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。此外，基于优化的参数整定在处理复杂机电系统的耦合动力学特性及固有约束方面已显示出显著优势^8,9。

近期研究表明，粒子群优化算法（PSO）及其混合变体能够显著提升光伏阵列最大功率点跟踪的效率，在部分遮阴条件下表现出强大的参数辨识能力¹⁰。在机器人领域，PSO 已成功用于优化并联机械手的增强型线性与非线性比例-微分控制设计，有效减小轨迹跟踪误差¹¹。此外，将 PSO 与自适应反步滑模控制相结合，已被证实对抑制气动人工肌肉驱动的悬挂质量系统的振动具有关键作用¹²。除了基本参数选择外，在真实且存在噪声的物理条件下，现代信号处理技术与鲁棒优化策略的融合对于维持闭环稳定性至关重要^13,14。

近年来的研究还集中于在不确定条件下利用鲁棒广义动态反演¹⁵实现关节角度同步跟踪与倒立摆稳定控制，以及采用自适应神经网络估计方法¹⁶。此外，反步控制架构已得到广泛发展，可用于应对多种机械系统中的复杂干扰，例如结合滑模设计以抑制建筑物振动、利用拟滑模观测器控制电子节气门、以及集成非线性扰动观测器实现高精度直流电机转速调节^17,18,19。这些多样的应用凸显了反步设计方法在结合鲁棒估计或优化策略时所具备的广泛适应性。

当前文献中存在的一个关键缺陷是将控制器结构改进与参数调优带来的优势混为一谈。许多比较研究对比的是完全不同的控制架构，导致无法判断性能提升究竟源于基础算法本身，还是仅仅由于更优的增益选择^20,21。此外，现有的仿真研究通常假设理想运行条件，且仅关注基本的稳定性控制，往往未能考虑实际实现中由各种限制因素所引起的性能下降问题。本方法直接针对这些不足之处，通过在动态轨迹跟踪框架中引入模拟的采样延迟、传感器噪声以及阻尼失配，评估粒子群优化算法（PSO）在固定控制结构上的优化效果。

与传统的数值积分方法不同，本方案通过在固定步长时间约束下，将参数调优的有效性与控制器结构变化解耦，从而实现区分。该方法并非引入一种新的控制架构，而是在固定步长的实时仿真环境中，评估单一的反步跟踪控制器。通过将手动调优的基线版本与完全相同的控制器经粒子群优化（PSO）优化后的变体进行比较，本方案旨在将步进跟踪、正弦跟踪和抗干扰性能中观察到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面向基准测试的实时仿真方案，能够将基于PSO的增益选择影响与控制器结构变化的影响分离开来。

具体而言，本研究：（1）建立了一个2 ms固定步长的执行环境，以模拟实际实现中的约束条件；（2）集成了一套多维度评估体系，包括阶跃响应、混合频率正弦信号以及转矩脉冲扰动等测试场景；（3）在标准化的非理想仿真条件下，提供了用于量化比较增益调参效果的基准。该方法专为控制领域研究人员和系统工程师设计，适用于在固定步长时间、测量噪声、延迟、阻尼失配和饱和约束下，对非线性控制律进行中间阶段的仿真与评估。该方法尤其适用于欠驱动机电系统，在此类系统中，需在真实的测量噪声和通信延迟条件下平衡轨迹跟踪精度与内部状态稳定性。

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 rad 的白噪声。
6. 在测得的摆杆信号中引入 4 ms 的传输延迟。同时，将仿真被控对象的阻尼系数相对于控制器设计中使用的名义值增加 8%，以模拟建模失配。
7. 将电机控制命令输出严格限制在 ±10 V 范围内。
   警告：配置软件级安全停机机制，当 |θ| 超过 0.70 rad 或 |α| 超过 0.35 rad 时立即终止试验。此外，实现看门狗定时器，若控制命令在 ±10 V 饱和极限持续超过 100 ms，则触发系统复位。

2. 初始状态规定与预定位

1. 每次测试前，将系统初始化至向下的静止状态。
2. 执行预定位任务，将摆臂上摆至倒立位置，并启动稳定控制器。此预定位阶段不纳入正式性能评估范围。
3. 仅在确认摆臂偏转持续保持在竖直平衡位置的 ±0.05 rad 范围内至少 1.0 秒后，才开始正式数据采集，以确保所有测试条件下的动态初始状态实际具有可比性。
4. 满足该条件后，将试验时间重置为 0.0 s，并立即开始执行指定的设定值曲线。确保所有控制器均采用相同的预定位程序，并满足完全一致的验收标准。

3. 基准反步控制算法的实现

1. 根据指令臂角参考 θr(t) 使用公式定义跟踪误差 eθ(t)：
   eθ(t) = θr(t) − θ(t) (1)
2. 根据公式 2 构造复合滑模面 s(t)。在此公式中，定义 λ 为严格正的误差面斜率系数。
   s(t) = ėθ(t) + λeθ(t) (2)
3. 通过将基于标称模型的补偿项与稳定误差的比例项相结合，构建参考反步控制器。将跟踪误差变量数学定义为 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的收敛性。对选定的控制李雅普诺夫函数 V = 1/2z1² + 1/2z2² 求时间导数，得到 V̇ = z1ż1 + z2ż2。将所设计的控制律代入该导数中，验证 V̇ ≤ −k1z1² − k2z2² ≤ 0。该负半定条件理论上保证了闭环系统误差收敛至原点。
5. 约束后续的粒子群优化（PSO）算法，在选定的多维参数空间边界内进行搜索，以保持基于李雅普诺夫的稳定性条件。
6. 按照标准边界层反步法实践²³，用连续饱和函数 sat(x/ϕ) 替代不连续的符号函数，以减轻平衡点附近的高频抖振。定义 ϕ 为边界层宽度，用于平滑公式 3 中的控制量过渡：
   sat(x/ϕ) = 1 当 x/ϕ > 1；sat(x/ϕ) = x/ϕ 当 |x/ϕ| ≤ 1；sat(x/ϕ) = −1 当 x/ϕ < −1 (3)
7. 通过对位置测量值应用截止频率为 25 Hz 的一阶滤波后向差分算法，估计角速度。
8. 应用 表 2 中列出的固定基线增益值（k1 = 3.60，k2 = 1.95，λ = 2.10，ϕ = 0.12）。一旦正式测试开始，不得重新调整这些参数。

4. 基于粒子群优化（PSO）的反步法增益优化

1. 在实时评估之前执行离线调优。采用配置了20个粒子的粒子群优化算法（PSO）对四个控制器参数（k1、k2、λ 和 ϕ）进行优化，并将迭代次数严格限制在35次以内²⁴。达到此阈值后即终止优化，以避免不必要的计算开销，因为经验性离线调优表明，粒子群通常在前20次迭代内已稳定收敛至全局最优适应度值。
2. 将粒子均匀初始化于指定的搜索边界范围内：k1 ∈ [2.5, 5.5]，k2 ∈ [1.2, 3.0]，λ ∈ [1.2, 2.8]，ϕ ∈ [0.05, 1.20]。
3. 使用持续20秒的离线训练场景对每个粒子进行评估。确保该评估环境严格复现正式实时试验中设定的饱和限幅、传感器噪声、延迟和阻尼失配条件。
4. 将最小化目标函数定义为 J = 0.55RMSE + 0.25max|α| + 0.20RMSU。
5. 使用固定的基线参考值对上述三项目标分量进行归一化处理，参考值取自启动粒子群搜索前执行的五次初始基线运行结果的均值。在整个优化过程中严格保持这些归一化常数不变。
6. 在优化过程中，将惯性权重从0.90线性递减至0.40。两个加速度系数均固定为1.50。
7. 对于在评估阶段触发安全停机的任何粒子构型，赋予预设的惩罚成本。
8. 在完成最后一次迭代后直接提取全局最优解，并将其指定为优化后的控制器。
9. 在所有正式的PSO优化实时试验中，实施 表2 中列出的优化增益参数（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（RCP）固定步长实时仿真环境中，同步执行控制逻辑与数学被控对象模型。使用具备充足计算能力的高性能工业工作站作为实时目标机。通过虚拟模拟输出和编码器输入通道将控制算法与被控对象动态模型连接，以模拟实际实现层面的信号约束。
2. 严格设定实时步长时间间隔为 2 ms。有关硬件与执行设置的完整汇总，请参见表 3。
3. 在每次试验开始前重置所有控制器状态。
4. 将参考值设为零，在竖直位置采集 2.0 s 的基线数据段。检查该时间段内的数据，确认在启动指定跟踪曲线前无异常饱和现象或传感器漂移。
5. 每次新试验均从预定义的种子数组中选择不同的随机种子，以重新生成测量噪声实现。

6. 阶跃跟踪测试执行

1. 施加一个持续 20 秒的分段阶跃序列，定义为：从 0.0 秒到 2.0 秒，θr = 0 弧度；从 2.0 秒到 10.0 秒，θr = 0.50 弧度；从 10.0 秒到 20.0 秒，θr = 0.20 弧度。
2. 对基线控制器进行 10 次有效试验，对 PSO 优化控制器进行 10 次有效试验。
3. 在每次试验期间，持续记录经过的时间、参考角度、测得的臂角、跟踪误差、摆杆偏差和控制电压。
4. 重点评估在 t = 2.0 秒时施加 0.50 弧度阶跃输入后的瞬态性能。
5. 计算上升时间，定义为测得的臂角响应从目标设定值的 10% 上升至 90% 所需的时间。
6. 计算超调量，即峰值角偏差超过 0.50 弧度目标值的百分比。
7. 计算调节时间，定义为响应首次进入并持续保持在 0.50 弧度目标值 ±2% 范围内至少 1.0 秒的时刻。
8. 若某次试验在 10.0 秒前未能满足上述调节条件，则将其标记为未收敛；在调节时间的平均值计算中严格排除该试验，但保留其用于其他所有指标的分析。
9. 通过计算从 9.0 秒到 10.0 秒时间段内跟踪误差的平均值，得到稳态误差。

7. 正弦跟踪测试执行

1. 注入一个由公式4控制的20秒混合频率正弦参考轨迹。
   θr(t) = 0.26sin(2π·0.10t) + 0.12sin(2π·0.30t + 0.40) rad (4)
2. 对每种控制器配置完成10次有效试验运行。
3. 提取每次试验的全程跟踪均方根误差（RMSE）、最大绝对跟踪误差、控制均方根电压、最大绝对摆杆偏移以及相位滞后。
4. 在±0.50秒的指定搜索窗口内，通过测量得到的臂角轨迹与指令参考信号之间的互相关计算相位滞后。当测量输出在时间上滞后于参考信号时，将滞后记录为正值。

8. 扰动抑制测试执行

1. 在整个 20 秒过程中，将臂角参考值严格保持在 0 rad。
2. 在 6.0 秒时刻精确注入一个附加的电机侧转矩脉冲，并在 12.2 秒时刻施加第二个相同的脉冲。
3. 将扰动幅值配置为 0.030 N·m，两个注入事件的脉冲宽度均设置为 0.12 秒。每种控制器完成 10 次有效试验。
4. 仅在每个脉冲起始后立即的 0.50 秒时间窗口内计算峰值绝对跟踪误差。取两次误差中的较大值，作为该次试验的代表性扰动后峰值误差。
5. 计算恢复时间，定义为从脉冲起始到首次记录到 |eθ| ≤ 0.010 rad 的采样时刻之间经过的时间。不进行子采样点插值以确定恢复时间，因为数据记录严格以 20 ms 间隔进行。
6. 对绝对跟踪误差进行积分，并在整个 20 秒试验过程中累积计算控制 RMS 电压。

9. 数据导出与统计汇总

1. 将阶跃、正弦和扰动测试的原始时域数据集分别导出为独立的数据文件。
2. 将重复试验的指标整理为结构化矩阵格式，每行对应一次试验，每列对应一个评估指标。
3. 严格排除标记为不完整或因安全停止而中止的试验。对每次被排除的试验，需在相同条件下补充一次额外试验，以确保每个控制器在每种测试场景下最终均包含恰好10次有效试验。
4. 以均值 ± 标准差的形式报告汇总的重复试验结果。
5. 采用Shapiro-Wilk检验²⁵评估提取指标的分布正态性。
6. 对于符合正态分布的数据，使用双尾独立样本t检验分析基线控制器与优化控制器之间的统计差异；对于呈现非正态分布的参数，则采用Mann-Whitney U检验。
7. 设定统计显著性阈值为 p < 0.05。

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。