以线性代数、最优化方法等严谨的数学工具为代表的现代控制理论虽然能解决比古典控制复杂很多的系统,但仍然不能满足当代技术的需要,因此需要引入新的控制策略。而随着人工智能领域的逐渐发展,智能控制在解决复杂被控对象的控制问题中越来越显示出其优越性,并在实际应用中显示出很强的生命力。虽然智能控制理论只有几十年的历史,但其已有的应用成果和理论发展说明了智能控制正成为自动控制的前沿学科之一,体现了一个当前发展的方向。倒立摆系统具有多变量、高阶次、严重非线性、绝对不稳定等特性,在其控制过程能有效反映控制中的许多关键问题,如镇定性问题、非线性问题和鲁棒性问题等。因此,倒立摆系统常用来检验控制理论的有效性,其研究过程不仅具有意义深远的理论价值,又具有重要的工程背景和实际意义。针对倒立摆系统的智能控制这一理论课题,本文主要研究了以下内容:1.对倒立摆系统的组成及其工作原理进行了研究,并分析倒立摆系统控制过程中的鲁棒性及主要干扰源。2.对智能控制神经网络BP算法进行系统的学习和研究,设计出基于规则库的神经网络控制器,并利用Simulink仿真平台与一级倒立摆模型连接仿真成功,对一级倒立摆的实际控制具有较好的鲁棒性。3.采用智能控制的方法将模糊控制与神经网络融合,利用神经网络的学习能力来训练模糊控制器的隶属度函数,设计模糊神经网络控制器,提高整个系统的学习能力。4.完成基于Simulink仿真平台的计算机仿真后,采用基于MATLAB软件的控制界面,将上述研究过程得到的模糊神经网络控制器应用到固高公司生产的直线倒立摆实验系统中,在实验过程中调整控制器参数,并总结设计过程选取的参数对系统性能的影响,验证控制器的有效性。