Stewart并联机器人具有非线性强、耦合度高的特点,控制的难度较高,针对平台的这些困难点,文章提出了基于动力学模型的模糊计算力矩控制方法,实现平台的较高精度的轨迹跟踪控制,且控制的过程更加的灵活,适应性更强。计算力矩控制方法就是根据并联机器人的动力学模型以及平台的路径规划,结合机构的运动学分析,可以计算出每个缸体的瞬时施加力的大小,实现对平台的精确控制。再通过模糊算法控制器,实时动态的优化计算力矩算法的控制参数,使得控制的精度更加的精准,实时性也更强,同时拥有较高的抗干扰能力和应变能力。经过仿真得到结果,此算法具有明显的效果并且实用性非常好。

为了实现对三自由度Delta并联机器人更精确的轨迹跟踪控制,对并联机构的动力学建模不确定性进行研究,提出了计算力矩控制基础上的RBF神经网络在线补偿控制策略。利用Lyapunov理论推导了神经网络在线权值自适应律,保证了系统稳定性。运用RBF神经网络在线自学习系统的不确定性,提高了控制效率同时增加算法的自适应性。在Simmechanics中建立系统物理模型并在Simulink中设计控制器,之后进行Simulimk/Simmechanics联合仿真,结果表明算法优于计算力矩控制,可以有效减小跟踪误差的收敛半径,实现对目标轨迹的准确跟踪。