导读:本文包含了起摆控制论文开题报告文献综述及选题提纲参考文献，主要关键词:直线电机,倒立摆,滑模变结构,鲁棒H_∞
起摆控制论文文献综述
李传阳[1]（2019）在《基于直线电机的倒立摆系统自动起摆与稳摆控制算法研究》一文中研究指出倒立摆平台被誉为控制领域的“明珠”,是一种经典的实验验证平台,在研究控制理论算法过程中,可以用于验证各种先进算法,从而帮助理论研究走向实际应用,如航空航天、仿人机器人等工业领域,具有很强的研究和实践意义。目前,倒立摆模型已得到了广泛应用,如卫星发射姿态调整、电动自平衡车等。传统倒立摆采用旋转电机驱动,具有振动大、精度差的缺点,本文采用永磁同步直线电机(PMSLM)驱动,省去复杂传动机构,极大地减少了误差。并搭建了一级、二级倒立摆平台,包括机械结构、硬件构成和软件资源与交互界面,形成一套先进的实验平台,用于研究倒立摆稳摆与自动起摆控制算法。针对动力学建模问题,首先建立了永磁同步直线电机矢量控制模型,然后采用Lagrange方法,搭建了直线一级倒立摆和直线二级倒立摆系统的数学模型,并分析了系统的稳定性、能控性和能观性。针对稳摆问题,分别分析了滑模变结构控制(SMC)和鲁棒H_∞控制算法的优劣,从而设计了基于滑模变结构的鲁棒H_∞控制算法(SMHC),并采用线性矩阵不等式(LMI)方法进行滑动模态P和状态反馈矩阵K的优化设计。针对起摆问题,分析了基于能量的方法和传统Bang-Bang控制方法的优缺点,设计了基于能量约束的控制算法(ECBC)。最后,根据所设计的算法,分别进行了直线电机的跟踪控制仿真与实验,一级倒立摆、二级倒立摆的稳摆控制仿真与实验和一级倒立摆的自动起摆实验,验证了算法的可行性和鲁棒性。(本文来源于《合肥工业大学》期刊2019-04-01）
毛文杰[2]（2018）在《强化学习在倒立摆起摆及平衡控制中的应用研究》一文中研究指出倒立摆系统是一个典型的多变量、非线性、高阶次、强耦合的自不稳定系统,只有采用行之有效的控制方法才能使其稳定在平衡位置附近。控制中的许多关键问题,如跟踪问题、镇定问题、鲁棒性问题、非线性问题等都能在倒立摆的控制过程中反映出来。同时,双足机器人的行走、卫星和火箭的位姿调整等均与倒立摆系统具有相似之处。因此,对倒立摆系统的研究具有重要的理论价值和应用价值。传统的倒立摆控制方法如PID控制、LQR控制等都是基于模型的控制,实际中很难获得倒立摆系统的精确的数学模型。强化学习作为机器学习的一种,其与监督学习不同之处在于其不需要教师信号,它强调与环境的交互过程中获得评价性反馈信号,利用评价信息来实现行为决策的优化,不需要知道系统模型,这就避免了因建模造成的误差。因此,本文将强化学习应用于倒立摆的起摆及平衡控制任务中,重点研究了强化学习算法在倒立摆平衡控制中的应用。本文的主要成果有:(1)起摆控制方面,研允了基于Q学习算法的倒立摆起摆控制。一级倒立摆起摆仿真控制实验表明了Q学习算法在倒立摆起摆控制中的有效性。(2)平衡控制方面,在深入研究实现了最小二乘策略迭代(Least Square Policy Itcration,LSPI)以及基于稀疏核机器的最小二乘策略迭代(Kernel-based LSPI,KLSPI)两种有效的解决倒立摆平衡控制问题的强化学习算法的基础上,针对LSPI算法逼近能力、泛化能力差,KLSPI算法计算复杂度高、计算成本大的问题,提出了一种基于极限学习机(Extreme Learning Machine,ELM)的最小二乘策略迭代(ELM-LSPI)算法,在提高传统LSPI算法逼近精度、泛化能力的同时,控制了其计算成本。一级倒立摆控制仿真实验结果表明KLSPI算法和本文提出的ELM-LSPI算法均能提高LSPI算法的收敛能力和泛化能力,但ELM-LSPI算法的计算成本远小于KLSPI算法,更利于后续的实物研究和在线算法的拓展。(本文来源于《西安理工大学》期刊2018-06-30）
高颢,曹琳,曹茂永[3]（2016）在《倒立摆系统基于能量控制的起摆控制策略研究》一文中研究指出针对直线一级小车倒立摆系统起摆阶段的特点,设计基于能量控制的起摆控制器。通过引入"小车位移极限"、"小车速度极限"和"系统能量保持"的概念,对纯能量控制策略进行了优化。在起摆过程中,既能保证摆杆的快速起稳摆,又能确保小车位移在有限长的范围内。利用MATLAB对系统进行仿真分析,并运用英国Feedback公司生产的倒立摆机械实物系统进行实验验证。结果证明,该控制器能够实现小车倒立摆系统的快速平稳起摆。(本文来源于《山东科技大学学报(自然科学版)》期刊2016年06期）
杨启松,刘永信,王玲琳,张晖[4]（2016）在《BP神经网络单级倒立摆自起摆控制》一文中研究指出论文针对一级直线倒立摆的自起摆控制设计了神经网络控制器,并完成仿真与实测。搭建叁层BP网络,由LQR控制器获得的自起摆数据作为训练样本,采用LM(Levenberg—Marquardt)算法对BP神经网络控制器进行离线训练,经仿真及在线实测,该控制器实现了一级倒立摆的自起摆控制与稳摆控制,对比LQR控制器BP神经网络控制器响应时间更快,鲁棒性好。(本文来源于《第27届中国过程控制会议（CPCC2016）摘要集》期刊2016-07-31）
王贤明,陈炜,赵新华[5]（2015）在《倒立摆系统起摆与稳摆控制算法研究综述》一文中研究指出首先,本文阐述了倒立摆国内外发展进程及现状。其次,概述了目前用于倒立摆系统的控制方法。最后,对控制方法进行归纳和对比,从而预测了用于倒立摆系统的控制算法发展趋势。(本文来源于《自动化技术与应用》期刊2015年11期）
夏德银[6]（2014）在《一类欠驱动机械系统的起摆控制方法研究》一文中研究指出欠驱动机械系统是一类控制输入变量个数少于系统自由度的非线性系统,具有强非线性和强耦合特性。因为欠驱动部分不能直接控制,所以一般的光滑反馈控制方法对这样的系统是无效的。欠驱动机械系统广泛存在于机器人系统、空间飞行器系统、航海系统、柔性系统以及机车系统中。近年来,由于实际应用的需要,欠驱动机械系统控制问题已经逐渐成为非线性控制领域的研究热点之一。虽然欠驱动机械系统有很多类型,但是Pendubot系统结构复杂,具有较强非线性和耦合性,控制困难,实现其控制对其它欠驱动机械系统控制也具有比较好的借鉴意义。因此本文以Pendubot为研究对象,进行了相关控制算法研究。Pendubot是一个单输入两输出欠驱动平面机器人。与直线摆和旋转摆不同,它具有一些旋转耦合特性。例如,在直线摆和旋转摆系统中,其动力学模型在任意工作点的线性化模型都是相同和可控的。但是Pendubot系统在各个工作点的线性化模型是不同的,并且有些是不可控的。Pendubot控制主要分为起摆控制和平衡控制,其中,起摆控制是Pendubot控制的难点,现在已有的起摆控制算法大多具有以下几个问题：(1)控制器设计未考虑摩擦的影响,因此提出的控制方法需要多次摆动驱动臂;(2)控制器设计基于精确动力学模型,控制算法复杂,而且提出的控制方法只停留于仿真。针对上述问题,本文以Pendubot实际系统为对象,开展了一类欠驱动机械系统的起摆控制方法研究,取得主要成果如下：(1)当Pendubot的控制目标为最高不稳定平衡位置时,为了消除系统摩擦产生的扰动影响,本文设计了神经网络补偿器；为了消除基于能量控制器的奇异性,通过构造适当能量评价函数,给出了基于奇异避免的能量控制器。在此基础上,提出了基于神经网络补偿摩擦的能量控制器,并对闭环系统进行了稳定性和收敛性分析。仿真结果表明,与已有的欠驱动平面机器人的控制器相比,本文提出的控制器使得Pendubot较短时间内一次摆起到控制目标。(2)当Pendubot的控制目标为非平衡位置时,由于重力影响,系统摩擦力特性变得更加复杂,为了消除系统摩擦产生的扰动影响,本文设计了模糊神经网络补偿器。结合基于奇异避免的能量控制器,提出了基于模糊神经网络补偿摩擦的能量控制器,并对闭环系统进行了稳定性和收敛性分析。仿真结果表明,比基于神经网络补偿摩擦的能量控制器具有更好的控制性能。(3)建立了一个叁自由度欠驱动平面机器人的动态模型,当控制目标为最高不稳定平衡位置时,本文设计了模糊神经网络摩擦补偿器和基于奇异避免的能量控制器。在此基础上,提出了基于模糊神经网络补偿摩擦的能量控制器,并对闭环系统进行了稳定性和收敛性分析。仿真结果表明,本文所提出的控制器使得叁自由度欠驱动平面机器人较短时间内一次摆起到控制目标。(4)采用Pendubot实际系统,开展了所提出控制方法的实验研究。当Pendubot的控制目标为最高不稳定平衡位置时,实验结果表明,与已有的欠驱动平面机器人的控制器相比,本文提出的控制器使得Pendubot具有更高的起摆控制成功率；当Pendubot的控制目标为非平衡位置时,实验结果表明,基于模糊神经网络补偿摩擦的能量控制器比基于神经网络补偿摩擦的能量控制器具有更好的控制性能。(本文来源于《东北大学》期刊2014-01-01）
王强,陈炜,赵新华[7]（2013）在《直线倒立摆的快速起摆与稳摆控制研究》一文中研究指出针对直线倒立摆系统,提出了一种优化的快速摆起控制方法和基于ANFIS-PI的稳定控制算法。建立了直线倒立摆系统的数学模型,根据Lyapunov能量反馈思想对基于能量的起摆控制策略进行优化,实现了倒立摆系统的快速起摆实时控制,并从实验角度设计切换控制策略过渡到系统的平衡控制。采用小车跟踪方波信号获取样本数据,引入PI控制器,完成了基于ANFIS-PI稳摆控制器的设计。仿真和实验结果表明,优化后的起摆控制算法显着提高摆杆摆起速度,系统具有较强的鲁棒性,自适应性和动态性能。(本文来源于《机械设计与制造》期刊2013年05期）
尹亚光[8]（2013）在《基于非线性时间序列模型的倒立摆起摆预测控制研究》一文中研究指出倒立摆是一种常见的验证控制算法的自然不稳定实验装置,具有典型的多变量、非线性、强耦合特性。对其进行研究是检验各种控制算法是否有效的重要途径,也具有工程应用价值。本文主要研究了RBF-ARX非线性时间序列建模方法和预测控制在一级直线倒立摆系统起摆控制中的应用。传统对倒立摆控制的研究多数基于其物理模型,需要对其运动机理进行准确的分析,存在一些缺点：由于有些参数难以精确测量,建模时进行了一定程度上的简化,影响了模型的精确度。本文采取模型辨识的方法建立倒立摆模型,克服了物理建模的不足。RBF-ARX模型全称为具有径向基函数神经网络型系数的带外生变量的自回归模型,用RBF神经网络来逼近ARX模型中的函数系数。这样它既具有RBF网络优秀的逼近性能,也能利用ARX模型中的自回归与滑动平均结构来控制模型的复杂度。在此基础上,设计了数据辨识实验,用采集到的数据进行RBF-ARX模型辨识。文中详细说明了模型参数的初始化方法,利用结构化非线性参数优化方法SNPOM进行参数寻优,以及如何根据AIC准则与其它因素对模型阶次进行估计。之后建立了倒立摆起摆与稳摆阶段的两个RBF-ARX单输入单输出模型,并在平衡位置增加位置控制,建立了一输入两输出的RBF-ARX模型,经过数据检验,证明RBF-ARX模型具有较高的精度。利用辨识到的模型,设计预测控制器。通过选择适当的角度进行模型切换,进行单输入单输出与一输入二输出系统仿真,取得了较好的效果。最后进行实时控制实验,实现了直线一级倒立摆的起摆,对其角度进行了控制。通过与能量反馈起摆效果进行比较,证明基于RBF-ARX模型的预测控制在倒立摆类非线性、快速系统中的有效性。(本文来源于《中南大学》期刊2013-05-01）
王强[9]（2013）在《直线倒立摆的起摆和稳摆智能控制研究》一文中研究指出直线倒立摆具有多个输入输出控制量、严重非线性、不稳定等特点，它是研究能量控制、平衡性控制等控制理论和开展各种控制实验的理想平台，在航天、机器人等领域中有着广泛的用途。目前，有关直线倒立摆的研究主要集中于自起摆控制与稳摆控制领域，在起摆控制方面，由于系统本体的条件限制，采用原始的能量法实现快速摇起控制的成功率一般较差；而在稳定控制方面，研究成果大多是从理论角度并采用单一智能控制算法实现，各种智能控制方法之间及与传统PID等算法相结合的研究还很少见。针对上述问题，本文基于模糊、神经网络等混合智能控制方法，在直线一级、二级倒立摆的起摆和稳摆控制的理论和实验方面进行了深入的研究，具体内容为：首先，分别采用牛顿-欧拉方法和拉格朗日方法建立直线一级、二级倒立摆的数学模型，推导各自的状态方程，并分析了两种倒立摆系统的可控性、可观测性和稳定性；其次，设计一种基于Lyapunov能量反馈的优化起摆控制策略，实现了直线一级倒立摆系统快速起摆的实时控制，进而在综合考虑摆杆切换角度、稳摆角度范围和小车偏移量等因素的情况下，设计切换控制策略，从实验角度实现了直线一级倒立摆起摆控制到稳定控制的平稳过渡；再次，根据智能控制方法不基于被控对象精确数学模型的特点，利用神经网络的自组织、自适应和自学习能力，采用小车跟踪方波信号获取样本数据，提出了BP、RBF、ANFIS、KOHONEN等神经网络与PID控制相结合的直线一级倒立摆系统的稳摆控制策略，并完成了相应的仿真和实验研究；最后，分别采用LQR算法和BP、RBF、ANFIS、KOHONEN等神经网络实现二级倒立摆稳摆控制器的设计，并对各控制方法进行仿真和实验研究，分析结果表明，优化后的起摆控制算法显着提高摆杆摆起速度，说明所提控制算法的可行性和有效性。(本文来源于《天津理工大学》期刊2013-01-01）
程红太,佟雷,张晓华[10]（2012）在《行为受限下Acrobot起摆平衡控制研究》一文中研究指出Acrobot是一种典型的二自由度欠驱动机械系统,针对实际中可能存在的杆二摆角及驱动力矩受限的问题,研究了行为受限下系统的起摆与平衡控制问题。将整个过程分为起摆和平衡2个阶段,首先利用垂直向上不稳定平衡点处近似线性模型,设计了基于LQR方法的平衡控制器,并以减小平衡控制过程力矩为目标讨论了切换姿态的优化问题;起摆控制采用了基于参考路径的能量泵入法,提出了一个改进的参考路径,采用部分反馈线性化方法实现对参考路径的跟踪,可以保证摆角在一定范围内摆动的情况下系统机械能不断增加,使起摆结束时具有更优的切换姿态,从而更容易切换至平衡控制阶段,同时使得平衡控制过程更加平稳,所需力矩更小。最后给出了实物实验结果,证明了所提控制策略的有效性。(本文来源于《控制工程》期刊2012年02期）
起摆控制论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
倒立摆系统是一个典型的多变量、非线性、高阶次、强耦合的自不稳定系统,只有采用行之有效的控制方法才能使其稳定在平衡位置附近。控制中的许多关键问题,如跟踪问题、镇定问题、鲁棒性问题、非线性问题等都能在倒立摆的控制过程中反映出来。同时,双足机器人的行走、卫星和火箭的位姿调整等均与倒立摆系统具有相似之处。因此,对倒立摆系统的研究具有重要的理论价值和应用价值。传统的倒立摆控制方法如PID控制、LQR控制等都是基于模型的控制,实际中很难获得倒立摆系统的精确的数学模型。强化学习作为机器学习的一种,其与监督学习不同之处在于其不需要教师信号,它强调与环境的交互过程中获得评价性反馈信号,利用评价信息来实现行为决策的优化,不需要知道系统模型,这就避免了因建模造成的误差。因此,本文将强化学习应用于倒立摆的起摆及平衡控制任务中,重点研究了强化学习算法在倒立摆平衡控制中的应用。本文的主要成果有:(1)起摆控制方面,研允了基于Q学习算法的倒立摆起摆控制。一级倒立摆起摆仿真控制实验表明了Q学习算法在倒立摆起摆控制中的有效性。(2)平衡控制方面,在深入研究实现了最小二乘策略迭代(Least Square Policy Itcration,LSPI)以及基于稀疏核机器的最小二乘策略迭代(Kernel-based LSPI,KLSPI)两种有效的解决倒立摆平衡控制问题的强化学习算法的基础上,针对LSPI算法逼近能力、泛化能力差,KLSPI算法计算复杂度高、计算成本大的问题,提出了一种基于极限学习机(Extreme Learning Machine,ELM)的最小二乘策略迭代(ELM-LSPI)算法,在提高传统LSPI算法逼近精度、泛化能力的同时,控制了其计算成本。一级倒立摆控制仿真实验结果表明KLSPI算法和本文提出的ELM-LSPI算法均能提高LSPI算法的收敛能力和泛化能力,但ELM-LSPI算法的计算成本远小于KLSPI算法,更利于后续的实物研究和在线算法的拓展。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
起摆控制论文参考文献
[1].李传阳.基于直线电机的倒立摆系统自动起摆与稳摆控制算法研究[D].合肥工业大学.2019
[2].毛文杰.强化学习在倒立摆起摆及平衡控制中的应用研究[D].西安理工大学.2018
[3].高颢,曹琳,曹茂永.倒立摆系统基于能量控制的起摆控制策略研究[J].山东科技大学学报(自然科学版).2016
[4].杨启松,刘永信,王玲琳,张晖.BP神经网络单级倒立摆自起摆控制[C].第27届中国过程控制会议（CPCC2016）摘要集.2016
[5].王贤明,陈炜,赵新华.倒立摆系统起摆与稳摆控制算法研究综述[J].自动化技术与应用.2015
[6].夏德银.一类欠驱动机械系统的起摆控制方法研究[D].东北大学.2014
[7].王强,陈炜,赵新华.直线倒立摆的快速起摆与稳摆控制研究[J].机械设计与制造.2013
[8].尹亚光.基于非线性时间序列模型的倒立摆起摆预测控制研究[D].中南大学.2013
[9].王强.直线倒立摆的起摆和稳摆智能控制研究[D].天津理工大学.2013
[10].程红太,佟雷,张晓华.行为受限下Acrobot起摆平衡控制研究[J].控制工程.2012