“高档数控机床和机器人”作为《中国制造2025》十大重点领域之一,明确工业机器人是重点发展方向。同时当前经济高速发展对能源需求越来越大,而各种传统能源的开采离不开地质装备。对于具有复杂空间曲面的大型地质装备零部件,采用工作空间大且运动灵巧的工业机器人进行加工越来越普遍。众所周知,运转工业机器人需要控制算法,而控制算法作为机器人的大脑,其性能好坏直接影响到机器人产品加工的最终质量。工业机器人在不同的工作场景中主要需要考虑其轨迹跟踪控制、轮廓误差补偿以及力/位混合控制。为了提高零部件加工精度,进而提高产品加工质量,由浅入深地研究了工业机器人的轨迹跟踪控制、轮廓误差补偿以及轮廓力/位混合控制方法。具体研究内容如下:针对工业机器人系统具有时变、强非线性、强耦合等复杂特性导致精确模型获取困难且成本高的问题,研究无需工业机器人动力学模型的迭代学习轨迹跟踪控制方法。针对传统定增益迭代学习的收敛速度和抑制外部高频噪声放大作用之间难以平衡的问题,研究变增益迭代学习控制方法。通过压缩映射法,证明了迭代过程的收敛性并给出收敛性的充分条件。最后通过数值仿真和工业机器人实验,对比低增益迭代学习可以减少迭代收敛所需迭代次数40%以上,同时对比高增益迭代学习可以大幅降低对外部高频噪声放大作用。轮廓误差估计是轮廓误差补偿的前提,且轮廓误差估计的精度直接影响到轮廓误差补偿性能。为了提高轮廓误差估计精度,提出一种高精度工业机器人轮廓误差迭代估计方法。以理想参考点为基准点,在理想轮廓上迭代寻找距离工业机器人末端执行器位置最近的点,即最优反向参考点,并在最优反向参考点处估计轮廓误差。通过数值仿真对比,相比现有轮廓误差估计方法,针对抛物线轮廓,提出的方法对轮廓误差的估计精度提高70%以上,针对复杂蝴蝶曲线轮廓,轮廓误差估计精度提高10%以上。同时,相比现有基于牛顿迭代法的轮廓误差估计方法,提出的轮廓误差估计方法的计算量降低50%左右。针对轮廓误差模型建立困难导致难以应用基于模型的先进控制方法进行轮廓误差补偿控制器设计的问题,提出基于轮廓误差迭代估计的工业机器人变增益迭代学习轮廓误差补偿方法。轮廓误差迭代估计用于对轮廓误差进行精确估计并用于轮廓误差补偿,迭代学习则避免了对工业机器人复杂的动力学模型的需求。通过压缩映射法,证明了迭代过程的收敛性并给出收敛性的充分条件。最后,通过数值仿真和工业机器人实验,验证了迭代学习控制方法对轮廓误差补偿精度的提升。提出工业机器人轮廓力/位混合控制方法。首先定义理想轮廓力为理想力随轮廓位置变化的关系。与传统力/位混合控制方法控制目标是跟踪理想位置和理想力不同的是,轮廓力/位混合控制方法的控制目标是跟踪理想位置和轮廓处的理想轮廓力。解决了传统力/位混合控制方法中当位置控制精度不足时,轮廓力误差过大的问题。针对轮廓力误差模型难以建立的问题,结合前述研究内容中的变增益迭代学习控制和轮廓误差迭代估计方法,提出工业机器人变增益迭代学习轮廓力/位混合控制方法。通过压缩映射法,证明了迭代过程的收敛性并给出收敛性的充分条件。最后,通过数值仿真,表明相比传统力/位混合控制方法,提出的轮廓力/位混合控制方法的轮廓力控制精度提升83%以上。