随着工业生产自动化程度的提高,X-Y平台在工业生产中的应用也越来越广泛,已广泛用于冶金、机械制造、汽车工业以及军事、航天等各个领域。当X-Y平台的末端执行器与外界环境接触时,工作环境对控制性能也有较强的影响。近十几年来,许多学者不断用新的控制理论和方法,从不同的角度,对上述问题的解决进行理论和实际应用上的尝试。然而X-Y平台本身是一种非线性且含有诸多不确定因素的对象,工作环境接触刚度的不同对控制性能也有较大的影响,X-Y平台的应用范围因而受到极大制约。基于上述问题,本文在力/位置控制的基础上,主要针对X-Y平台参数摄动及外界工作环境接触刚度的不确定进行研究。针对X-Y平台动力学和外界环境的不确定性提出一种基于改进神经网络的控制方案。通过遗传算法对神经网络参数进行学习和调整,可以避免传统的BP算法易陷入局部极小点的缺点,还增强了系统的鲁棒性和自适应能力。在力/位置混合控制的基础上,首先设计了一种CMAC控制器与自适应模糊控制器相结合的控制方案,小脑模型神经控制器实现前馈控制,自适应模糊控制器实现反馈控制,保证系统的稳定性,且抑制扰动。针对实际应用中对不确定性的要求,又提出了一种模糊CMAC控制器与反馈控制器相结合的控制方案,采用模糊CMAC在线学习所有不确定性的包络函数的上界,引入反馈控制器,以增强模糊CMAC控制策略的完备性。力/位置混合控制理论明确,但付诸实施难。为此,本文又在机器人阻抗控制的基础上,针对X-Y平台和环境的不确定性,提出一种具有鲁棒性的阻抗控制结构,使用模糊CMAC作为补偿控制器消除力控制中的所有不确定性,具有较强的鲁棒性和较好的实用价值。