随着IC芯片集成度的不断提高,微型化越来越成为发展的一个方向,芯片的尺寸及引线间距越来越小,对封装设备的运行精度和运行速度、加速度提出了更高的要求。在这种高要求下,如何有效抑制非线性扰动对伺服性能的影响,已成为高加速度系统的高精度控制理论面临的巨大挑战。IC封装机器人在高加速过程中非线性摩擦在不同运动状态呈现复杂的摩擦现象。极限工况下高加速运动系统中,摩擦在宏运动段和微运动段呈现复杂的非线性和尺度的差异性特点,如何实现系统非线性摩擦的全域准确估计与跨尺度补偿,是提高IC封装等各类高加速运动装备跟踪精度及定位时间性能的关键。论文首先为了获取包含系统丰富的非线性摩擦信息的数据源,通过多样化的训练轨迹设计,基于敏感函数逆构造的迭代学习算法对训练轨迹进行控制,将获得高精密跟踪结果的迭代学习前馈数据用于非线性摩擦与状态量之间的关系分析并作为后续的摩擦建模过程的数据源。其次,基于数据驱动的思想,充分利用非线性摩擦数据源可实现特定轨迹的精密跟踪,包含了系统丰富非线性摩擦特征的特点,对ELM网络进行训练,发挥EI-ELM单隐层神经网络运算快,精度高,网络结构最优的优势,考虑摩擦估计过程中宏微运动段数据特征带来的训练误差并根据分段思想进行优化,最终获得复杂非线性摩擦的分段EI-ELM模型并设计测试轨迹对比其他方法进行实验验证。最后将EI-ELM建模过程中涉及到的系统辨识、迭代学习律设计、轨迹跟踪、数据存储、EI-ELM建模等一系列过程通过Matlab算法封装的GUI程序与VB.NET的PMAC运动控制卡面板相结合,编写一款集成度高,简化用户应用的前馈补偿软件,便于重复性实验验证上述算法在不同情况下的适用性。本课题的研究对提高IC封装机器人高加速运动过程中的复杂非线性摩擦估计及补偿精度具有重要意义。