王鹏飞，胡 健,，姚建勇，周海波，方靖荃，李 曦

(1.南京理工大学 机械工程学院，江苏 南京 210094；2.中南大学 高性能复杂制造国家重点实验室，湖南 长沙 410083)

机械臂的高精度运动控制在当今工业自动化领域中起着重要作用。随着计算机技术和控制理论的飞速发展，基于模型的控制方法逐渐成为机械臂控制的主流方法，如反馈线性化控制方法[1-2]。但是，在实际工程中，往往难以获得精确的系统数学模型[3]，继而又发展出了自适应控制(Adaptive Control,AC)方法[4-6]和自适应鲁棒控制(Adaptive Robust Control,ARC)方法[7-8]，但是这些方法都存在一定的缺点。传统的机械臂自适应控制大都采用滑模自适应的方法，这种方法在系统存在时变参数时往往会失效，并且在控制过程中容易出现抖振的现象。ARC在系统存在强干扰时则需要不断调大增益，而过高的增益会使系统振荡剧烈甚至完全不稳定。

神经网络已经被证明是处理系统参数不确定性和复杂外部干扰的有力工具[9]。例如，Lewis在这一领域做了很多研究[10]，并提出了一套基于高斯基函数的单层神经网络控制策略。但是这种网络只能实现函数的局部逼近，其近似精度受到了限制。另外，在构建神经网络的过程中，神经网络的重构误差是难以避免的，但是许多文章中只是把重构误差看作一个有界值的扰动。在本文中将设计一个多层的前馈神经网络逼近器对模型进行逼近，不但提高了近似精度，并且考虑了一个可以在线更新的鲁棒项来减小神经网络的重构误差，而不需要知道其界值。……