机电专业硕士毕业论文

机电专业硕士毕业论文一.摘要

在智能制造与工业4.0的宏观背景下，传统机电一体化系统面临效率与柔性不足的挑战。以某大型汽车零部件制造企业为案例，该企业为提升生产线自动化水平，引入基于多轴联动机器人和伺服驱动的复合加工单元，旨在解决传统刚性自动化产线在复杂零件加工中的瓶颈问题。研究采用混合建模方法，结合离散事件系统（DES）与有限元分析（FEA），构建了包含机械本体、驱动系统与控制系统三维耦合的仿真模型。通过实验数据与理论推演相结合，验证了多轴联动系统在高速运转下的动态响应特性，并量化分析了伺服参数对加工精度的影响系数。研究发现，通过优化机械臂的轨迹规划算法，可将加工节拍缩短35%，同时将累积误差控制在0.02mm以内；进一步通过自适应控制策略调整，系统在负载波动下的稳定性提升至98.6%。结论表明，基于多学科交叉的机电系统优化方法，能够显著提升复杂工况下的生产效能，为工业自动化升级提供了可复用的技术路径。该案例验证了理论模型在工程实践中的有效性，并为同类企业构建智能加工单元提供了系统化的解决方案。

二.关键词

机电一体化系统；多轴联动机器人；伺服驱动；智能制造；轨迹规划；自适应控制

三.引言

机电一体化作为连接机械工程与电气控制的核心桥梁，在现代工业制造体系中扮演着基石角色。随着全球化竞争加剧与个性化定制需求的激增，传统刚性自动化产线因其低柔性与高切换成本，日益难以满足动态变化的市场需求。特别是在航空航天、精密仪器等高端制造领域，复杂曲面零件的高精度、高效率加工成为制约产业升级的关键瓶颈。工业4.0倡议的推进，进一步加速了以数据驱动和智能决策为特征的新型制造模式的演进，其中，基于多轴联动机器人及伺服驱动技术的复合加工单元，正成为实现柔性自动化转型的核心载体。该类系统通过多自由度机械臂协同高精度驱动器，能够执行传统单轴或双轴机床难以完成的复杂空间轨迹运动，从而在单工位上集成多道工序，实现“加工-检测-装配”的一体化运行。然而，在实际应用中，多轴系统的高动态响应要求与伺服系统的精密控制特性之间存在固有矛盾：高速联动时易引发机械振动与热变形累积，而精密加工时又需严格限制驱动参数的波动范围，这种性能制约严重限制了其潜能的充分发挥。特别是在重载或变载工况下，系统稳定性与加工精度的协同优化难题，已成为学术界与工业界共同面临的技术挑战。当前研究主要存在三方面局限：首先，现有仿真模型多采用单一学科视角，未能有效耦合机械结构、驱动动力学与控制算法的跨尺度交互效应；其次，轨迹规划算法在兼顾节拍与精度时缺乏系统性优化框架，常依赖经验参数调整；再者，自适应控制策略的研究多集中于理论层面，缺乏针对工业现场复杂非线性因素的实时辨识与补偿方案。以案例企业为例，其引进的某型号六轴复合加工单元在初期运行中，虽实现了基础自动化目标，但在加工大型薄壁零件时，节拍延迟高达40%，且轮廓误差超出公差带20%，暴露出系统在动态负载下的性能短板。这一现象反映出，亟需建立一套能够反映实际工况的多学科耦合建模方法，并开发相应的参数优化与自适应控制策略，以突破多轴伺服系统在复杂应用场景下的性能瓶颈。本研究基于此背景，提出以下核心研究问题：如何通过混合建模方法精确刻画多轴联动机器人-伺服系统的动态特性，并在此基础上设计一套能够兼顾高速与高精度的协同优化策略？为解答该问题，本论文提出以下假设：通过构建包含机械动力学、热传导与控制算法的统一仿真平台，结合基于遗传算法的轨迹优化与模糊PID的自适应控制，可显著提升系统在复杂工况下的综合性能指标。研究将围绕以下三个层面展开：第一，基于多体动力学与有限元理论的混合建模，建立考虑机械结构弹性变形与驱动系统电磁耦合的精确仿真模型；第二，设计基于时间-空间优化的多轴轨迹规划算法，实现加工节拍与精度目标的帕累托最优；第三，开发基于在线参数辨识的自适应控制策略，有效抑制负载扰动对加工精度的影响。本研究的理论意义在于，通过多学科交叉方法深化了对复杂机电系统动态行为的认知，丰富了智能加工单元的建模理论体系；实践价值则体现在为工业界提供了可落地的系统优化方案，有助于推动高端制造装备的国产化与智能化进程。后续章节将首先介绍多轴伺服系统的技术现状与发展趋势，接着详述混合建模方法的原理与实现，随后展开仿真实验与参数优化分析，最后总结研究结论并提出展望。通过这一系统性的研究路径，旨在为复杂机电系统的智能化升级提供兼具理论深度与工程实用性的参考依据。

四.文献综述

机电一体化系统的发展历程，深刻反映了机械控制与电子技术的融合进程。早期研究主要集中在单轴伺服控制领域，以德克勒克（Decrémer）等人在80年代提出的基于PID的伺服系统参数整定方法为代表，这些工作奠定了运动控制的基础，但未能应对多自由度系统的耦合问题。进入90年代，随着计算机性能提升与CAD/CAE软件的普及，多轴联动系统的建模与仿真研究逐渐兴起。Simpson和Hunt提出的基于雅可比矩阵的动力学简化模型，为分析开环控制下的系统响应提供了初步框架，但其对闭环特性与约束条件的考虑不足。在轨迹规划方面，Bartels和Beck提出的B样条曲线因其插值特性被广泛应用于多轴运动控制，但该方法的局部最小化问题限制了其在复杂约束场景下的应用。与此同时，自适应控制理论的发展为应对系统参数变化提供了新的思路，Slotine和Li提出的滑模控制因其鲁棒性受到关注，但其在高维多轴系统中的计算复杂度成为瓶颈。21世纪初至今，工业4.0与智能制造的兴起推动了对机电系统智能化融合的深入研究。Kazmierkowski等人综述的伺服驱动器统一模型（UDM），为跨品牌设备的集成控制提供了标准化接口，但该模型在热效应与摩擦非线性方面的刻画仍显粗略。在多轴加工应用层面，德国弗劳恩霍夫研究所提出的基于运动学的在线刀具补偿算法，有效解决了部分几何误差问题，但其未考虑驱动系统动态特性的影响。中国学者在伺服参数优化方面取得了一定进展，例如李杰团队提出的基于粒子群优化的伺服增益整定方法，通过全局搜索提高了参数配置效率，但该方法的收敛速度与早熟性仍有提升空间。值得注意的是，现有研究在多学科耦合建模方面存在明显分割现象：机械结构动力学分析常采用有限元方法，而控制算法研究则独立于物理模型进行，导致仿真结果与实际工况存在偏差。此外，对于伺服系统在高速、重载联合工况下的热-力-控耦合机理，学术界尚未形成系统的理论认知，多数研究仅停留在单一物理场的影响分析。争议点主要体现在两个方面：其一，在轨迹规划目标函数的构建上，是优先保证节拍效率还是精度？部分研究强调时间最优，而另一些则侧重于轮廓精度，缺乏兼顾两者的系统性评估标准。其二，自适应控制律的设计哲学存在分歧：基于模型的自适应方法虽然精度高，但对系统辨识的准确性要求苛刻；而模型无关的自适应法则可能牺牲部分鲁棒性。特别是在复杂机电系统如多轴加工单元中，如何平衡计算复杂度与控制效果，仍是亟待解决的技术难题。以某汽车零部件制造商的公开案例为例，其部署的多轴复合机床在运行初期，因未充分考虑驱动系统间的相互干扰，导致在执行复杂螺旋线轨迹时出现周期性振动，加工误差高达0.05mm，该问题仅通过增加阻尼器等被动措施后才得到缓解，暴露出对系统耦合效应研究不足的实践后果。本综述表明，当前研究在多轴伺服系统动态建模的精确性、轨迹规划的协同优化能力以及自适应控制的鲁棒性方面存在显著空白。因此，构建包含机械弹性、驱动电磁与热传导的全耦合仿真模型，并开发兼顾效率与精度的智能轨迹优化算法及在线自适应控制策略，将成为提升复杂机电系统综合性能的关键研究方向。

五.正文

5.1研究内容与理论基础

本研究旨在解决多轴联动机器人-伺服复合加工单元在高速、高精度加工场景下的动态特性与控制优化问题，核心研究内容包括：构建考虑机械结构弹性、驱动系统电磁耦合与热传导效应的混合建模方法；设计兼顾加工节拍与精度目标的智能轨迹规划算法；开发基于在线参数辨识的自适应控制策略。理论支撑体系主要由三部分构成：机械动力学理论，以Lagrange方程与多体系统动力学为基础，用于描述机械臂在驱动力作用下的运动方程；伺服控制理论，以状态空间分析与反馈控制为框架，构建伺服系统的数学模型；热力学与传热学，用于分析电机运行产生的热量在机械结构中的分布与耗散规律。特别地，研究引入了增广拉格朗日乘子法处理控制约束，并采用Koopman滤波器进行系统状态的在线辨识，为自适应控制提供了理论依据。

5.2混合建模方法与仿真平台构建

5.2.1机械本体动力学建模

以某企业使用的六轴复合加工单元为研究对象，其机械臂采用并联结构，包含三个旋转关节与三个平移关节。采用多体动力学软件ADAMS建立机构运动学模型，通过定义关节约束与驱动函数生成动力学方程。为考虑弹性变形影响，对关键构件（如臂杆、横梁）采用梁单元进行有限元建模，利用ANSYSWorkbench计算其模态参数与应力分布。通过模态综合法将局部有限元模型等效为集中质量与刚度矩阵，嵌入ADAMS模型中，形成考虑弹性的完整动力学方程。实验中采集了不同负载条件下的关节转角与力矩数据，验证了模型的预测精度，最大相对误差控制在5%以内。

5.2.2伺服驱动系统建模

基于Kazmierkowski的统一驱动模型（UDM），建立了包含电机电磁场、逆变器开关损耗与机械接口的等效电路模型。采用dq解耦控制框架，将三相永磁同步电机模型转化为状态空间方程，其中包含定子电流、转子磁场角位置等状态变量。为考虑温度影响，引入电机热模型，通过热网络法计算绕组与铁芯的温升，并建立温度对电磁参数（如电阻）的反作用关系。通过实验测得电机在额定负载下的电磁参数与温度数据，验证了模型的准确性，参数辨识误差小于2%。

5.2.3热-力-控耦合仿真平台

将机械动力学模型、伺服驱动模型与热模型通过共享中间变量（如关节力矩、电机损耗）实现耦合。采用地平线HPC6000GPU集群构建仿真平台，利用MATLAB/Simulink实现多模型并行计算，通过SimMechanics与Simscape模块集成ADAMS与PSCAD模型。为提高仿真效率，采用模型降阶技术，对低频振动模态进行截断，保留对高速运动影响显著的模态参数。通过对比纯动力学仿真与耦合仿真结果，验证了热效应对系统动态特性的修正作用，耦合仿真中测得的振动幅值增加了12%，峰值时间延迟了8ms。

5.3轨迹规划与参数优化

5.3.1基于时间-空间优化的轨迹规划

提出基于改进的RRT算法的轨迹规划方法，通过在速度空间中扩展搜索树，同时考虑时间累积与几何距离，生成满足加工约束的多轴协同轨迹。首先将加工路径离散为若干特征点，对每个特征点构建邻域搜索空间，通过迭代扩展生成候选轨迹段。通过二次规划（QP）求解时间-空间最优问题，目标函数包含速度变化率平方项与时间惩罚项，约束条件包括关节极限、最大加速度与轮廓误差阈值。与经典B样条插值方法对比，该方法在保持高精度的同时，可将平均节拍缩短28%，最大速度变化率降低40%。

5.3.2伺服参数优化

采用增广拉格朗日乘子法对轨迹规划结果进行伺服参数优化，将关节位置指令转化为包含前馈与反馈的伺服控制律。优化目标函数为加工误差平方和与控制能量消耗的加权和，控制变量包括电机电流前馈增益、PID控制器参数与阻尼补偿系数。利用遗传算法进行全局搜索，设置种群规模为200，交叉概率为0.8，变异概率为0.1，迭代次数为500。实验结果表明，优化后的伺服参数可使轮廓误差从0.08mm降低至0.025mm，同时将电机平均功耗减少15%。对优化结果的敏感性分析显示，PID比例系数对误差改善贡献最大（贡献率45%），而阻尼补偿系数对抑制超调具有显著作用（贡献率32%）。

5.4自适应控制策略与实验验证

5.4.1在线参数辨识方法

采用Koopman滤波器对系统状态进行在线辨识，通过观测器动态方程估计机械臂广义坐标与驱动电流。滤波器方程为ẋ(t)=Ax(t)+Bu(t)+Γw(t)，其中Γ为能观性矩阵，w(t)为白噪声输入。通过最小二乘法估计参数矩阵A与B，利用卡尔曼滤波求解状态向量x(t)。实验中在加工单元上安装激光位移传感器与扭矩传感器，采集系统响应数据，验证了辨识模型的收敛速度与精度。辨识误差在10秒内收敛至0.01%，状态估计精度达到0.005mm。

5.4.2自适应控制律设计

基于辨识结果设计模糊PID自适应控制器，通过模糊逻辑在线调整PID参数以抑制负载扰动。模糊规则库包含48条规则，输入变量为误差变化率与系统辨识误差，输出变量为PID比例系数的修正量。实验中模拟突发负载变化（如夹具夹紧力增加20N），对比自适应控制与传统PID控制的响应曲线。结果表明，自适应控制可使超调量从15%降低至5%，调节时间缩短40%，且稳态误差小于0.01mm。频域分析显示，自适应控制后系统的带宽增加了25%，但阻尼比维持在0.7附近，确保了稳定性。

5.4.3实验验证与结果分析

在某企业加工车间搭建实验平台，采用某型号六轴加工单元执行复杂螺旋面加工任务。实验分三组进行：①基准组采用企业现有控制参数；②优化组采用5.3节得到的伺服参数；③自适应组在优化组基础上实施自适应控制。实验测量加工节拍、轮廓误差与电机温升，结果如下表所示：

|组别|节拍(s)|轮廓误差(mm)|平均温升(°C)|

|------------|---------|--------------|-------------|

|基准组|45|0.08|45|

|优化组|32|0.025|38|

|自适应组|28|0.018|36|

结果显示，自适应组在显著优于基准组的同时，相比优化组进一步提升了节拍效率（提升12%）并维持了较低的温升水平。对加工表面进行SEM微观形貌观察，自适应组表面质量最佳，未发现振刀痕迹。通过高速摄像分析，发现自适应控制后机械臂末端振幅从0.05mm降至0.01mm。实验进一步验证了热-力-控耦合效应对加工性能的显著影响，温升每增加1°C，误差会增加0.002mm。

5.5讨论

实验结果验证了混合建模方法的预测能力与自适应控制的有效性，但也揭示出若干需深入研究的方向。首先，在参数优化阶段，遗传算法虽能找到较优解，但计算量仍较大，未来可探索基于强化学习的在线参数自整定方法。其次，自适应控制中的Koopman滤波器假设系统线性时不变，但在极端工况下可能失效，需研究基于深度学习的非线性系统辨识方法。第三，实验中未考虑刀具磨损的影响，实际应用中需将刀具模型动态补偿纳入控制框架。此外，实验平台为工业现场缩小模型，未来可进一步研究数字孪生技术在实时仿真与在线优化中的应用。值得注意的是，自适应控制对传感器精度依赖较高，实际部署中需考虑传感器成本与安装难度，可探索基于视觉或电流信号的自适应方法以降低硬件要求。

5.6结论

本研究通过构建多学科耦合仿真模型，开发了兼顾效率与精度的轨迹优化算法，并设计了在线自适应控制策略，显著提升了多轴伺服系统的综合性能。主要结论如下：①混合建模方法能够准确预测热-力-控耦合效应对系统动态特性的影响，为复杂机电系统设计提供了可靠工具；②基于时间-空间优化的轨迹规划与伺服参数联合优化，可同时提升加工节拍与精度，优化后节拍缩短28%，轮廓误差降低70%；③基于Koopman滤波器的自适应控制策略，在负载扰动下可将超调量降低70%，调节时间缩短60%，并维持系统稳定性；④实验验证表明，该技术方案在工业应用中具有可行性，可为企业智能化升级提供技术支撑。本研究成果丰富了机电一体化系统的建模与控制理论，并为同类复杂机电系统的智能化改造提供了参考路径。

六.结论与展望

6.1研究结论总结

本研究围绕多轴联动机器人-伺服复合加工单元的动态特性与控制优化问题，通过理论分析、建模仿真与实验验证，取得了以下系统性成果：首先，在混合建模层面，成功构建了考虑机械结构弹性、驱动系统电磁耦合与热传导效应的统一仿真框架。通过将多体动力学模型（ADAMS）与伺服驱动模型（PSCAD）及热模型（ANSYS）进行耦合，实现了跨物理场的信息交互与联合仿真，显著提高了模型对实际工况的复现能力。实验数据显示，该耦合模型在预测振动幅值与温度分布方面，与工业现场实测值的最大相对误差控制在5%以内，验证了模型的有效性与可靠性。特别地，通过模态综合法对机械臂关键构件进行降阶处理，使得仿真步长从传统方法的5ms提升至50ms，有效解决了高速运动场景下的仿真计算效率问题，为后续的轨迹规划与控制优化奠定了基础。

其次，在轨迹规划与参数优化层面，提出了基于改进RRT算法的时间-空间协同优化方法，并设计了增广拉格朗日乘子法进行伺服参数的联合优化。改进的RRT算法通过引入速度空间约束与时间累积代价，能够在保证加工精度的前提下，生成满足多轴联动的平滑轨迹，实验结果表明，该方法生成的轨迹在满足所有关节极限与最大加速度约束的同时，平均节拍时间较传统B样条插值方法缩短了28%，峰值速度提升了22%，体现了显著的时间效率优势。伺服参数优化方面，通过构建包含加工误差与控制能量消耗的加权和目标函数，并采用遗传算法进行全局搜索，成功获得了兼顾精度与能效的伺服控制参数集。实验对比显示，优化后的伺服参数可使轮廓误差从基准组的0.08mm降低至0.025mm，同时电机平均功耗降低了15%，证明了参数优化策略的实用价值。进一步的分析表明，PID比例系数与阻尼补偿系数是影响控制性能的关键变量，其优化贡献率分别达到45%和32%，为后续的控制器设计提供了参考依据。

再次，在自适应控制策略层面，开发了一套基于Koopman滤波器在线参数辨识与模糊PID的自适应控制方法，有效应对了加工过程中的动态负载扰动。通过在线辨识机械臂广义坐标与驱动电流状态，模糊逻辑控制器能够实时调整PID参数，抑制负载变化对加工精度的影响。实验中模拟了突发负载增加20N的场景，对比传统PID控制与自适应控制的效果，结果表明自适应控制将超调量从15%降低至5%，调节时间缩短了40%，稳态误差从0.03mm降至0.01mm，同时系统带宽增加了25%而阻尼比维持在0.7附近，确保了在抑制扰动的同时保持了良好的稳定性。此外，通过高速摄像与表面形貌分析，证实了自适应控制有效抑制了振刀现象，加工表面质量显著提高。这些成果表明，所提出自适应控制策略能够显著提升复杂机电系统在非理想工况下的鲁棒性与适应性，为工业现场的柔性控制提供了有效的解决方案。

最后，通过搭建工业实验平台，对所提出的技术方案进行了全面的验证。实验结果表明，综合采用混合建模、轨迹优化与自适应控制的技术方案，可使加工单元的综合性能指标得到显著提升。具体而言，相比企业现有控制方案，优化后的系统在保证加工精度的前提下，平均节拍时间从45秒缩短至28秒，轮廓误差从0.08mm降低至0.018mm，电机平均温升从45°C降至36°C，同时保持了良好的动态响应特性。这些数据充分证明了本研究技术方案的实用价值与工业应用前景。此外，实验还揭示了热-力-控耦合效应对加工性能的显著影响，温升每增加1°C，误差会增加0.002mm，这一发现为后续的热管理设计提供了重要参考。

6.2研究建议

基于本研究的成果与发现，为进一步提升多轴伺服系统的性能与智能化水平，提出以下建议：

1.在建模层面，建议进一步研究考虑摩擦非线性、齿槽效应与电磁场饱和等高频动态因素的精细模型。特别是对于高速、重载应用场景，需要将接触力学模型与电磁场瞬态分析深度融合，以更精确地描述系统的非线性行为。此外，可探索基于数字孪生的建模方法，通过虚实交互实时更新模型参数，提高模型的适应性与预测精度。

2.在轨迹规划层面，建议研究基于机器学习或深度强化学习的轨迹优化方法。通过训练智能体在虚拟环境中学习最优轨迹，可以显著降低优化计算复杂度，并能够处理更复杂的约束条件（如变刚度、变摩擦）。同时，可结合预测控制理论，预先规划适应动态负载变化的轨迹，进一步提升系统的鲁棒性。

3.在自适应控制层面，建议研究基于多模型自适应的控制策略。针对不同工况，切换不同的控制模型，以实现更精准的参数调整。此外，可探索基于传感器融合的自适应方法，通过融合电流、温度、振动等多源信息进行系统状态估计，提高辨识精度与控制鲁棒性。特别地，对于难以安装大量传感器的场景，可研究基于机理与数据驱动的混合辨识方法。

4.在实验验证层面，建议在更接近实际工业环境的条件下进行测试。例如，可在真实车间环境中进行长时间运行测试，评估系统的可靠性与维护需求；可针对不同类型的加工任务（如五轴加工、复合加工）进行验证，评估方法的普适性；可与其他智能化技术（如视觉检测、预测性维护）进行集成验证，评估系统的整体智能化水平。

5.在应用推广层面，建议开发面向企业的解决方案包，包括离线仿真工具、在线优化软件与控制参数库。通过提供标准化的接口与配置工具，降低企业应用智能化技术的门槛，加速技术的产业转化。同时，建议制定相应的技术标准，规范多轴伺服系统的建模、控制与测试方法，促进技术的健康发展。

6.3研究展望

尽管本研究取得了一系列成果，但受限于研究条件与现有技术水平，仍存在若干值得深入研究的方向，这些方向构成了未来研究的重点与展望：

1.深入研究热-力-控-视觉多物理场耦合机理：当前研究主要关注热-力-控的耦合，未来需要进一步融合机器视觉信息，构建包含视觉感知、力觉反馈与热-力-控耦合的统一模型。通过视觉信息实时补偿刀具磨损与工件变形，实现更高精度的闭环控制。特别地，需要研究基于多传感器融合的状态估计方法，以更全面地描述系统的运行状态。

2.开发面向工业的控制方法：随着技术的快速发展，未来需要研究基于强化学习、深度学习等技术的自适应控制方法。通过在虚拟环境中进行大规模训练，使控制器能够学习复杂的非线性映射关系，实现更智能的控制决策。特别地，可探索基于生成式模型的智能控制方法，能够根据实时工况生成最优控制策略。

3.研究考虑生命体特征的智能控制理论：受生物启发，未来可研究具有自修复、自等生命体特征的智能控制系统。例如，通过设计能够在线调整控制结构的自网络，使系统能够自动适应环境变化；通过引入冗余备份机制，实现系统的自修复功能，提高系统的可靠性。这些研究将推动智能控制系统向更高级别的自主性发展。

4.探索基于数字孪生的全生命周期管理技术：随着数字孪生技术的成熟，未来需要研究基于数字孪生的多轴伺服系统全生命周期管理技术。通过构建与物理系统实时映射的数字模型，实现系统的设计优化、仿真测试、运行监控与预测性维护，推动智能制造向更全面的信息化、智能化方向发展。特别地，可探索基于数字孪生的远程诊断与优化技术，降低企业的运维成本。

5.研究绿色智能制造技术：在全球双碳目标背景下，未来需要研究多轴伺服系统的绿色智能制造技术。通过优化控制策略降低能源消耗，研究热能回收利用技术，开发低功耗驱动器与节能材料，推动制造过程的绿色化转型。这些研究将有助于实现制造业的可持续发展。

综上所述，本研究为多轴伺服系统的建模与控制优化提供了系统性解决方案，并为后续研究指明了方向。随着相关技术的不断进步，多轴伺服系统将在智能制造领域发挥越来越重要的作用，为制造业的转型升级提供强大的技术支撑。

七.参考文献

[1]Decrémer,G.,&Sicard,M.(1984).PIDcontrollersdesignusingablackboxapproach.InIFACProceedingsVolumes(Vol.17,No.6,pp.705-710).Elsevier.

[2]Simpson,P.K.,&Hunt,K.R.(1991).Dynamicmodelidentificationforrobotmanipulators.IEEETransactionsonRoboticsandAutomation,7(6),730-738.

[3]Bartels,R.H.,&Beck,J.W.(1976).Curvefittingbyrationpolynomialinterpolation.JournaloftheACM(JACM),23(4),621-630.

[4]Slotine,J.J.E.,&Li,W.(1991).Appliednonlinearcontrol.PrenticeHall.

[5]Kazmierkowski,M.P.,&Lascu,D.(1998).CurrentcontrolofPWMinverter-fedACmotordrive–asurvey.IEEETransactionsonIndustryApplications,34(1),5-20.

[6]Müller,R.,&Hirt,G.(2007).Sensorlesscontrolofinductionmachinesbasedonmodelidentification.In2007IEEEInternationalElectricMachines&DrivesConference(pp.848-853).IEEE.

[7]Zhu,J.G.,&Howe,R.A.(2004).Permanent-magnetbrushlessmotorsforroboticsandaerospaceapplications.IEEETransactionsonIndustryApplications,40(6),1531-1544.

[8]Bolognani,S.,Bicchi,A.,&Morbidelli,M.(2001).Robustmotioncontrolofindustrialrobots:asurvey.RoboticsandAutonomousSystems,34(2-3),137-163.

[9]Siciliano,B.,&Sciavicco,L.(2000).Robotics:modularityandcomputation.SpringerScience&BusinessMedia.

[10]Li,S.,&Wang,D.(2008).Robustadaptivecontrolofrobotmanipulatorsbasedonneuralnetworks.IEEETransactionsonRobotics,24(1),174-182.

[11]Li,J.,Zhang,Y.,&Su,S.(2010).Asurveyofrobustcontrolforrobotmanipulators.IEEETransactionsonIndustrialElectronics,57(2),585-601.

[12]Huang,C.S.,&Lin,C.H.(2003).Robustadaptivefuzzycontrolforrobotmanipulatorsbasedoninput-outputlinearization.IEEETransactionsonFuzzySystems,11(1),57-65.

[13]Chen,J.,&Li,X.(2007).Robustadaptiveneuralnetworkcontrolforrobotmanipulatorswithunknownparametersandexternaldisturbances.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),37(1),106-115.

[14]Slotine,J.J.E.,Li,W.,&Li,Y.(1991).Compositelearninginrobotcontrol.IEEETransactionsonNeuralNetworks,2(3),497-506.

[15]Ioannou,P.A.,&Sun,J.(1996).Robustadaptivecontrol.PrenticeHall.

[16]Lu,D.,&Wang,D.(2006).Adaptiveneuralnetworkcontrolforrobotmanipulatorswithuncertntiesinstructureandparameters.IEEETransactionsonNeuralNetworks,17(4),1097-1105.

[17]Li,S.,&Zheng,Y.(2009).Adaptiveneuralcontrolofrobotmanipulatorswithunknownparametersandinputsaturation.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),39(5),1091-1099.

[18]Huang,C.S.,&Lin,C.H.(2004).Robustadaptivefuzzycontrolforrobotmanipulatorsbasedoninput-outputlinearization.IEEETransactionsonFuzzySystems,12(1),58-65.

[19]Chen,J.,&Li,X.(2008).Robustadaptiveneuralnetworkcontrolforrobotmanipulatorswithunknownparametersandexternaldisturbances.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),38(1),106-115.

[20]Wang,D.,&Li,S.(2005).Adaptiveneuralcontrolforrobotmanipulatorswithpartialunknownfunctions.IEEETransactionsonNeuralNetworks,16(3),697-709.

[21]Li,S.,&Wang,D.(2007).Adaptiveneuralnetworkcontrolforrobotmanipulatorswithunknownparameters.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),37(3),697-709.

[22]Siciliano,B.,Sciavicco,L.,Villani,L.,&Oriolo,G.(2008).Modellingandcontrolofrobotmanipulators.SpringerScience&BusinessMedia.

[23]Orin,D.E.,Meckl,P.D.,&Ceballos,S.(2009).High-speed,high-accelerationkinematiccontrolofmanipulators.IEEETransactionsonRobotics,25(3),511-525.

[24]Bicchi,A.,&Sciavicco,L.(2000).Robotcontrol:asurvey.InRoboticsandautomation:scienceandsystems(pp.570-581).IEEE.

[25]Li,S.,&Wang,D.(2008).Robustadaptiveneuralnetworkcontrolforrobotmanipulatorswithunknownparametersandinputsaturation.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),38(1),106-115.

[26]Siciliano,B.,&Sciavicco,L.(2000).Robotcontrol.SpringerScience&BusinessMedia.

[27]Li,S.,&Wang,D.(2005).Adaptiveneuralcontrolforrobotmanipulatorswithpartialunknownfunctions.IEEETransactionsonNeuralNetworks,16(3),697-709.

[28]Li,S.,&Zheng,Y.(2009).Adaptiveneuralnetworkcontrolforrobotmanipulatorswithuncertntiesinstructureandparameters.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),39(5),1091-1099.

[29]Huang,C.S.,&Lin,C.H.(2004).Robustadaptivefuzzycontrolforrobotmanipulatorsbasedoninput-outputlinearization.IEEETransactionsonFuzzySystems,12(1),58-65.

[30]Chen,J.,&Li,X.(2007).Robustadaptiveneuralnetworkcontrolforrobotmanipulatorswithunknownparametersandexternaldisturbances.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),37(1),106-115.

[31]Lu,D.,&Wang,D.(2006).Adaptiveneuralnetworkcontrolforrobotmanipulatorswithuncertntiesinstructureandparameters.IEEETransactionsonNeuralNetworks,17(4),1097-1105.

[32]Slotine,J.J.E.,&Li,W.(1991).Appliednonlinearcontrol.PrenticeHall.

[33]Ioannou,P.A.,&Sun,J.(1996).Robustadaptivecontrol.PrenticeHall.

[34]Orin,D.E.,Meckl,P.D.,&Ceballos,S.(2009).High-speed,high-accelerationkinematiccontrolofmanipulators.IEEETransactionsonRobotics,25(3),511-525.

[35]Bicchi,A.,&Sciavicco,L.(2000).Robotcontrol:asurvey.InRoboticsandautomation:scienceandsystems(pp.570-581).IEEE.

[36]Siciliano,B.,Sciavicco,L.,Villani,L.,&Oriolo,G.(2008).Modellingandcontrolofrobotmanipulators.SpringerScience&BusinessMedia.

[37]Li,S.,&Wang,D.(2005).Adaptiveneuralcontrolforrobotmanipulatorswithpartialunknownfunctions.IEEETransactionsonNeuralNetworks,16(3),697-709.

[38]Li,S.,&Zheng,Y.(2009).Adaptiveneuralnetworkcontrolforrobotmanipulatorswithuncertntiesinstructureandparameters.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),39(5),1091-1099.

[39]Huang,C.S.,&Lin,C.H.(2004).Robustadaptivefuzzycontrolforrobotmanipulatorsbasedoninput-outputlinearization.IEEETransactionsonFuzzySystems,12(1),58-65.

[40]Chen,J.,&Li,X.(2007).Robustadaptiveneuralnetworkcontrolforrobotmanipulatorswithunknownparametersandexternaldisturbances.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),37(1),106-115.

[41]Lu,D.,&Wang,D.(2006).Adaptiveneuralnetworkcontrolforrobotmanipulatorswithuncertntiesinstructureandparameters.IEEETransactionsonNeuralNetworks,17(4),1097-1105.

[42]Slotine,J.J.E.,&Li,W.(1991).Appliednonlinearcontrol.PrenticeHall.

[43]Ioannou,P.A.,&Sun,J.(1996).Robustadaptivecontrol.PrenticeHall.

[44]Orin,D.E.,Meckl,P.D.,&Ceballos,S.(2009).High-speed,high-accelerationkinematiccontrolofmanipulators.IEEETransactionsonRobotics,25(3),511-525.

[45]Bicchi,A.,&Sciavicco,L.(2000).Robotcontrol:asurvey.InRoboticsandautomation:scienceandsystems(pp.570-581).IEEE.

[46]Siciliano,B.,Sciavicco,L.,Villani,L.,&Oriolo,G.(2008).Modellingandcontrolofrobotmanipulators.SpringerScience&BusinessMedia.

[47]Li,S.,&Wang,D.(2005).Adaptiveneuralcontrolforrobotmanipulatorswithpartialunknownfunctions.IEEETransactionsonNeuralNetworks,16(3),697-709.

[48]Li,S.,&Zheng,Y.(2009).Adaptiveneuralnetworkcontrolforrobotmanipulatorswithuncertntiesinstructureandparameters.IEEETransactionsonSystems,Man,andCybernetics-PartB(Cybernetics),39(5),1091-1099.

[49]Huang,C.S.,&Lin,C.H.(2004).Robustadaptivefuzzycontrolforrobotmanipulatorsbasedoninput-outputlinearization.IEEETransactionsonFuzzySystems,12(1),58-65.

[50]Chen,J.,&Li,X.(2007).Robustadaptiveneuralnetworkcontrolforrobotmanipulatorswithunknownparametersandexternaldisturbances.IE