二级倒立摆建模（二）：从拉格朗日方程到状态空间模型的实践推演

1. 从拉格朗日方程到状态空间模型的完整推演

二级倒立摆系统是控制理论中经典的实验平台，它包含了多变量、非线性、强耦合等复杂特性。在实际工程中，我们需要将这类复杂系统的数学模型转化为适合现代控制理论分析的形式。这个过程就像把一道复杂的数学题拆解成几个简单的步骤，让我们一步步来看如何实现。

首先，我们需要明确几个关键概念。拉格朗日方程就像是一个"能量计算器"，它通过系统的动能和势能来描述整个系统的运动规律。而状态空间模型则像是系统的"身份证"，用一组矩阵清晰地告诉我们系统在任何时刻的状态和变化规律。

1.1 拉格朗日方程的建立

建立拉格朗日方程就像是在玩积木游戏，我们需要把系统的各个部分拆开来看。对于二级倒立摆系统，主要包含四个部分：小车、下摆杆、上摆杆和质量块。每个部分都有自己的运动特性。

系统的总动能T可以表示为：

T = T_cart + T_lower_pendulum + T_upper_pendulum + T_mass

其中，T_cart是小车的动能，T_lower_pendulum是下摆杆的动能，以此类推。

系统的总势能V则主要来自重力作用：

V = V_cart + V_lower_pendulum + V_upper_pendulum + V_mass

拉格朗日算子L就是动能减去势能：

L = T - V

1.2 运动方程的推导

有了拉格朗日算子，我们就可以通过欧拉-拉格朗日方程来得到系统的运动方程。这个过程就像是按照固定公式来解数学题：

d/dt(∂L/∂q̇) - ∂L/∂q = Q

其中，q是广义坐标，Q是广义力。

对于我们的二级倒立摆系统，需要分别对x（小车位置）、θ1（下摆角度）和θ2（上摆角度）三个变量进行求导运算。这个步骤虽然繁琐，但是只要耐心一步步计算，就能得到精确的非线性微分方程。

2. 非线性模型的线性化处理

2.1 为什么需要线性化

非线性方程就像是一条弯曲的山路，很难直接在上面开车。而线性化就是在某个点附近把这条路"拉直"，让我们能够使用熟悉的线性控制方法。对于倒立摆系统，我们最关心的是它在垂直位置（θ1≈0，θ2≈0）附近的稳定性。

2.2 泰勒级数展开法

线性化的核心工具是泰勒级数展开。这个方法的基本思想是：在平衡点附近，任何光滑函数都可以用多项式来近似。对于我们的系统，可以这样做：

1. 在平衡点（θ1=0，θ2=0，θ̇1=0，θ̇2=0）附近进行泰勒展开
2. 保留一阶小量，忽略高阶项
3. 用线性关系近似非线性关系

具体来说，对于sinθ和cosθ函数，在θ≈0时有：

sinθ ≈ θ cosθ ≈ 1 - θ²/2 ≈ 1

2.3 线性化后的方程

经过线性化处理后，原本复杂的非线性方程会变成相对简单的线性方程。例如，转动方程可能会简化为：

(I1 + m1l1² + m2L1²)θ̈1 + m2L1l2θ̈2 = (m1l1 + m2L1)gθ1 - b1θ̇1

这样的方程形式更简洁，更适合后续的分析和控制设计。

3. 状态空间模型的构建

3.1 状态变量的选择

状态空间模型就像是为系统建立的一个"信息档案"，需要选择合适的变量来完整描述系统的状态。对于二级倒立摆系统，通常选择：

x = [x, θ1, θ2, ẋ, θ̇1, θ̇2]'

这六个变量分别代表小车位置、两个摆杆角度以及它们的变化率。

3.2 状态方程的推导

有了状态变量后，我们需要把线性化后的方程整理成标准的状态空间形式：

ẋ = Ax + Bu y = Cx + Du

其中，A是系统矩阵，B是输入矩阵，C是输出矩阵，D是直接传递矩阵。对于倒立摆系统，D通常为零矩阵。

推导过程包括：

1. 将高阶微分方程转化为一阶方程组
2. 整理成矩阵形式
3. 确定各个矩阵的具体元素

3.3 实例计算

假设我们有以下参数：

M = 1.3kg (小车质量) m1 = 0.04kg (下摆质量) m2 = 0.13kg (上摆质量) l1 = 0.09m (下摆质心距离) l2 = 0.27m (上摆质心距离) g = 9.8m/s² (重力加速度)

经过推导，可以得到如下的状态空间模型：

A = [0 0 0 1 0 0; 0 0 0 0 1 0; 0 0 0 0 0 1; 0 -0.98 0.27 0 0 0; 0 42.3 -12.5 0 0 0; 0 -23.5 45.6 0 0 0]; B = [0; 0; 0; 0.77; -3.2; 1.8]; C = [1 0 0 0 0 0; 0 1 0 0 0 0; 0 0 1 0 0 0]; D = zeros(3,1);

这个模型可以直接用于后续的控制器设计和仿真分析。

4. 模型验证与仿真

4.1 能控性与能观性分析

在应用状态空间模型之前，我们需要检查两个重要特性：

1. 能控性：系统是否可以通过输入u控制所有状态
2. 能观性：系统输出y是否包含所有状态信息

在MATLAB中，可以这样检查：

% 能控性矩阵 Co = ctrb(A,B); rank(Co) % 应该等于系统阶数6 % 能观性矩阵 Ob = obsv(A,C); rank(Ob) % 应该等于系统阶数6

4.2 开环响应分析

观察系统的开环响应可以帮助我们理解其固有特性：

% 计算极点 poles = eig(A) % 绘制阶跃响应 step(ss(A,B,C,D))

对于倒立摆系统，我们会发现有些极点位于右半平面，这说明系统本身是不稳定的，需要设计控制器来稳定它。

4.3 闭环控制设计

有了状态空间模型，我们可以应用各种现代控制方法，比如：

1. 极点配置：将极点放置在期望位置
2. LQR控制：优化控制性能指标
3. 状态观测器：估计不可测状态

以LQR为例，设计过程如下：

Q = diag([10 100 100 1 1 1]); % 状态权重 R = 1; % 控制权重 K = lqr(A,B,Q,R); % 计算最优增益 % 闭环系统 Acl = A - B*K; sys_cl = ss(Acl,B,C,D); step(sys_cl) % 观察闭环响应

通过调整Q和R矩阵中的权重，可以平衡系统的响应速度和控制量大小。

5. 实际应用中的注意事项

在将理论模型应用到实际系统时，有几个关键点需要考虑：

1. 参数不确定性：实际系统的质量、长度等参数可能与模型有差异
2. 未建模动态：如传动机构柔性、传感器噪声等
3. 执行器饱和：电机力/力矩有限制
4. 采样时间：数字控制需要考虑离散化影响

建议在实际应用中：

• 保留一定的稳定裕度
• 加入积分环节消除稳态误差
• 考虑抗干扰设计
• 进行充分的实验验证

我在实际项目中曾遇到过这样的情况：仿真表现良好的控制器在实际系统中却无法稳定倒立摆。经过排查发现是电机响应速度不够快，通过增加电流环带宽和调整控制器参数后问题得以解决。这提醒我们，理论模型只是起点，实际调试同样重要。