冷凝器是工业领域中起冷却作用的重要装置，它将蒸汽从气态转变为液态。这样做可以使气体提供的潜热转变成冷却介质。冷凝器作为一个能量交换装置，是由有许多小的冷凝管纵横交错组成的，有各种尺寸满足不同生产流程的需求。通常在实际生产中，冷凝器长期处于连续在线工作状态，由此对设备自身带来的损害是非常常见的。将会降低冷凝器的运行效率。此外，冷凝器的损坏不仅影响了冷凝器的冷却效果，还将会增加生产成本。因此实现冷凝器的在线清洗和检测对于保障冷凝器安全可靠经济运行至关重要。近年来，本人所在的研究团队针对大型冷凝器研制了在线清洗和检测移动机器人，具有工作效率高、环境适应能力强、能够完成危险作业的特点。冷凝器清洗检测机器人是一个冗余驱动系统，由于难以建立精确的数学模型，常规控制方法在实际中的应用效果较差，探索能够实现良好作业性能的控制系统具有一定的难度。针对这一问题，本文分别将神经网络控制、模糊神经网络控制和模糊小波神经网络控制应用于冷凝器清洗检测机器人的控制系统中，提高了设备的性能，取得了良好的应用效果。　　本文的主要研究工作如下:　　1)第一部分提出了带有鲁棒补偿器的智能自适应轨迹跟踪神经网络控制方法。该方法中，利用自适应径向基函数神经网络（RBFNNs）对机器人的未知动态进行逼近，使得控制系统的设计不依赖于系统的先验知识。采用滑模变结构控制(SMC)作为鲁棒补偿算法，并与RBFNNs的优点相结合，所设计的控制方法可以实现精确的轨迹跟踪和良好的控制性能。此外，利用反向传播算法(BP)和Lyapunov理论实现控制算法参数的自调节，可以保证整个系统的镇定和参数调节的收敛。与基于自适应模糊理论(AF)和小波网络理论(WNs)的控制方法相比，该方法具有更好的控制性能。仿真和实验验证了所设计方法的有效性和鲁棒性。　　2)第二部分针对两连杆CADRM惯量时变、存在外部扰动和建模不确定性的特点，采用基于RBFNNs的SMC智能鲁棒自适应轨迹跟踪方法实现了CADRM的周期运动和预定轨迹跟踪控制。在该方法中，利用三层RBFNNs逼近机器人的非线性动态，利用Lyapunov稳定性理论对RBFNNs的权重进行自适应调节，保证了整个系统的全局镇定性和鲁棒性，跟踪误差可以收敛到所需要的精度。与比例微分控制(PD)和自适应模糊控制相比，在参数变化和存在外部扰动情况下，基于RBFNNs的SMC具有更好的性能。仿真验证了所设计方法的控制精度和鲁棒性，并利用两连杆CADRM进一步对算法进行了实验验证。　　3)第三部分利用模糊神经网络方法(FNNs)为CADRM设计了智能鲁棒自适应控制方法。该方法结合了FNNs和SMC控制的优点，期望在各种条件下都能够达到更高的位置控制精度。采用四层FNNs对机器人非线性动态进行逼近，以削弱滑模控制固有的抖振现象。此外，该方法利用Lyapunov稳定性理论自动调节控制算法中的参数，保证了系统的全局稳定性、鲁棒性和位置控制精度。与比例-积分-微分控制(PID)和AF控制相比，该方法具有更好的柔性。仿真和实验结果显示，采用所设计的方法有效削弱了滑模控制的抖振，显著提升了系统的跟踪性能。　　4)第四部分针对两连杆CADRM设计了基于动态FWNNs的智能鲁棒自适应控制方法，该方法实现了小波理论、模糊逻辑和神经网络的结合，使系统具有更快的学习能力和收敛速度，并且实现了结构性和非结构性不确定性的补偿。在动态结构FWNNs中，基于与小波函数相关联的模糊规则构建了四层FWNNs，对结构性、非结构性不确定性动态和复杂模型进行补偿。采用自适应律对算法的参数进行调节，所采用的自适应律是基于Lyapunov稳定性理论设计的，可以减少计算节点，增加完成时间。因此该方法可以达到期望的轨迹跟踪性能，保证了系统的镇定性、鲁棒性和位置跟踪精度。与WNs和AF相比，在存在参数变化和内部扰动情况下，该方法具有更好的性能。仿真和实验验证了所设计的智能控制方法的有效性。