随着智能制造概念的提出和发展,机械臂广泛应用于现代制造业的各个领域。许多机械臂高速、高精度作业都需要动力学层面的控制,而机械臂的动力学模型往往难以直接得到,需要进行动力学参数辨识。本文针对机械臂动力学参数辨识与验证的问题,从机械臂激励轨迹优化、机械臂动力学参数辨识和机械臂轨迹跟踪等方面展开了研究。主要研究内容如下:基于改进傅里叶级数和免疫克隆算法的机械臂激励轨迹设计优化。针对传统激励轨迹设计以傅里叶级数形式展开,会导致机械臂启停过程中产生抖动的问题,导致跟随轨迹精度降低,通过将多项式引入傅里叶级数代替常数项,来保证执行过程中的首尾封闭。将条件数作为优化指标,通过免疫克隆算法优化,得到一条首尾封闭,抗噪声能力强的较优激励轨迹。基于神经网络的机械臂动力学参数辨识。针对传统最小二乘回归易受异常数据的干扰,从而导致辨识精度降低。将激励轨迹作为实验轨迹,进行动力学参数辨识的实验,并实时采集得到关节角度、力矩等信号数据,采用滤波算法对数据进行滤波,通过神经网络来辨识动力学参数,在前三关节的力矩残差根要小于最小二乘以及对比文献的值,提高了动力学参数的精度和可靠性。基于MPSO优化的RBF神经网络机械臂轨迹跟踪。传统PD控制难以补偿建模不精确以及外部干扰,将控制模型分为精确部分与不精确部分,对于不精确部分采用RBF前馈网络来进行补偿,针对RBF网络收敛较慢的问题,采用改进粒子群算法来优化RBF的初始参数,并与未优化的RBF控制器进行对比分析,可以证明优化的RBF控制器拥有更快的收敛速度。基于上述的技术研究,完成了机械臂激励轨迹优化和动力学参数辨识软件模块开发。以珞石4kg机械臂为研究对象,进行了机械臂动力学参数辨识与前馈补偿控制的研究,结果表明基于前馈控制的轨迹跟踪累计误差要小于未加前馈控制,验证了动力学参数的准确性。