简介：倒立摆模糊控制是智能控制领域的经典入门课题，这份资料包面向MATLAB/Simulink初学者，提供从模型搭建到模糊控制器设计的完整仿真流程。压缩包共140个文件，大小6.15MB，主要包括.mdl仿真模型、.fis模糊规则文件、.m数据处理脚本、实验报告及多段仿真演示视频，可对照学习模糊PID与分段模糊控制的设计思路。资源设置“实验1-1”“实验1-2”两个递进层次，分别实现角度模糊PID控制与位置/角度分段模糊控制，附带的实验报告对控制策略、仿真结果和排错细节均有说明；原始仿真与改进仿真的avi录屏能直观呈现控制效果差异，GetPendulum.m与Animation.m等脚本则便于提取动态数据并生成动画。包内另有大量mat与图片文件，适合支撑进一步分析与调试。该资源已有6455人学习下载，对希望入门模糊控制并借助Simulink动手实践的读者非常实用。

1. 倒立摆的模糊控制：先别急着双击运行模型

如果你刚拿到“倒立摆的模糊控制（基于Simulink仿真，适合初学者）”这份资源，建议先别急着打开模型点运行。倒立摆的模糊控制，表面上是让一根杆子在车上竖起来，实际上它是控制理论里最典型的欠驱动、非线性、开环不稳定系统；而模糊控制那套隶属度函数和规则表，看起来像玄学，放到这个模型上反而能直观看到它对模型失配的容忍度到底有多大。我见过不少人把两三天时间全耗在调规则表上，最后发现问题的根源只是量化因子没放对。这篇文章按“读懂模型 → 搭模糊控制器 → 闭环联调 → 踩坑排查 → 进阶验证”的顺序展开，适合刚做完课程设计、手头有MATLAB和Simulink的初学者，也适合想快速判断一份现成仿真到底靠不靠谱的熟手。

2. 倒立摆模型读法：从物理方程到Simulink块图

2.1 线性化动力学方程：为什么状态矩阵里有“正项”

倒立摆的物理结构是一辆小车、一根摆杆，摆杆通过转轴立在车上。控制目标是小车左右移动，给底部一个水平力，让摆杆稳定在竖直向上位置。模型有两个自由度：小车位置x、摆杆角度θ，只有一个控制输入F，所以它是典型的欠驱动系统。对初学者最关键的一点是：这个系统在竖直位置附近是开环不稳定的，不控制就会倒下去，而从线性化方程里能直接看出这一点。

忽略摆杆转动惯量、轴承摩擦和空气阻力后，常见动力学方程为：

(M+m)x'' + mlθ''cosθ - ml(θ')²sinθ = F
lθ'' + x''cosθ - g sinθ = 0

这两条方程里第二项带着cosθ和(θ')²，都是非线性项。模糊控制器的输入我们通常取角度误差和角速度误差，仿真阶段并不需要完整非线性模型，先把系统在θ=0附近线性化就够了：cosθ≈1，sinθ≈θ，(θ')²作为二阶小量直接丢弃。代入后得到：

(M+m)x'' + mlθ'' = F
x'' + lθ'' = gθ

从这个线性方程组里解出θ''和x''，写成状态空间形式。取状态x1=θ、x2=θ'、x3=x、x4=x'，就有：

θ'' = (M+m)g/(Ml)·θ - 1/(Ml)·F
x'' = -mg/M·θ + 1/M·F

注意两个关键系数。θ''表达式里第一项系数是正的，意思是摆角越大，角加速度越大，它加速倒下，这就是“开环不稳定”的数学来源；F前的系数是负的，意思是向右的力能让向左倒的摆产生反向角加速度，控制器才有得干。很多初学者第一次看到正系数就以为模型写错了，实际上这正是倒立摆的本质。

2.2 用脚本定义参数：先让Simulink里所有常数可调

我不建议把质量、摆长这些数字直接写进Gain块里，那会让后面调参非常痛苦。我一般先在脚本里定义全部参数，再用变量名去填Simulink块。下面这段脚本也顺手算了线性化状态矩阵，用来核对模型数据有没有抄错。

% 倒立摆参数定义与线性化状态方程 % 符号约定：theta>0 表示摆杆向右倾，F>0 表示小车向右受力 clear; clc; M = 0.8; % 小车质量，kg m = 0.2; % 摆杆质量，kg l = 0.3; % 转轴到摆杆质心距离，m（摆杆全长按 2l 理解） g = 9.8; % 重力加速度，m/s^2 % 状态 x = [theta; theta_dot; x; x_dot] A = [0 1 0 0; (M+m)*g/(M*l) 0 0 0; 0 0 0 1; -m*g/M 0 0 0]; B = [0; -1/(M*l); 0; 1/M]; % 输出全部状态，方便后续接示波器 C = eye(4); D = zeros(4,1);

这段脚本的逻辑是：先把M、m、l、g定义成工作区变量，Simulink里的Gain块直接填这些变量名；A、B矩阵用来核对模型。跑完脚本可以看一眼A矩阵的(2,1)元素：(0.8+0.2)×9.8÷(0.8×0.3)≈40.8，这是一个很大的数值，说明角度误差会迅速生成很大的角加速度，控制器响应迟一点摆就倒了。参数取M=0.8、m=0.2、l=0.3是教材和课程设计里最常见的量级，你也可以换，但换完所有增益都要跟着重新整定。

2.3 从积分器搭模型：比直接用State-Space块更适合初学者

Simulink里有两种搭法：直接拖一个State-Space块把A、B填进去，或者用四个积分器把微分方程画成块图。我给初学者的建议是第二种，虽然看起来啰嗦，但你能看见每一个状态信号从哪里来、到哪里去，后面接模糊控制器时还要从模型里引出θ和θ'，积分器搭法引线非常直接。

结构是这样：四个积分器排成两串。第一串是θ通道：θ''经过积分得到θ'，再积分得到θ；第二串是x通道：x''积分得到x'，再积分得到x。然后按线性化方程把信号接回去：θ''端口用两个Gain块和一个Sum块叠加“40.8×θ”和“-4.17×F”，x''端口同样叠加“-2.45×θ”和“1.25×F”，其中-4.17就是-1/(Ml)、-2.45就是-mg/M、1.25就是1/M。这些Gain块的数值我建议直接用变量表达式，或者在脚本里先算好再填，避免手算抄错。

这个搭法还有一个好处：以后想把模型换成带cosθ和(θ')²的非线性版本，只需要把这几条反馈链路改成乘法和三角函数块，整体结构不用动。模糊控制那章会反复从模型里取θ和θ'两个信号，积分器搭法天然把它们暴露在外面，不需要额外做状态提取。模型搭好后加一个Scope看θ，给θ积分器设置初始条件0.2（约11.5°），仿真跑0.1秒，你会看到θ直接冲出去，这是开环不稳定的正常表现，不是模型搭错了。

2.4 求解器和步长：仿真能跑稳的前提

倒立摆仿真最容易忽略的是求解器设置。Simulink默认的是变步长ode45，对很多普通系统没问题，但对倒立摆这种正反馈强、时间常数小的系统，变步长在规则切换瞬间容易漏掉细节。我建议初学者直接改成固定步长。

表格是参数设置的参考：

步长1e-3对ode4来说是个折中：既不会慢到让人等不下去，也不会因为步长太大把振荡过程“跨过去”。等你把模型跑通后再试默认ode45，对比波形，你会发现两者差异并不大，但对于调参阶段的反复尝试，固定步长的行为更可预测，翻车时更容易判断是控制器问题还是数值问题。

3. 模糊控制器设计：把“经验”翻译成规则库

3.1 结构选型：为什么用双输入Mamdani型

模糊控制器在MATLAB里有两种常见类型：Mamdani型和Takagi-Sugeno型。前者输出是模糊集合，通过去模糊化得到精确值，规则形式是“如果…那么输出大/小”，和人的直觉一致；后者输出是输入变量的线性函数，需要为每条规则定系数，调起来更抽象。初学者选Mamdani，理由很简单：出问题时你能指着规则表说清楚哪里不对。

输入变量选两个：角度误差e和角速度误差ec。只选角度误差不够，因为那等效于一个变增益的比例控制，没有阻尼项，系统会持续振荡；加上角速度误差后，规则表里才能表达“角度偏了但正在回正，所以少推一点”这类经验。输出变量是一个力u。三个变量都做归一化处理，论域统一设成[-1,1]，真实物理量到论域的折算交给Simulink里的Gain块。这个做法的好处是模糊控制器本体和具体对象解耦，换一组倒立摆参数时，只需要改外面的增益，规则表不用动。

3.2 在Fuzzy Logic Designer里建变量和隶属度函数

在MATLAB命令行输入fuzzyLogicDesigner（旧版本是fuzzy），打开模糊逻辑设计器。新建一个Mamdani型系统，加两个输入e、ec和一个输出u，三者的论域都设为[-1,1]。每个变量的隶属度函数用五个三角形，命名为NB、NS、Z、PS、PB，含义分别是负大、负小、零、正小、正大。

三角形函数参数按下表设置，注意相邻函数的边要有重叠。

重叠度是这个表里的关键。相邻两个三角形的顶点相差0.5，半宽0.5，交叉点落在论域的四分之一处，中间区域的隶属度不会低于0.5。这个重叠度让模糊控制器的输出在规则切换时平滑过渡；如果重叠太少，输出会出现台阶；重叠太多则不同规则互相牵扯，响应变迟钝。规则表部分先不用在GUI里一条条点，后面用脚本一次性写入更省事。

3.3 规则表：25条规则描述“怎么把摆扶正”

规则表是模糊控制的核心。在“θ向右为正、F向右为正”的约定下，规则逻辑是：摆向右倒且继续向右倒，就向左推；摆向左倒且继续向左倒，就向右推；摆虽然偏了但在回正，就少推或不推。把e作为行、ec作为列，fuzzy规则就是5×5的表格。

读法举几个例子。表里第一行第一列：e=NB且ec=NB，意思是摆向左倾且继续向左倒，输出PB，也就是向右猛推，阻止它继续倒。中间对角线是Z，意思是角度和角速度方向相反、系统正在回正，输出零，让它靠惯性摆回来。表里0写Z。这张表整体呈反对称结构，方向对了之后，所有规则都在做同一件事：误差大就反向出力，误差回正就放松，这正是人类扶杆子的直觉。规则表方向反了是后文会讲到的翻车重灾区。

3.4 用脚本建FIS：比GUI点击更适合反复改参数

GUI里点着加规则第一次没问题，但后面调参时每次重复点击很折磨人。我习惯用脚本一次性把模糊控制器建好，规则表也直接从代码里改。下面是完整可用的脚本，结果是一个名为pendulum_fis的模糊推理系统变量。

% 用脚本建立 Mamdani 型模糊控制器（新版也可用 mamfis + addMF，思路一致） fis = newfis('pendulum_fis', 'FuzzyType', 'mamdani'); fis = addvar(fis, 'input', 'e', [-1 1]); fis = addvar(fis, 'input', 'ec', [-1 1]); fis = addvar(fis, 'output', 'u', [-1 1]); % 给两个输入加相同的五个三角形隶属度函数 mfParams = [-1 -1 -0.5; -1 -0.5 0; -0.5 0 0.5; 0 0.5 1; 0.5 1 1]; for i = 1:5 fis = addmf(fis, 'input', 1, ... % 变量编号1，输入e ['mf' num2str(i)], 'trimf', mfParams(i,:)); fis = addmf(fis, 'input', 2, ... % 变量编号2，输入ec ['mf' num2str(i)], 'trimf', mfParams(i,:)); end % 输出u的隶属度函数与输入共用同一套参数 for i = 1:5 fis = addmf(fis, 'output', 1, ... ['mf' num2str(i)], 'trimf', mfParams(i,:)); end

这里addvar第三个参数是论域范围，addmf第五个参数是三角形函数的三个顶点。把你的模糊规则写进ruleList再交给addrule，规则表的数字含义按“1=NB, 2=NS, 3=Z, 4=PS, 5=PB”的顺序对应。自己动手敲一遍25条规则比你用GUI点十遍印象深得多，而且脚本里每条规则的注释一写，方向定义永远不会丢。

4. 在Simulink里闭环：量化因子从哪来，信号怎么接

4.1 量化因子和比例因子：模糊控制器和物理世界的接口

模糊控制器的论域是[-1,1]，但倒立摆模型里角度单位是弧度、角速度单位是弧度每秒、力单位是牛顿，这三者必须折算，否则模糊控制器永远工作在饱和区。折算用的Gain块就是三个因子：输入端的角度误差量化因子Ke、角速度误差量化因子Kec、输出端的比例因子Ku。

信号链路是这样接的：参考输入0减去测量角度θ得到误差e，e经过Gain块Ke变成归一化误差；θ'经过Gain块Kec变成归一化角速度；两个归一化信号一起进模糊控制器，输出归一化控制量；这个控制量再经过Gain块Ku，变成实际加在小车上的力F。FIS输入输出论域都设成[-1,1]时，初值取Ke=1/0.6≈1.67、Kec=1/3≈0.33、Ku=24。第一个折射的是误差最大幅值，第二个是角速度最大幅值，第三个是控制力最大幅值。Kec不能照抄，倒立摆角速度在仿真中可能到3~5 rad/s，论域先按3算，跑起来后看实际波形再修正。

4.2 把FIS加载到Simulink：三种方式都能用

模糊控制器块在工作时需要一个FIS变量，常见做法有三种：在基础工作空间先运行上节的建FIS脚本，再在Simulink模糊控制器块参数里填变量名pendulum_fis；把FIS对象保存成.mat文件，在模型加载时读取；把一行readfis命令写进模型回调函数，让模型自己加载。第三种最省心，但前提是你已经把FIS导出成了.fis文件。无论哪种方式，记住一句话：Simulink只在仿真开始那一刻读取变量，脚本在会话开头跑过不代表模型里就有这个变量。

模糊控制器块在新版Simulink库里默认是新的接口，老教程里常用的经典块被归到了Classic目录下。如果你打开一份现成模型发现模糊控制器块是灰色、运行报找不到变量，先去库浏览器搜索“Fuzzy Logic Controller (Classic)”看看是不是版本问题。块参数里的变量名要和工作区变量严格一致，大小写都不能差。

4.3 运行与波形判读：什么样的曲线算“稳住了”

闭环搭好后，给θ积分器设置初始条件0.2，仿真时间10秒，运行模型。打开Scope观察θ曲线：正常的收敛过程是前0.5秒大幅摆动，振幅快速衰减，2秒内进入±0.01 rad以内，之后保持平稳；如果曲线在某个界线上等幅振荡下不去，多半是Kec太小或规则表中心区增益过高；如果直接冲出去，先查方向、再查步长、最后查初始角是否太大。绕开杂念：模糊控制不是魔法，收敛过程和PID一样，要看到阻尼效果。

调参时我习惯先用Scope粗看，再用命令行把波形数据导出到工作区定量看。下面这段我常用的脚本包含运行和提取结果：

% 运行模型并提取theta曲线，判断是否收敛 out = sim('pendulum_model', 10); % 模型名按实际填写 theta = out.theta; % 输出变量名按模型实际定义写 t = out.tout; % 看2秒后的最大偏差，小于0.01视为收敛 stableIdx = find(t >= 2, 1); residual = max(abs(theta(stableIdx:end))); fprintf('2秒后最大偏差: %.4f rad\n', residual);

这段代码的价值在于把“稳没稳”从肉眼判断变成数值判断，后面批量调参时可以直接拿这个残差当评估指标。模糊控制器的参数整定是玄学吗？不全是，有指标就能比较。

4.4 用PID做对照：知道模糊控制赢在哪

为了理解模糊控制器到底做了什么，最直接的办法是在同一个模型里搭一条PID支路作对照。把模糊控制器支路断开，在误差信号后接PID Controller块，输出直接乘一个适当增益后接到力端口。对这套参数，PID初值可以参考Kp=80、Ki=20、Kd=10。先单独调PID使它能稳住0.2 rad的初始角，记录收敛时间；再接回模糊控制器，记录同样条件下的收敛时间。

对照实验通常会看到一个结果：PID在精确线性模型上非常利落，收敛快、超调小；模糊控制初期响应略慢，但因为规则表里天然带了阻尼意识，对参数变化的敏感度低。等你把模型换成含cosθ和(θ')²的非线性版本，PID可能要重新整定一遍，模糊控制器却可能只靠调整量化因子就照样工作。这就是做逼真验证前模糊控制最值得留下的一课。

5. 初学者最容易翻车的五个点：现象、原因、排查顺序

5.1 量化因子没配对，模糊控制器一直饱和

现象：摆能回正，但随后出现低频等幅振荡，振幅就是压不下去；双击模糊控制器块看输入变量，发现e的值长期顶在±1附近。原因是Ke设得太大，误差稍微一大，归一化输入就撞到论域边界，模糊控制器变成带死区的bang-bang控制器，规则库的细致分层全部失效。解决：把Ke初值设为1/最大角度幅值，先按1.67试，然后在0.6~1.5倍范围内做扫描，观察振荡幅度的变化。判断Ke是否合适有一个简单法则：正常调节过程中，归一化e应该在中段频繁活动，而不是长期贴着边界。

5.2 固定步长和变步长结果不一样：数值问题伪装成控制问题

现象：同一个模型，默认ode45能稳住，切换到ode4固定步长1e-3后反而稳不住；或者反过来，模型看起来稳定，但把示波器采样率调高后看到θ上有高频毛刺。原因是模糊规则在相邻区域切换时，控制器输出斜率发生突变，变步长求解器对这种快速变化有时会漏检，误差估计偏低。解决：统一用ode4固定步长，步长从1e-3起步，毛刺还存在就降到5e-4。记住一个经验：模糊控制的输出是分段光滑的，比线性控制器更依赖数值精度，在这上面省步长等于给自己挖坑。

5.3 规则表方向抄反：摆杆加速倒下

现象：给定0.2 rad初始角后，小车先朝错误方向猛冲，摆反而更快倒下；把规则表一条条检查又发现每条都“看起来合理”。原因是不同教程对θ正方向和F正方向的定义不同，你抄的规则表是按另一种约定写的。解决：先在自己的模型里明确“θ>0向右倾、F>0向右推”，然后从最简单的极端情况推导规则方向：如果θ负且θ'负，也就是向左倒得越来越快，那么必须F正，向右推。把这一组方向关系写死，再逐条对应规则表。看表直读：凡是角度误差和角速度误差同号，输出必须反向；异号时输出要小甚至为零。这条对了半个系统就对了。

5.4 FIS变量没进工作空间，仿真直接报错

现象：打开模型点运行，报“unrecognized function or variable 'pendulum_fis'”，或者模糊控制器块显示为问号。原因是建FIS的脚本只跑过一次，Simulink仿真开始时工作区里根本没有这个变量；改了脚本再运行模型，Simulink也不会自动重新执行。解决：把建FIS和参数定义全部放进模型的InitFcn回调，位置是Model Properties → Callbacks → InitFcn，这样每次点仿真都会先执行脚本。这也是我拿到任何现成仿真后第一个检查的地方：参数初始化到底写在哪个回调里，没写就先补上。

5.5 初始角超出线性化范围，控制器“看不见”真实状态

现象：初始角设0.5 rad（约28.6°），模糊控制器表现突然变差，来回晃很久才收敛；改成0.2 rad又恢复正常。原因是模型本身在线性化点附近搭的，大角度下动力学方程里被忽略的cos项和(θ')²项已经不可忽略，控制器实际作用在一个“错误的模型”上。解决：初学者先把初始角控制在0.1~0.3 rad之间，把控制器调明白后再扩大角度验证边界。真要支持大角度启动，需要把Simulink模型改成非线性版本，或增加输入论域并重调全部量化因子，那不是规则越多越好，而是模型本身要换。

6. 进阶：从“能立住”到“耐打”的量化因子整定技巧

模糊控制器做出来后，真正拉开差距的是量化因子整定。我的习惯顺序是：先定Ku，再调Ke，最后调Kec。Ku决定最大出力，先按模型能接受的最大力来定；Ke决定灵敏度，从小往大加，加到出现振荡就往回退10%；Kec决定阻尼，Kec太大会让响应迟钝、像“黏住”一样，太小则超调大、收敛慢。记住三条规律：Ke改大、系统更快也更脆；Kec改大、系统更稳也更慢；Ku只管力度，和灵敏度关系不大。调参时一次只动一个因子，动了三个中任何一个，前两个都要回头复查。

批量扫描是省时间的关键。把Ke和Kec各取几个候选值，用循环跑仿真，记录每次的收敛残差，发散那次记为NaN。模型里Gain块填变量名Ke、Kec、Ku，循环里直接给变量赋值再调sim，这样十几分钟就能把参数平面扫一遍。跑完后把结果一列，能用的参数组合一目了然。然后在小车力输入端叠加带限白噪声或正弦扰动，扰动幅度取最大控制力的5%~10%，观察θ振幅，再换成PID做同样测试。我通常会记录两个数字：扰动下的最大偏差和扰动撤掉后的恢复时间，这两个数字比肉眼看曲线更有说服力。

最后一步值得做：把模型改回非线性版本，重新仿真。常见结论是PID在线性模型上很漂亮，但在非线性模型和参数漂移下需要重新整定；模糊控制因为规则的“经验”本质，对模型失配天然更耐受。这正是模糊控制在这个题目里最大的价值，也是你向别人解释为什么不用纯PID时要拿出来的证据。我当年拿到第一份倒立摆模糊控制仿真时，上来就死磕规则表，调了三天发现初始角给到了0.6 rad，线性模型早就不成立了。从那以后，我拿到任何仿真工程，第一件事永远是查三样：符号约定、量化因子、求解器步长。希望帮到你。

本文还有配套的精品资源，点击获取