下载文档原格式
模糊控制应用实例模糊控制是一种基于模糊逻辑的控制方法，它能够处理模糊的输入和输出，使得控制系统具有更好的鲁棒性和适应性。
下面将介绍一个模糊控制的应用实例。
某工厂的生产线上有一台机器人，它需要根据生产线上的物品进行分类和分拣。
由于生产线上的物品形状、颜色、大小等特征存在一定的模糊性，传统的控制方法很难实现准确的分类和分拣。
因此，工厂决定采用模糊控制方法来解决这个问题。
首先，需要对机器人的控制系统进行建模。
假设机器人的控制系统包括三个输入变量和一个输出变量。
其中，三个输入变量分别为物品的大小、颜色和形状，输出变量为机器人的动作，包括分类和分拣两种动作。
接下来，需要确定输入变量和输出变量的模糊集合和模糊规则。
假设物品的大小、颜色和形状分别属于三个模糊集合：小、中、大；红、绿、蓝；圆、方、三角。
输出变量也分别属于两个模糊集合：分类、分拣。
根据这些模糊集合，可以确定一些模糊规则，例如：如果物品大小为小且颜色为红且形状为圆，则机器人动作为分类；如果物品大小为中且颜色为绿且形状为方，则机器人动作为分拣；如果物品大小为大且颜色为蓝且形状为三角，则机器人动作为分类。
最后，需要进行模糊推理和模糊控制。
当机器人接收到一个物品时，它会根据物品的大小、颜色和形状，将它们映射到对应的模糊集合中。
然后，根据模糊规则进行模糊推理，得到机器人的动作。
最后，根据机器人的动作，控制机器人进行分类或分拣。
通过模糊控制方法，机器人可以更准确地分类和分拣物品，提高生产效率和质量。
同时，模糊控制方法还具有较好的鲁棒性和适应性，能够应对物品特征的变化和噪声的干扰。
总之，模糊控制是一种有效的控制方法，它能够处理模糊的输入和输出，使得控制系统具有更好的鲁棒性和适应性。
在工业生产、交通运输、医疗健康等领域都有广泛的应用。
模糊控制simulink实例一、模糊控制概述模糊控制是一种基于人工智能的控制方法，它模拟人类的思维方式进行控制决策。
模糊控制的核心思想是将模糊语言和模糊推理应用于控制系统中，通过建立模糊规则和模糊集合来实现对系统的控制。
模糊控制具有适应性强、处理非线性和复杂系统能力强等优点，在工业控制领域得到了广泛应用。
二、Simulink简介Simulink是MathWorks公司开发的一款基于MATLAB的通用仿真平台。
Simulink提供了一个直观的图形化界面，可以用于设计、模拟和实现各种系统模型。
Simulink 支持多领域的仿真，包括控制系统、信号处理、通信系统等，同时也提供了丰富的库函数和工具箱，方便用户进行系统建模与仿真。
三、模糊控制在Simulink中的应用模糊控制在Simulink中的应用可以通过Fuzzy Logic Toolbox来实现，该工具箱提供了一系列用于模糊控制设计和仿真的函数和模块。
下面介绍一个简单的模糊控制实例来说明模糊控制在Simulink中的应用。
3.1 系统建模首先，我们需要确定模糊控制系统的输入、输出和控制规则。
假设我们要设计一个小型的温度控制系统，系统的输入是环境温度（T），输出是加热器的电压（V）。
根据经验，我们可以定义几个模糊集合来描述温度和电压的状态，例如”冷”、“适中”和”热”。
然后，我们可以根据这些模糊集合定义一些模糊规则，例如”当温度冷时，增加电压”等。
3.2 模糊控制器设计在Simulink中，我们可以使用Fuzzy Logic Controller模块来设计模糊控制器。
该模块提供了一种快速且简单的方法来创建模糊控制器。
首先，我们需要定义输入和输出的模糊集合，以及模糊规则。
然后，我们可以将这些参数传递给Fuzzy Logic Controller模块，并设置输入输出的信号传递方式。
3.3 系统仿真在完成模糊控制器的设计后，我们可以进行系统的仿真。
在Simulink中，我们可以通过连接输入信号和模拟环境来模拟系统的行为。
选取一个模糊控制的实例讲解，有文章，有仿真，有详细的推导过程。
一．实验题目：基于模糊控制系统的单级倒立摆二．实验目的与要求：倒立摆是联结在小车上的杆，通过小车的运动能保持竖立不倒的一种装置，它是一个典型的非线性、快速、多变量和自然不稳定系统，但是我们可以通过对它施加一定的控制使其稳定。
对它的研究在理论上和方法上都有其重要意义。
倒立摆的研究不仅要追求增加摆的级数，而且更重要的是如何发展现有的控制方法。
同时, 它和火箭的姿态控制以及步行机器人的稳定控制有很多相似之处，由此研究产生的理论和方法对一般工业过程也有广泛用途。
本文研究了倒立摆的控制机理，用Lagrange 方法推导了一级倒立摆的数学模型，这为研究多级和其它类型的倒立摆甚至更高层次的控制策略奠定了一个良好的基础。
对系统进行了稳定性、可控性分析，得出倒立摆系统是一个开环不稳定但可控的系统的结论。
本文主要研究用极点配置、最优控制和模糊控制方法对倒立摆进行稳定控制。
最优控制方法是基于状态反馈，但能实现输出指标最优的一种控制方法，方法和参数调节较简单，有着广泛的应用。
模糊控制有不依赖于数学模型、适用于非线性系统等优点，所以本文尝试了用模糊控制对倒立摆进行控制，以将先进的控制方法用于实际中。
同时，对倒立摆系统的研究也将遵循从建模到仿真到实控，软硬件结合的系统的控制流程。
在这过程中，借助数学工具Matlab7及仿真软件Simulink，作了大量的仿真研究工作，仿真结果表明系统能跟踪输入，并具有较好的抗干扰性。
最后对实验室的倒立摆装置进行了软、硬件的调试，获得了较好的控制效果。
三．实验步骤：1.一级倒立摆系统模型的建立在忽略了空气阻力、各种摩擦之后（这也是为了保证Lagrange 方程的建立），可将一级倒立摆系统抽象为由小车和匀质杆组成的系统，本系统设定如下：小车质量M；摆杆质量m，长为l；小车在x 轴上移动；摆与竖直方向夹角为θ，规定正方向如图所示；加在小车x 轴上的力为F；拉格朗日算子L 是系统动能Ec 和势能Ep 之差，拉格朗日方程由拉格朗日算子L 和广义坐标qi ( i=1,2,3⋯n) 表示如下：Fi 为系统沿该广义坐标方向上的外力，D 为由摩擦而消失的能，本系统中可认为D=0；本系统有两个广义坐标分别是x、θ。
30. 模糊控制在农业中的应用案例有哪些？30、模糊控制在农业中的应用案例有哪些？在当今科技飞速发展的时代，农业领域也在不断引入新的技术以提高生产效率和质量。
模糊控制作为一种智能控制方法，正逐渐在农业中展现出其独特的优势和广泛的应用前景。
模糊控制是一种基于模糊逻辑的控制方法，它能够处理那些具有不确定性、模糊性和不精确性的问题。
在农业生产中，许多因素都是复杂且难以精确量化的，比如气候条件、土壤质量、作物生长状态等。
模糊控制正好可以应对这些复杂的情况，为农业生产提供更加灵活和有效的控制策略。
在温室环境控制方面，模糊控制发挥着重要作用。
温室中的温度、湿度、光照强度等环境因素对作物的生长有着至关重要的影响。
传统的控制方法往往难以精确地维持这些环境参数在理想的范围内，而模糊控制则可以根据作物的生长阶段和实时的环境条件，自动调整温室的通风、遮阳、加热和灌溉等设备。
例如，当温度过高且湿度较低时，模糊控制系统会综合考虑温度和湿度的偏差以及变化趋势，智能地决定通风设备的运行时间和强度，以及灌溉系统的水量和频率，从而为作物提供一个相对稳定和适宜的生长环境。
在灌溉控制中，模糊控制同样表现出色。
土壤的含水率是决定是否需要灌溉以及灌溉量多少的关键因素，但土壤含水率的测量往往存在一定的误差和不确定性。
模糊控制可以根据土壤含水率的模糊测量值、天气状况（如降雨量、蒸发量）以及作物的生长阶段，来制定合理的灌溉计划。
它能够避免过度灌溉或灌溉不足的情况，提高水资源的利用效率，同时保证作物的生长需求得到满足。
在农业机械的自动化控制中，模糊控制也有诸多应用。
例如，在收割机的作业过程中，作物的密度、高度和成熟度等因素会不断变化，传统的控制方法可能难以适应这种变化。
而采用模糊控制技术，可以根据这些实时变化的因素，自动调整收割机的行进速度、割台高度和脱粒滚筒的转速等参数，从而提高收割效率和质量，减少损失。
另外，在农产品的品质检测和分级方面，模糊控制也能大显身手。
模糊控制算法实例解析（含代码）
首先来看一个实例，控制进水阀S1和出水阀S2，使水箱水位保持在目标水位O处。
按照日常操作经验，有以下规则：
1、若当前水位高于目标水位，则向外排水，差值越大，排水越快；
2、若当前水位低于目标水位，则向内注水，差值越大，注水越快；
3、若当前水位和目标水位相差很小，则保持排水速度和注水速度相等。
下面来设计一个模糊控制器
1、选择观测量和控制量
一般选择偏差e，即目标水位和当前水位的差值作为观察量，选取阀门开度u为控制量。
2、输入量和输出量的模糊化
将偏差e划分为5个模糊集，负大(NB)、负小(NS)、零(ZO)、正小(PS)、正大(PB)，e为负表示当前水位低于目标水位，e 为正表示当前水位高于目标水位。
设定e的取值范围为[-3，3]，隶属度函数如下。
偏差e对应的模糊表如下：隶属度
变化等级-3 -2
-1
1
2
3模糊集
PB 0 0 0 0 0 0.5
1PS 0
0 0.5 1 0.5 0ZO
0 0.5 1 0.5 0
0NS
0 0.5 1 0.5 0
0NB
0.5 0 0 0 0 0。
模糊控制应用实例1. 引言模糊控制是一种基于模糊逻辑的控制方法，它能够处理不确定性和模糊性问题。
本文将介绍模糊控制的应用实例，包括模糊控制在机器人导航、温度控制和交通信号灯控制等方面的应用。
2. 模糊控制在机器人导航中的应用2.1 模糊控制器设计在机器人导航中，模糊控制可以用于控制机器人的运动路径。
首先，需要设计一个模糊控制器，该控制器包括输入和输出变量以及一组模糊规则。
输入变量可以是机器人与障碍物的距离、机器人当前的角度等。
输出变量通常是机器人的速度和转向角度。
2.2 模糊控制器实现在机器人导航中，可以使用传感器来获取机器人与障碍物的距离和机器人当前的角度。
这些信息可以作为输入变量输入到模糊控制器中。
模糊控制器根据一组模糊规则来计算机器人的速度和转向角度，然后将其作为输出变量输出给机器人的控制系统。
2.3 模糊控制器优势相比于传统的控制方法，模糊控制在机器人导航中具有一定的优势。
首先，模糊控制能够处理不确定性和模糊性问题，使得机器人能够更好地适应复杂的环境。
其次，模糊控制可以通过调整模糊规则和输入变量的权重来优化机器人的导航性能。
最后，模糊控制可以很容易地与其他控制方法结合使用，以实现更高级的导航功能。
3. 模糊控制在温度控制中的应用3.1 温度控制系统在温度控制中，模糊控制可以用于调节加热器或制冷器的功率，以维持目标温度。
温度控制系统通常包括一个温度传感器、一个控制器和一个执行器。
温度传感器用于测量当前的温度，控制器根据温度的变化来调整执行器的功率。
3.2 模糊控制器设计在温度控制中，需要设计一个模糊控制器来根据当前的温度误差和误差变化率来调整执行器的功率。
模糊控制器的输入变量可以是温度误差和误差变化率，输出变量可以是执行器的功率。
通过选择适当的模糊规则和调整输入变量的权重，可以实现温度的稳定控制。
3.3 模糊控制器实现在温度控制中，可以使用一个模糊控制器来计算执行器的功率。
模糊控制器根据一组模糊规则来决定执行器的功率大小，然后将其输出给执行器。
模糊pid控制实例以下是一个模糊PID控制的简单实例：假设我们要控制一台电机的转速，目标是使电机转速尽可能稳定在设定值附近。
根据模糊PID控制器的工作原理，我们可以进行以下步骤：1. 设定目标值和初始设定值：设定电机转速的目标值，例如1000转/分钟。
同时设置初始的PID参数。
- 设定值（SP，Set Point）= 1000 RPM- 比例增益 (Kp) = 1- 积分时间(Ti) = 1- 微分时间(Td) = 0.12. 测量电机转速：使用传感器或编码器来测量电机当前的转速，得到当前的反馈值。
3. 模糊控制规则建立：基于当前误差（设定值减去反馈值）和误差的变化率，建立一组模糊逻辑规则，例如： - 如果误差为"NB"并且误差变化率为"PB"，则输出为"NB"。
- 如果误差为"NB"并且误差变化率为"NM"，则输出为"NM"。
- ...4. 模糊推理和模糊输出：根据模糊逻辑规则，进行模糊推理，即将当前的误差和误差变化率映射到模糊输出的隶属度值上。
5. 解模糊：将模糊输出映射回具体的控制量，例如根据模糊输出计算PID控制器的输出量。
6. 更新PID参数：根据误差的变化和模糊输出的结果来更新PID控制器的参数，例如根据误差的大小和变化率来调整PID参数，以使控制更加精确。
7. 反馈控制：将PID控制器的输出量应用于电机，调整电机的转速。
8. 循环控制：循环执行上述步骤，不断更新PID参数和反馈控制，使得电机转速尽可能稳定在设定值附近。
需要注意的是，以上是一个简单的示例，实际的模糊PID控制根据具体的应用情况和系统特点会有所差异。
参数的选择和模糊规则的建立都需要根据具体的控制对象进行优化和调整。
此外，在实际应用中，还需要考虑到系统的鲁棒性、性能指标等因素。
一、速度控制算法：首先定义速度偏差-50 km/h ≤e （k ）≤50km/h ，-20≤ec （i ）= e （k ）- e （k-1）≤20，阀值e swith =10km/h设计思想：油门控制采用增量式PID 控制算法,刹车控制采用模糊控制算法，最后通过选择规则进行选择控制量输入。
选择规则：e （k ）<0 ① e （k ）>- e swith and throttlr_1≠0 选择油门控制② 否则：先将油门控制量置0，再选择刹车控制 0<e （k ） 先选择刹车控制，再选择油门控制e （k ）=0 直接跳出选择刹车控制：刹车采用模糊控制算法1.确定模糊语言变量e 基本论域取[-50,50]，ec 基本论域取[-20,20]，刹车控制量输出u 基本论域取[-30,30]，这里我将这三个变量按照下面的公式进行离散化：)]2(2[ba x ab n y +--= 其中，],[b a x ∈，n 为离散度。
E 、ec 和u 均取离散度n=3，离散化后得到三个量的语言值论域分别为：E=EC=U={-3,-2,-1,0,1,2,3}其对应语言值为{ NB,NM,NS,ZO, PS,PM,PB } 2.确定隶属度函数E/EC 和U 取相同的隶属度函数即：E E CU (,5,1)(,3,2,0)(,3,1,1)u (,2,0,2)(,1,1,3)(,0,2,3)(,1,5)g x trig x trig x trig x trig x trig x g x ∧∧--⎧⎪--⎪⎪--⎪=-⎨⎪-⎪⎪⎪⎩说明：边界选择钟形隶属度函数，中间选用三角形隶属度函数，图像略实际EC 和E 输入值若超出论域范围，则取相应的端点值。
3.模糊控制规则由隶属度函数可以得到语言值隶属度（通过图像直接可以看出）如下表： 表1：E/EC 和3.模糊推理由模糊规则表3可以知道输入E 与EC 和输出U 的模糊关系，这里我取两个例子做模糊推理如下：if (E is NB) and (EC is NM) then (U is PB) 那么他的模糊关系子矩阵为：1211U EC E R R R R ⨯⨯=其中，711)0,,0,5.0,1(0⨯== P R E ,即表1中NB 对应行向量，同理可以得到，712)0,,0,5.0,1,0(1⨯== P R EC , 711)0,,0,5.0,1(0⨯== P R U77210000000000005.05.00005.010)0,,0,5.0,1,0()0,,0,5.0,1(⨯⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=⨯=⨯TEC E R R 49121)0,,0,5.0,5.0,0,0,0,0,0,5.0,1,0(⨯= EC E R7491211000000005.05.00005.0100000)0,,0,5.0,1()0,,5.0,1,0(⨯⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=⨯=⨯= TU EC E R R Rif (E is NVB or NB) and (EC is NVB) then (U is PVB)1112U EC E R R R R ⨯⨯= 结果略按此法可得到27个关系子矩阵，对所有子矩阵取并集得到模糊关系矩阵如下：)27,,2,1(21 ==i R R R R i 由R 可以得到模拟量输出为：()U E EC R =⨯4.去模糊化由上面得到的模拟量输出为1×7的模糊向量，每一行的行元素（u （z ij ））对应相应的离散变量z j ，则可通过加权平均法公式解模糊：)21,,2,1()()(21021===∑∑==j i zu z zu u i iji jij从而得到实际刹车控制量的精确值u 。
选取一个模糊控制的实例讲解，有文章，有仿真，有详细的推导过程。
一．实验题目：基于模糊控制系统的单级倒立摆
二．实验目的与要求：
倒立摆是联结在小车上的杆，通过小车的运动能保持竖立不倒的一种装置，它是一个典型的非线性、快速、多变量和自然不稳定系统，但是我们可以通过对它施加一定的控制使其稳定。
对它的研究在理论上和方法上都有其重要意义。
倒立摆的研究不仅要追求增加摆的级数，而且更重要的是如何发展现有的控制方法。
同时, 它和火箭的姿态控制以及步行机器人的稳定控制有很多相似之处，由此研究产生的理论和方法对一般工业过程也有广泛用途。
本文研究了倒立摆的控制机理，用Lagrange 方法推导了一级倒立摆的数学模型，这为研究多级和其它类型的倒立摆甚至更高层次的控制策略奠定了一个良好的基础。
对系统进行了稳定性、可控性分析，得出倒立摆系统是一个开环不稳定但可控的系统的结论。
本文主要研究用极点配置、最优控制和模糊控制方法对倒立摆进行稳定控制。
最优控制方法是基于状态反馈，但能实现输出指标最优的一种控制方法，方法和参数调节较简单，有着广泛的应用。
模糊控制有不依赖于数学模型、适用于非线性系统等优点，所以本文尝试了用模糊控制对倒立摆进行控制，以将先进的控制方法用于实际中。
同时，对倒立摆系统的研究也将遵循从建模到仿真到实控，软硬件结合的系统的控制流程。
在这过程中，借助数学工具Matlab7及仿真软件Simulink，作了大量的仿真研究工作，仿真结果表明系统能跟踪输入，并具有较好的抗干扰性。
最后对实验室的倒立摆装置进行了软、硬件的调试，获得了较好的控制效果。
三．实验步骤：
1.一级倒立摆系统模型的建立
在忽略了空气阻力、各种摩擦之后（这也是为了保证Lagrange 方程的建立），可
将一级倒立摆系统抽象为由小车和匀质杆组成的系统，本系统设定如下：
小车质量M；摆杆质量m，长为l；小车在x 轴上移动；摆与竖直方向夹角为θ，规定正方向如图所示；加在小车x 轴上的力为F；
拉格朗日算子L 是系统动能Ec 和势能Ep 之差，拉格朗日方程由拉格朗日算子L 和广义坐标qi ( i=1,2,3⋯n) 表示如下：
Fi 为系统沿该广义坐标方向上的外力，D 为由摩擦而消失的能，本系统中可认为D=0；本系统有两个广义坐标分别是x、θ。
整个系统（车＋摆）移动时的动能：
其中v 代表摆重心的速度矢量，重心位移为(x轴方向)（y轴方向）于是：，
系统势能是摆重心的势能：
于是拉格朗日算子;
,
于是根据自由度q(t)=x(t) 的拉格朗日方程如下：
（1-1）同理，可获得根据自由度q(t)=θ(t), 的拉格朗日方程如下：
因广义坐标θ方向上无外力作用，即
即拉格朗日方程为：（1-2）
由于倒立摆在平衡过程中摆角幅度很小，设竖直向上方向为θ＝0 ，则在竖直方向附近摆角不大的范围内，可近似认为
于是（1-1）、（1-2）式可线性化为：
整理成状态空间方程形式，可得
（其中取u=F）（1-3）实际系统的参数为：M=1Kg, m=0.1Kg, l=0.5m, g≈10m/s2
2.一级倒立摆系统性能分析
单级倒立摆系统的的开环特征根用matlab 的p=eig(A) 语句计算得
{0 0 5.6745 -5.6745}
这说明开环系统有一个极点在∣S∣平面右半平面，有两个极点在原点，因此系统是不稳定的。
根据线性系统理论系统{A,B,C,D}能控，满秩，即rankQ0=k，在matlab 里可以编辑m文件，求解系统的能控阵、能观阵，求它们的秩，从而
判断系统的能控性、能观性。
对于（3）式所表示的系统求得所以系统开环虽不稳定，但状态完全能控，这为实现倒立摆的稳定控制提供了理论依据。
计算一级倒立摆线性动态方程开环特征根、能控性矩阵过程作为实验结果1。
3.状态反馈和极点配置法
设控制对象状态方程为：
控制系统的各种特性以及其各种品质指标很大程度上由其闭环系统的零点和极点的位置决
定。
极点配置法的控制原理就是设计状态反馈律中的K矩阵，使反馈闭环后的系统：
具有所需要的极点配置。
即闭环特征方程：
为所期望的极点。
下面给出Gura-Bass 算法的步骤：
1判断Σ(A,B)的完全可控性。
确定能否完成预定的闭环极点配置综合目标。
2由给定的动态指标或闭环极点要求确定闭环特征多项式的n个系数βi。
3确定开环系统的特征多项式。
4求变换阵L=
能控阵Q=
5状态反馈阵K 由下式求出
采用状态反馈方法使系统稳定并配置极点,
带入系统的物理参数M=1Kg, m=0.1Kg, l=0.5m, g≈10m/s2
得到系统矩阵A 和输入矩阵B 为
由上面分析可知，倒立摆系统有在复平面右半平面的特征根，所以该系统是不稳定的。
也就是说，u=0 时，倒立摆系统是不稳定的系统；同时也意味着当x 非零时，总存在将x 转移至零的控制作用，亦即系统的状态是能控的。
根据线性系统理论，不稳定的系统应用状态反馈，可使反馈后的系统的特征根，即矩阵（A-BK）的特征值，位于复平面的左半平面，从而使闭环系统稳定。
亦即可使摆杆垂直且使小车处于基准位置，达到稳定状态；完全能控的系统可以通过对状态反馈矩阵的适当选择，使系统的极点按性能指标得到任意期望的配置。
对于上述倒立摆系统根据Gura-Bass 算法配置其闭环极点，使其阶跃响应满足：过渡过程时间ts，超调量σ% %<5%。
首先要将期望的性能指标转化为复平面上极点的位置。
其思路就是根据经验公式和性能指标确定一对主导闭环极点，然后将非主导极点放在复平面上远离主导极点的地方。
根据系统的动态指标超调量σ%<5%，过渡过程时间t s<3s，以及二阶系统极点与动态指标的关系：
可以求得期望的系统闭环主导极点为：p1=-2+2i，p2=-2-2i，因为原系统是四阶的，所以选取另外两个非主导极点为－20 和－80。
此程序作为实验结果2。
4.一级倒立摆系统的最优控制器设计
倒立摆系统是一个单输入双输出系统，被控系统的输入量是施加在小车上的力或小车的加速度，输出量是摆杆的角度和小车的位移。
最优控制信号虽然实际上也是一个状态反馈信号，但是在性能指标J 最小的意义下求得的，与极点配置法的状态反馈不一样。
下面用Matlab 中的lqr 函数，求最优控制器对应的K。
lqr 函数允许我们选择两个参数—— R 和Q，这两个参数用来平衡系统对输入量和状态量的敏感程度。
最简单的情况是假设R=1 ，Q 为单位矩阵。
当然，也可以通过改变Q 矩阵中的非零元素来调节控制器以得到期望的响应。
5.一级倒立摆的模糊控制器仿真设计
设定系统的初始状态为：下（相当于摆的初始倾斜角度为0.1rad，车和摆的速度为0，小车的位置在x=0 处）
为使摆不取决于小车的位置x而处于垂直位置，可以在零设定点调节角位置θ(t)。
因此模糊控制器呈现两个输入θ和，以及反馈力输出F，相应的Simulink 模型见图5-1所示。
目标信号见图5-2，扰动信号见图5-3。
5-25-3
倒立摆模糊控制Simulink模型：
5-1 所建立的模糊推理系统：
输入θ的隶属函数：
输入的隶属函数：输出f 的隶属函数：
对小车位移和摆角正方向的定义，建立如下的模糊规则：
5.模糊控制器初始化，先新建空白页，运行Untitled1.m,再在Command window输入fuzzy，导入，然后在Command window输入test.fis,Test = readfis('Test.fis'再仿真。
四．实验结果：
实验结果1：
从图中可以看出，小车位置以及摆杆角度都是发散的，开环系统不稳定。
实验结果2：
从图中可以看出，系统的快速性很好，过渡过程时间不超过3 秒，并且响应过程中只振荡了一次，超调量也非常小，基本满足最初的设计要求
实验结果3：
注;黄色为角度，红色为角速度。
从图中看出，系统的输出角度曲线可以跟踪目标信号，抗干扰性也比较好。
