✨ 长期致力于单辙两轮车、力矩陀螺控制、转向控制、静/动态自平衡、侧倾角度、侧倾角速度研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）双控制力矩陀螺框架奇异回避与滑模平衡控制：
设计两个正交布置的控制力矩陀螺，每个陀螺转子额定角动量40牛米秒，框架伺服电机峰值扭矩12牛米。针对陀螺力矩可能出现的奇异构型，提出基于奇异值分解的规避算法，实时计算雅可比矩阵的条件数，当条件数超过阈值10时，在控制量中加入虚拟势场力，使框架角速度向非奇异方向微调。平衡控制器采用非奇异终端滑模控制，滑模面选取侧倾角度误差和侧倾角速度的线性组合加上一个幂次项，幂指数设为0.7。控制律包括等效控制项和切换项，切换项使用饱和函数替代符号函数减小抖振。在MATLAB/Simulink与MSC.Adams联合仿真中，静态自平衡实验显示车体能够在初始倾斜15度时在1.2秒内恢复至0.5度以内，动态工况以20千米每小时速度越过80毫米高障碍时最大侧倾角仅为3.2度，而无陀螺控制时侧倾角超过25度导致摔倒。
（2）模糊PD转向平衡控制器设计：
针对大角度转向时陀螺力矩不足的问题，设计了转向平衡控制器，将车把转角作为输入，期望侧倾角根据转向半径和车速确定，期望值采用摩托车动力学经验公式φ_des = arctan(v^2/(Rg))。控制器采用模糊PD结构，模糊规则表将侧倾角误差和误差变化率划分为7个等级，输出比例增益修正因子和微分增益修正因子。模糊推理采用Mamdani法，解模糊用重心法。仿真对比纯陀螺控制，当转向角达到40度时纯陀螺控制最大侧倾角升至9.8度，而模糊PD转向控制将侧倾角限制在4.2度以内。在实车试验中，以15千米每小时速度进行半径为6米的圆弧压弯，联合控制下车身侧倾角稳态误差仅0.8度，驾驶员无需额外平衡操作。
（3）联合控制器与实车验证：
将陀螺滑模控制器与转向模糊PD控制器通过加权融合，权重系数根据车速和转向角速度自适应调整：当车速低于10千米每小时或转向角速度小于0.3弧度每秒时，陀螺控制器权重占0.8；否则转向控制器权重提升至0.6。设计偏置负载试验，在车体一侧悬挂5千克配重，联合控制器能在1.5秒内将侧倾角修正至1度以内，而单一陀螺控制器稳态偏差达4.2度。大角度转向极限测试中，联合控制器确保车体侧倾角始终小于7度，且不出现滑移摔车。实车场地测试共完成50次越障和30次跨壕沟，成功率100%，联合控制器平均计算周期6毫秒，满足实时性。
import numpy as np from scipy.linalg import svd class DualCMG: def __init__(self, h=40.0, torque_max=12.0): self.h = h # 角动量 self.gamma1 = 0.0 self.gamma2 = 0.0 self.Jacobian = np.zeros((3,2)) def compute_jacobian(self): self.Jacobian[0,0] = -self.h * np.cos(self.gamma1) self.Jacobian[1,0] = self.h * np.sin(self.gamma1) self.Jacobian[2,1] = -self.h * np.cos(self.gamma2) return self.Jacobian def singularity_avoidance(self, cmd_torque): J = self.compute_jacobian() U, s, Vt = svd(J) cond = s[0] / (s[-1]+1e-6) if cond > 10: # 添加虚拟势场力 alpha = 0.1 * (cond - 10) null_space = Vt[-1, :] / (np.linalg.norm(Vt[-1,:])+1e-6) cmd_torque = cmd_torque + alpha * null_space return cmd_torque class NTSM_Controller: def __init__(self, beta=0.7, k_slide=2.0): self.beta = beta self.k = k_slide def sliding_surface(self, phi, phi_dot): # 非奇异终端滑模面 s = phi + self.k * np.power(np.abs(phi_dot), self.beta) * np.sign(phi_dot) return s def control_law(self, phi, phi_dot, phi_des, phi_des_dot): e_phi = phi - phi_des e_phi_dot = phi_dot - phi_des_dot s = self.sliding_surface(e_phi, e_phi_dot) # 等效控制 + 切换控制 u_eq = - (1/(self.k*self.beta*np.power(np.abs(e_phi_dot), self.beta-1))) * (0.5 * e_phi_dot) u_sw = -5.0 * np.tanh(s/0.05) return u_eq + u_sw def fuzzy_pd_gains(phi_err, err_dot): # 模糊规则表简化输出比例因子 err_norm = np.clip(phi_err/0.5, -1, 1) err_dot_norm = np.clip(err_dot/2.0, -1, 1) Kp_scale = 1.0 + 0.8 * abs(err_norm) + 0.3 * abs(err_dot_norm) Kd_scale = 0.5 + 0.5 * abs(err_dot_norm) return Kp_scale, Kd_scale
