随着机器人领域的研究日益成熟且应用广泛,服务于各行各业中的机器人已经是人类不可或缺的工作伙伴。依赖着科技的进步、生产力的发展,人类对于机器人的需求标准越来越高,只能执行单一任务、体积庞大、构形单一且造价高昂的传统工业机械臂已不足以满足复杂多变的任务需求。因此,可以执行多种任务、成本低且性能突出的可重构机械臂受到了广泛的关注。可重构机械臂是一类由标准模块和接口所组成的机械臂系统,能够根据不同的环境需求通过改变自身构形或更换模块来完成任务。可重构机械臂凭借其“可重构”和“模块化”的特性倍受研究人员的关注,目前已经广泛地应用在工业制造、航空航天、深海探测、军事战场以及空间在轨组装等领域。随着可重构机械臂的不断发展,其被更多地应用于一些复杂多变且人类无法直接参与的环境之中,因此除了要保证系统安全稳定地完成对应的任务目标外,如何减少系统的能量损耗提高其续航能力、降低系统软硬件承担的数据传输量以提升其工作性能具有更重要的研究意义。此外,对于在恶劣环境中长时间持续性工作的可重构机械臂系统,其适配器元件将不可避免的发生故障,这一现象将影响整个系统的稳定性,甚至会使系统以不可预知的方式工作。因此,如何对工作在资源、能源受限环境下的可重构机械臂系统控制性能、能量损耗和故障补偿联合优化是一个亟待解决的问题。本文针对上述问题,研究了基于事件触发机制的可重构机械臂分散最优容错控制方法,具体研究内容包括:（1）关节力矩传感器辅助下可重构机械臂子系统动力学模型的建立考虑到所建立动力学模型的实际应用性和通用性,将整体的可重构机械臂系统动力学模型分解为若干个动力学子系统并分别进行建模。基于关节力矩反馈技术并利用局部已知的模型信息建立了可重构机械臂子系统动力学模型,并针对非仿射执行器故障和建模的不确定性进行深入分析,为后续的分散控制策略、容错控制方法以及对模型不确定性的补偿打下了坚实基础。（2）基于循环神经网络辨识器的可重构机械臂事件触发式分散最优跟踪控制利用已构建的子系统动力学模型,研究了一种基于事件触发机制和循环神经网络辨识器的可重构机械臂分散最优跟踪控制方法,解决了控制性能与能耗的联合优化问题。首先,针对子系统模型不确定项,设计一种循环神经网络辨识器对其进行辨识。然后,将模型估计值与系统状态、控制律一同构造出显含任务目标的性能指标函数并设计合理的事件触发条件。基于神经动态规划算法,利用评判神经网络对事件触发哈密顿-雅可比-贝尔曼方程进行近似求解,最终得到事件触发分散最优跟踪控制策略。（3）基于非周期性更新策略的可重构机械臂分散最优容错控制考虑突发的非仿射执行器故障情况,提出了一种可重构机械臂事件触发式分散最优容错控制方法,解决了基于自学习优化思想的可重构机械臂轨迹跟踪与故障容错控制问题。首先,针对子系统动力学模型中的不确定项设计了一种基于事件触发机制的分散鲁棒控制器进行补偿;其次,针对非仿射执行器故障构建了一种自适应故障观测器对故障进行实时有效的估计;接下来,将故障的估计值与系统状态、控制律一同构成改进型值函数,进而将容错控制问题转化为相应的最优控制问题解决;最后,将非周期性更新策略与神经动态规划算法相结合,利用单评判神经网络在线逼近哈密顿-雅可比-贝尔曼方程,实现了面向突发非仿射执行器故障的可重构机械臂分散最优容错控制。