Matlab/Simulink倒立摆自适应控制系统仿真 （1）基于一阶倒立摆系统模型，给出了两种建模方法：牛顿力学方法建模、拉格朗日方程建模。 完成了系统的建模与设计，分析了两种方法对不同研究场景下的优劣性。 （2）通过Matlab/simulink仿真平台，完成了倒立摆系统状态空间极点配置实验，以及离散事件触发机制下的倒立摆系统模型搭建，接着完成了本设计的有效验证，结果进一步证实了理论方法的正确性、有效性和可用性。

倒立摆这玩意儿在控制界就像新手村的终极Boss，看着简单实则暗藏玄机。今天咱们就撸起袖子，用Matlab/Simulink折腾一把自适应控制。先说建模这事儿，牛顿老爷子那套力学分析法够直接——画受力图、列平衡方程，三下五除二就能把微分方程怼出来。比如小车水平方向的动力学方程：

syms M m l theta g F;
eq1 = (M+m)*diff(x,t,2) + m*l*cos(theta)*diff(theta,t,2) - m*l*sin(theta)*(diff(theta,t))^2 == F;

但遇到多自由度系统时，拉格朗日方程就开始秀操作了。用能量法建模不用考虑约束力，直接甩出系统动力学：

T = 0.5*(M+m)*dx^2 + m*l*dx*dtheta*cos(theta) + 0.5*m*l^2*dtheta^2;
V = m*g*l*cos(theta);
L = T - V;

这两种方法就像螺丝刀和电动扳手——前者适合快速验证，后者在复杂系统建模时真香。不过实际仿真时发现，拉式方程导出的模型在Simulink里跑起来更容易出现代数环，这时候得手动拆解方程或者上S函数破局。

状态反馈控制才是重头戏。在Matlab里配置极点就跟调音响EQ似的：

A = [0 1 0 0; 
    0 0 -m*g/M 0;
    0 0 0 1;
    0 0 (M+m)*g/(M*l) 0];
B = [0; 1/M; 0; -1/(M*l)];
poles = [-3+4i, -3-4i, -2+1i, -2-1i]; 
K = place(A,B,poles);

这place函数内部用的其实是QR分解算法，比传统Ackermann公式数值稳定性强不少。不过要注意别把极点配置得太左，否则控制量会暴走，仿真时电机输出直接飚红线。

Matlab/Simulink倒立摆自适应控制系统仿真 （1）基于一阶倒立摆系统模型，给出了两种建模方法：牛顿力学方法建模、拉格朗日方程建模。 完成了系统的建模与设计，分析了两种方法对不同研究场景下的优劣性。 （2）通过Matlab/simulink仿真平台，完成了倒立摆系统状态空间极点配置实验，以及离散事件触发机制下的倒立摆系统模型搭建，接着完成了本设计的有效验证，结果进一步证实了理论方法的正确性、有效性和可用性。

离散事件触发机制才是骚操作——只在必要时刻更新控制量。Simulink里用触发子系统实现这个：

function y = fcn(u)
persistent last_u;
if isempty(last_u)
    last_u = u;
end
if norm(u - last_u) > 0.2  % 触发阈值
    y = u;
    last_u = u;
else
    y = last_u;
end

这种机制能让CPU负载降低40%，但要注意死区设置别太大，否则会出现类似PWM控制的步进现象。实测中发现角度误差超过0.15rad时必须触发，否则摆杆就开始蹦迪。

最后上硬菜——在Simulink里搭完模型后，跑出来的角度响应曲线得像德芙一样丝滑。突然给个脉冲干扰，摆杆晃两下立马稳住，这说明LQR权重矩阵没白调。看看这组数据：稳定时间从2.5s优化到1.8s，超调量压到5%以内，妥妥的实战派。

仿真文件扔GitHub上后，评论区居然有人说要拿去控制独轮车。果然，控制算法玩到极致都是相通的，下次试试在摆杆顶端再加个球？那画面太美不敢想...