本文介绍了改进非线性机械臂跟踪性能的控制策略。机械臂的运动类型可以分为重复运动和非重复运动。为了处理非重复运动的分数阶控制策略,并讨论了重复运动问题点对点迭代学习控制。因此,本文讨论了这两项运动任务。在两个步骤的过程中,提出了一种提高机械臂位置跟踪性能的技术。第一步是在分数阶S-域内识别机械臂动力学,第二步是基于识别分数阶模型的分数阶控制器设计。(1)为实现非线性机械臂的精确位置跟踪,设计了分数阶PID控制器。由于系统动态的非线性特性,状态之间存在耦合,采用分数阶技术,更准确地建立非线性系统动力学模型。在此基础上,采用全局模型识别方法,将系统的输入输出数据作为模型识辨识算法的输入。采样基于梯度的Marquadt算法用于识别未知参数。此外,建立了机械臂连杆的动力学的两种分数阶模型。通过仿真验证了模型的有效性。(2)针对系统的分数阶模型,设计分数阶PID控制器(FOPID)。FOPID控制器比常规PID控制器具有更大的优势,如稳定裕度的增加,稳态误差的消除,对参数变化的鲁棒性,抑制高频干扰和输出干扰等。在分数阶控制器的设计中,控制器参数的优化设计对性能指标的优化非常重要。在本章中,采用Nelder-Mead优化算法来调整控制器参数。与粒子群算法相比,Nelder-Mead优化算法计算复杂度低,能够处理高维问题。此外,利用加权求和方法,建立了基于时域的性能指标。最后,对机器人手臂的非线性模型进行了控制器的设计。通过仿真验证了 FOPID的有效性。(3)基于修正后的计算力矩,提出了机器人臂位置跟踪的一种新的控制策略。利用逆动力学建模方法,将非线性系统动力学线性化,并设计了 FOPID来处理剩余的建模误差。采用基于期望设计准则的Nelder-Mead优化技术,对控制器参数进行优化。控制设计由两个部分组成,一个是内环的基于计算转矩的控制器,一个是外环的FOPID控制器。仿真结果表明,与传统的外回路PID控制器相比,本章的方法可以有效改善跟踪性能。(4)将迭代控制策略应用在机械臂的重复运动控制问题上。利用神经网络解决了现有的点对点学习方法中每次迭代初始条件不同的问题。此外,将本文方法与点到点ILC相结合,以提高点对点ILC的跟踪性能。最后,仿真结果验证了算法的有效性。