2014肖春元毕业论文两轮自平衡循迹小车答辩.pptx

毕业论文答辩双轮自平衡机器人移动控制系统设计2014.5.23研究背景及意义 从社会发展来看 现代社会自动化水平越来越来高，人们迫切需要更智能化的工具代替人工，提高效率。所以本设计顺应时代潮流。 从环境保护来看当今世界环境污染、能源危机问题越来越来严重，而两轮车有节能、方便、无污染的优势，所以研究有良好的市场导向。研究背景及意义 从学术研究来看双轮自平衡机器人是一个复杂的动态控制过程，具有多变量、非线性、强耦合等特点，对实践要求较高。作为一个自动化本科毕业生，研究它可以提高我的分析、设计能力，开阔我的眼界。所以该设计值得为之努力。设计总体思路设计总体思路建立直流电机空间状态方程小车直流电机模型如下图: 建立直流电机空间状态方程由上图，结合电机动力学原理，电路理论，现代控制理论可得状态间方程（具体论文有推导）： 由以上状态空间方程，可知通过控制输入电压U就可以控制车模倾角和速度。 判断系统的能控能观性同理用obsv（，），obsvf（，）就可得到系统为满秩的能观系统。代入参数的系统状态方程如下： 车模倒立摆模型分析根据小车实际的受力情况可建立如下的“倒立摆”物理模型设小车重心集中在黑色圆里，在小车沿杆（刚体）方向，在杆的支撑力作用下可以平衡，由力学平行四边形分解法则，可得垂直杆方向运动方程：由小车角度很小，可得，当小车静止时加速度为0.可简化为： 车模倒立摆模型分析可得”倒立摆”模型传递函数：得“倒立摆”两个极点为：两极点有一个在右半平面，系统不稳定。 要想使系统稳定就要加入比例、微分反馈控制 车模倒立摆模型分析加入比例、微分反馈控制后的系统框图如下：由梅森公式可得系统传递函数为： 车模倒立摆模型分析此时系统的两极点为：上式可知，当时，两根在左半平面，由奈奎斯特稳定判据得系统稳定。·●并由此在设计车模稳定控制时，设计一个由角度和角速度构成的软件比例、微分控制可使小车动态平衡。这是很重要的理论基础 任务分解及总体设计构架设计任务是：小车直立行走并可以根据红外检测地面灰度信号循迹 任务分解及总体设计构架系统总控制框图如下：控制器采用STC12C5A60S2，下面就系统总控制框图选择合适硬件完成以上信息采集和控制目标 硬件选型及硬件电路1.主控芯片STC12C5A60S2(经济便宜）2.电源模块（12V学校借的开关电源，5V由LM2596S降压得到）3.电机驱动（L298N），电机就用减速比1：30的减速电机4.传感器模块（光电编码、陀螺仪和加速度计mpu6050、红外循迹传感器） 硬件选型及硬件电路LM2596S电路原理图 硬件选型及硬件电路L298N原理图 硬件选型及硬件电路Mpu6050电路原理图 传感器数据融合和滤波1.分析集成芯片MPU6050（陀和加）采集数据特点，得出为什么要滤波，滤波的重要性陀螺仪测量角速度信息，加速度计测量角加速度信息，得到倾角陀螺仪要角速度积分，加速度计要利用X、Z轴的角加速度反正切值 传感器数据融合和滤波2.陀螺仪和加速度计的微分方程由上微分方程，以accel-Q为加速度计估计陀螺仪的一个常值偏差可得系统的状态方程和测量方程： 传感器数据融合和滤波系统状态方程和测量方程如下： 传感器数据融合和滤波将状态方程和观测方程离散化得： 传感器数据融合和滤波 3.卡尔曼滤波五个重要方程x(k|k-1)=Ax(k-1|k-1)+BU(K) B=A= 传感器数据融合和滤波卡尔曼滤波五个方程不断获取最优值过程可解释为; 传感器数据融合和滤波互补滤波就是保留加速度计的静态角度,低通滤去快速变化的信号,高通滤去陀螺仪静态角速度信息.两组信息取不同权重系数(陀螺仪大)计算式如下:通过卡尔曼滤波和互补滤波可以使倾角更接近实际有利平衡控制,且两组滤波可以软件实现,互补滤波软件计算较小但误差比卡尔曼滤波大.实际……. 速度滤波要小车匀速运行,就要使速度可以在PWM控制下快速收敛到目标值这样可以设计滤波算法如下:Speed=0.7*speed0+0.3*speed这样速度会收敛到speed0,由单片机快速运行和速度的PD控制可以保持相对匀速. PID控制PID控制框图如下(介绍P、I、D特点，设计用到的增量式PID）离散系统用到增量式PID算法如下: PID控制小车PID控制设计框图如下： 软件设计及调试提到中断程序没有在左流程 软件设计及调试★机器人安装注意★调试包括MPU6050测零点漂移，电机死区测量，数据融合Kalman与互补滤波比较 软件设计及调试 PID调试策略PID调试，要根据车模参数调试，首先进行估计，否则漫无目的的调就如同太海捞针。例如角度比例参数kp=2，那么当角度很大的时候，假设为 30 度，此时控制量为 2*30=60255，结果就是车都快倒了，然而电机的PWM 却很小，这样小车肯定调