并联机器人机构简单、承载能力强,在结构上具有独特优势,是近年来的研究热点,广泛应用在工业生产、运动模拟和振动平台等领域。并联机器人对工作空间要求不大,但是对控制系统的精度和稳定性有较高的要求。在实际应用中,并联机器人受到自身耦合关系和外界环境因素干扰,传统控制策略存在参数不易调节的问题,难以满足非线性系统控制需求。因此,本文以6-PSS并联机器人为研究对象,寻求一种简单可靠、鲁棒性强的神经网络控制策略。首先对6-PSS并联机器人的结构进行了阐述,绘制了并联机器人三维立体模型,建立动坐标系和定坐标系,根据支链定长杆的几何关系,利用坐标变换原理建立了运动学模型,通过运动学逆解得到了雅可比矩阵。为了保证并联机器人连续平滑完成运动任务,采用梯形轨迹规划使各支链驱动单元在启动阶段加速运动,停止阶段减速运动,得到了六个支链的移动副位移轨迹,为轨迹跟踪控制奠定基础。其次,考虑到6-PSS并联机器人的耦合关系和外界干扰对控制系统的影响,传统PID控制参数固定不变,无法满足对控制的动态需求。采用分散控制策略,对并联机器人各支链精确稳定控制以达到对并联机器人的高精度控制效果。采用RBF神经网络与PID控制策略相结合设计机器人支链控制器,控制器输入为各支链的移动副期望运动轨迹,RBF神经网络根据支链期望轨迹和实际轨迹的误差值对PID参数动态调节,实现对六个支链的自适应控制,跟踪时间从0.5s优化到实时跟踪,提高了系统的动态特性。最后,考虑到梯度下降法对RBF神经网络训练的过程中,无法保证训练后神经网络参数为全局最优解,引入两种智能算法对RBF神经网络进行优化。将RBF神经网络初始参数值作为粒子群算法的粒子初始位置,将并联机器人支链的系统误差作为适应度函数,在不断迭代过程中更新粒子位置,得到全局最优位置解。采用多种群遗传算法,多个子种群同时对RBF神经网络的初始值进行训练,选取支链的系统误差作为适应度函数,增加了移民算子,通过人工选择的方式加速寻优过程,得到全局最优解。粒子群算法和多种群遗传算法都将各支链控制器的系统误差作为适应度函数来调整优化搜索方式,具有较强的鲁棒性,将寻优过程中得到的全局最优解传递回RBF神经网络PID控制器,在受到干扰后0.05s即可恢复控制,抗干扰性更强,保证了控制器对支链的控制精度,进而提高6-PSS并联机器人的轨迹跟踪控制效果。