项之间（见表2）。如 图1所示，优化算法促进了适应度函数的快速衰减，从初始探索阶段转变为35次迭代内稳定的全局最佳解。与手动调优基线相比，优化后的控制器在k1和k2上采用了更大的值，降低了误差面斜率λ，以及更宽的边界层φ。

步进跟踪性能

比较分析显示，两位控制器在步进跟踪实验中存在明显的性能差异，展示了该方案预期的积极和次优结果。基线后退控制代表典型的次优结果;虽然在2.0秒注入0.50辐射指令后保持整体稳定性，但初始上升速率过早偏离目标轨迹，导致持续残余振荡，且收敛时间较长。相反，PSO优化的控制器表现出具有代表性的积极结果，特点是设定点的快速阻尼处理而不触发命令饱和。经过十次连续试验，优化控制器将步进跟踪RMSE从0.065±0.002辐射降至0.050±0.002辐射率（Welch t检验，p < 0.001，表4）。瞬态指标也有所改善：超冲从4.644±0.604%降至3.627±0.620%（Mann–Whitney U，p = 0.009），上升时间从0.788±0.025秒缩短至0.548±0.025秒（Mann–Whitney U，第<0.001秒）。这些性能差异如图2和图3所示，优化后的响应表现得更好，设定点收敛更快。这一精度提升同时实现了均方根控制电压的22.1%（从0.669±0.004伏降至0.521±0.003伏）。同时，最大摆臂摆动减弱了33.1%，从5.812°降至3.889°（见表4）。此外，虽然没有基线试验在10.0秒内满足1.0秒的沉降标准，但优化后的控制器在70%的试验中成功稳定，平均沉降时间为1.057±0.348秒。

正弦跟踪性能

两种控制策略在20秒测试期间均保持混频正弦参考下的有界跟踪。尽管表现差距在视觉上不如步骤反应测试明显，但多次试验的统计结果显示，优化方法的表现有所提升。基线控制信号表现出更宽的跟踪误差包线，且明显落后于目标波形。相比之下，优化后的控制器在低频和高频变化期间更紧密地跟踪设定点，从而实现了沿参考轨迹更紧密的峰值误差分布。因此，优化后，完整试验的RMSE从0.061±0.003辐射降至0.040±0.003辐射。如 表5所述，优化后的控制器还将控制有效值电压从0.557±0.002V降至0.402±0.002V），并将摆的最大位移从2.156±0.079°限制为1.464±0.061°，表明相位同步和能效有所提升（p < 0.001， 表5; 图4）。

干扰抑制与跨场景鲁棒性

在6.0秒和12.2秒处注入加法扭矩脉冲，导致基线控制器响应时臂角偏差更大，摆摆幅度也更大。虽然优化后的控制器也能立即捕捉到这些扰动，但其扰动后的振幅较低。趋向零参考均衡的恢复过程呈现出较快的质的趋势（从0.014秒到0.000秒）;然而，该具体指标未达到统计显著性（p = 0.078），主要因为20毫秒的数据记录分辨率诱发了可测量的底线效应。经过多次试验，优化参数化降低了扰动后的峰值误差。在20秒间计算的绝对误差积分（IAE）从0.377±0.012降至0.248±0.015，同时控制有效值电压也从0.656±0.003伏降至0.508±0.005伏。摆锤振荡的最大振幅同样从11.456±0.117°减弱至7.561±0.063°（表6）。控制员的排名在三种测试配置文件中保持一致。PSO优化的回步策略降低了瞬态误差，减少了稳态不准确率，并最小化了被动摆的行程（p < 0.001， 见表6; 图5）但不会要求整体执行器负载增加。主要绩效指标的跨试验分布总结于 图6。

数据可用性：

用于生成图表和表格的支持数据集，包括代表性数据、试验级指标、预定义的随机种子和PSO调优记录，已存放在Zenodo中，并以DOI 10.5281/zenodo.20395966公开发布。

图1：控制器调优中的粒子群优化收敛。（A） 群组在35次迭代中的最佳适应度值;（B） 每个时间点的平均适应度值。复合物镜在初始探索阶段迅速衰减，但随着收敛到PSO优化的回溯控制律的稳定区域，衰减速度逐渐减缓。 请点击此处查看该图的放大版本。

图2：基线和PSO优化后退步控制器的代表性步进响应。 （A） 指令臂角参考及测量臂角响应，完整20秒步进序列;（B）放大显示0.50辐射步进后立即响应，2.0秒;（C）第二个0.20辐射指令段后响应的放大视图，从10.0秒开始。优化后，PSO优化的控制器相比基础控制器展现出更快的上升时间、更低的峰值误差和更好的阻尼。 请点击此处查看该图的放大版本。

图3：臂角跟踪误差及两个控制器下的控制行为。 （A） 完整步进跟踪测试期间臂角跟踪误差;（B）同一试验的控制电压信号;（C） 阶跃响应时的摆偏角。优化后的控制器显示出更小的误差波动，更窄的振荡范围，并且在较低的RMS指令水平下运动相对更平稳。 请点击此处查看该图的放大版本。

图4：混合频率参考下的代表性正弦跟踪性能。 （A） 在20秒跟踪实验中测量正弦波参考并测量臂角响应;（B） 在同一时间范围内的跟踪误差;（C） 正弦跟踪过程中摆的偏角。PSO优化的控制器比基线控制器更准确地跟踪复合命令，显示出相位延迟更小，连续周期的误差范围也更小。 请点击此处查看该图的放大版本。

图5：零参考调控下的代表性干扰-拒绝反应。 （A） 扰动-排除测试中的臂角跟踪误差，包括6.0秒和12.2秒的扭矩脉冲扰动;（B）同一试验中的摆偏差角;（C）在干扰抑制过程中控制电压信号。与基线控制器相比，PSO优化后的控制显示出更小的干扰后最大偏差，且更快地恢复到设定点。 请点击此处查看该图的放大版本。

图6：三种测试情境下主要绩效指标的跨试验分布。 （A）步进跟踪RMSE;（B）步进跟踪上升时间;（C）正弦跟踪RMSE;（D） 正弦相位滞后;（E）扰动后峰值跟踪误差;（F） 在扰动-拒绝条件下的最大摆位移。每个面板显示了在每个控制条件下10项有效试验的分布情况。直接比较基线和PSO优化后退控制系统的中心趋势和色散。 请点击此处查看该图的放大版本。

参数	象征	价值	单位
旋转臂长	一	0.215	m
摆的质心长度	Lp	0.168	m
旋转臂质量	MR	0.254	KG
摆质量	MP	0.097	KG
臂粘性阻尼	Br	0.0031	N·m·s/rad
摆锤粘性阻尼	BP	0.0018	N·m·s/rad
电机扭矩常数	Kt	0.053	无 m/A
编码器分辨率	Nenc	4096	伯爵/rev
控制器更新期	Ts	0.002	s

表1：非线性旋转倒摆模型的标称系统参数。 实时非线性工厂模型和控制系统开发的标称几何、惯性、阻尼、驱动和传感器参数列表。在正式测试应用时添加的阻尼不匹配是独立的，且不计入这些名义数据。

控制器	增益	价值	描述
基线后退步	K1	3.6	手工调校的初始稳定增益
基线后退步	K2	1.95	手工调优的虚拟控制增益
基线后退步	λ	2.1	误差曲面斜率
基线后退步	φ	0.12	边界层宽度
PSO优化的回退	K1	4.19	经过35次迭代后的全局最佳粒子
PSO优化的回退	K2	2.44	经过35次迭代后的全局最佳粒子
PSO优化的回退	λ	1.83	经过35次迭代后的全局最佳粒子
PSO优化的回退	φ	0.92	经过35次迭代后的全局最佳粒子

表2：基线后退步控制器增益与PSO优化后退步控制器增益。 下表展示了两个控制器工作状态下的增益组合。基础数值在手动调校时固定;PSO优化增益指的是经过35次优化迭代后保留的最终全局最佳粒子。

项目	规格
实时目标计算机	工业PC，Intel i7级CPU，16GB RAM
执行模式	固定步实时仿真
控制器更新期	2毫秒
信号输出间隔	20毫秒
信号接口	编码器输入和模拟输出，±10 V
工厂配置	非线性古田型旋转倒摆模型
注入非理想效应	测量噪声、摆通道延迟和阻尼不匹配
测量噪声	臂角辐射0.003;摆角0.004的弧度
摆通道延迟	4毫秒
植物阻尼不匹配	+8% 相对于名义控制模型
命令饱和	±10 V
安全停止标准	|θ|> 0.70 rad， |α|> 0.35 辐射，或饱和度> 100毫秒
预置接受	|α|≤ 在试炼开始前至少1.0秒内维持0.05辐射
步距参考配置文件	0 辐射（0.0-2.0秒），0.50 辐射（2.0-10.0秒），0.20 辐射（10.0-20.0秒）
正弦参考轮廓	0.26 sin（2π·0.20t） + 0.12 sin（2π·0.30t + 0.40） rad
干扰协议	两次加力矩脉冲分别为6.0秒和12.2秒
扰动幅度与宽度	0.030牛·米，0.12秒
每个控制器和场景的有效试验	10

表3：实时模拟环境、信号设置及试验资格规则。 执行平台、控制器刷新率、信号输出间隔、非理想效应注入、安全停止条件、参考轨迹、干扰设置及有效试验标准的总结。

度规	基线后退 n=10	PSO优化回溯 n=10	p 值	统计检验
跟踪RMSE（辐射）	0.065 ± 0.002	0.050 ± 0.002	<0.001	韦尔奇t检验
稳态误差，9.0–10.0秒（辐射）	-0.007 ± 0.001	-0.004 ± 0.001	<0.001	曼恩-惠特尼大学
超频（%）	4.644 ± 0.604	3.627 ± 0.620	0.009	曼恩-惠特尼大学
上升时间	0.788 ± 0.025	0.548 ± 0.025	<0.001	曼恩-惠特尼大学
安定时间	无有效的定案审判（0/10）	1.057 ± 0.348（7/10有效已解决审判）	匿名	不是比较
控制RMS（V）	0.669 ± 0.004	0.521 ± 0.003	<0.001	韦尔奇t检验
最大摆偏差（度）	5.812 ± 0.156	3.889 ± 0.109	<0.001	韦尔奇t检验

表4：每个控制组10个有效试验的步进跟踪性能指标。 下表呈现了步进跟踪实验的重复试验总结统计数据，包括跟踪RMSE、稳态误差、超冲、上升时间、设定点收敛速度、控制RMS电压和最大摆偏差。除非另有说明，数值均±标准差报告。

PSO优化回溯 n=10	p 值	统计检验
0.040 ± 0.003	<0.001	韦尔奇t检验
0.088 ± 0.006	<0.001	韦尔奇t检验
0.232 ± 0.019	<0.001	韦尔奇t检验
0.402 ± 0.002	<0.001	韦尔奇t检验
1.464 ± 0.061	<0.001	韦尔奇t检验

表5：每个对照组在10项有效试验中正弦波跟踪性能指标。 下表呈现了正弦跟踪测试的重复试验总结，包括全试次均方根误差（RMSE）、最大绝对跟踪误差、相位滞后和控制均方值电压。还提供了最大的摆偏差。正相位滞后表示测量输出会落后于设定点。

p 值	统计检验
<0.001	韦尔奇t检验
0.078	曼恩-惠特尼大学
<0.001	韦尔奇t检验
<0.001	韦尔奇t检验
<0.001	韦尔奇t检验

表6：每个控制组10项有效试验中的干扰-排斥性能指标。 干扰-排除实验的重复试验数据包括扰动后跟踪峰值误差、恢复时间、绝对误差积分（IAE）、控制均方根电压和最大摆偏差。根据信号导出设置，可测量的恢复时间受限于20毫秒的日志周期。

讨论

本研究的主要目标不仅是宣布某个控制器在孤立条件下优于另一个，而是证明本研究评估的基于PSO的增益优化框架能够提升回步控制器在定义的模拟非理想场景下的性能。旋转倒摆因其高度非线性、非最小相位和欠^{驱动特性，}是评估的极佳基准。除了性能指标外，该协议的技术完整性还取决于对实时仿真环境的精心刻画。一个关键的实现步骤是受控注入8%阻尼不匹配和4毫秒传感器延迟，因为这些特定的非理想效应使PSO算法能够在形式评估中使用的相同扰动下优化增益，而非仅在理想条件下。

通过在统一固定步进执行设置下，通过步进跟踪、正弦跟踪和干扰抑制协议测试控制策略，模拟结果显示出稳定的性能趋势。值得注意的是，步进响应和正弦响应均有显著提升——特别是跟踪误差减少、超冲最小化和相位滞后减弱——同时均方根控制电压也显著下降。这表明优化过程不仅仅是通过饱和驱动单元来提升跟踪精度;相反，它将控制工作重新分配到现有基于李雅普诺夫的倒退框架内。该参数重新分配的一致性受到协议步骤2.4中定义的预置接受标准的显著影响。严格确保摆锤持续保持在指定的平衡窗口内至关重要;否则，初始瞬变不稳定可能导致成本函数过早停滞或在随后离线调谐阶段出现非收敛群体行为。对于欠致动机械系统，这种重新分配很重要，因为它决定了如何分配控制力以管理主动坐标（旋转臂）与被动坐标（摆）之间的耦合²⁷。

此外，臂角跟踪误差和摆内振偏差的同时降低凸显了该调谐协议的优势。在欠驱动系统的控制中，以牺牲内部不稳定状态为代价实现精确坐标跟踪通常被认为是次优甚至失败的设计。优化的控制定律将未驱动摆的反作用幅度降低了33.1%，同时提高了跟踪精度。这一综合改进表明，PSO算法识别出一种增益组合，更好地平衡了主动与被动坐标之间的非线性耦合，而不是依赖可能放大寄生振荡的高增益反馈。这种平衡的性能比单纯轨迹跟踪更能反映控制效能，因为它表明能量转换过程中内部状态动态得到了充分的界限²⁸。同样，干扰抑制结果支持了优化增益在模拟测试条件下的实际鲁棒性。虽然20毫秒的测井间隔诱发了底效应，模糊了精确的子样本恢复时间，但峰值扰动后误差、累计绝对误差和最大摆位移的同时减少表明，优化参数限制了外部脉冲注入在系统动力学中的传播程度²⁹。

该协议的成功执行需要解决常见的实现瓶颈。例如，如果群体轨迹在35次迭代内未能稳定，研究人员应首先验证第4.2步协议规定的搜索边界是否充分涵盖稳定的李雅普诺夫区域。此外，如果实时目标机在干扰排除阶段频繁触发安全停止，平台支持的话，缩短控制器更新周期，或优化后差滤波器截止频率，有助于保持闭环完整性而不破坏优化逻辑。

尽管取得了这些令人期待的结果，但该方法论仍受限于模拟环境固有的抽象性。该协议考虑了采样延迟、指令饱和、阻尼不匹配和测量噪声等因素，这些因素在纯离线数值积分中常被忽视。然而，本研究未包括物理旋转倒摆实验、硬件在环验证或物理部署测试。因此，研究结果应被视为基于模拟的证据，说明基于PSO的增益调谐在指定固定步进和非理想仿真条件下的性能效应。未来工作可能会在模拟中加入额外的摩擦、执行器、顺应性和量化效应，扩展建模不确定性，然后再考虑任何单独的硬件导向研究^30、31、32。

本研究建立了一种快速控制原型仿真协议，用于评估基于PSO的增益优化，用于回步控制。10次重复试验的定量结果表明，优化后的控制器将步进跟踪RMSE从0.065降至0.050辐射，且与手动调优基线相比，RMS控制工作量减少了22.1%。摆动中33.1%的衰减表明在模拟非理想条件下内部状态稳定性有所提升。虽然该模拟环境包含噪声、延迟、阻尼不匹配和饱和，但并不能完全复制物理系统中常见的复杂库仑摩擦、电机死带、结构顺应性或传感器量化。未来工作将重点扩展模拟模型，纳入更多非理想效应，并测试相同的排名模式是否在更广泛的模拟不确定性条件下保持稳定。

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）	各种/自定义构建	N/A	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	非线性植物建模、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Furuta型摆和控制器执行的模型构建。
Simulink Desktop Real-Time（版本R2024a）	MathWorks	https://www.mathworks.com/products/simulink-desktop-real-time.html	用于控制模型的桌面执行的固定步长实时内核。
Python（版本3.11）	Python软件基金会	https://www.python.org/	次要数据处理、统计处理和图表准备。
NumPy（版本1.26）	NumPy开发者	https://numpy.org/	用于导出的试验数据的数值数组操作。
pandas（版本2.2）	pandas开发者	https://pandas.pydata.org/	重复试验数据组织和摘要表生成。
SciPy（版本1.13）	SciPy开发者	https://scipy.org/	统计测试和信号分析实用程序。
Matplotlib（版本3.8）	Matplotlib开发者	https://matplotlib.org/	生成收敛、跟踪和分布图表。