混沌反控制又称为混沌化,是指通过某种方法在原本没有混沌行为的系统中创造人们需要的、全新的混沌。近年来,人们发现将混沌行为注入到机械臂中,可促进其在工业、农业与家用领域的应用。机械臂是一个多输入多输出、强耦合、高度非线性的复杂系统,因受到不确定性以及环境因素的影响,采用传统的控制算法实现精确的跟踪控制有一定的难度。本文以机械臂为研究对象,结合滑模控制、自适应神经网络、动态面等进行混沌反控制方法的研究。论文的主要研究内容如下:1、将滑模变结构控制与自适应神经网络(Neural Networks,NNs)相结合,针对参数未知且带有有界未知扰动的机械臂,设计了鲁棒混沌反控制算法。采用终端滑模抑制未知有界扰动,构建恰当的径向基神经网络(Radial Basis Function Neural Networks,RBF NNs)逼近系统未知非线性函数,并通过Lyapunov稳定性理论证明了闭环系统所有信号的最终一致有界(Ultimately Uniformly Bounded,UUB)。最后,使用仿真对比实验验证了算法的有效性,不仅成功观察到混沌吸引子,而且实现了精确的速度跟踪。2、针对参数未知且带有未知扰动的电驱动机械臂,设计了自适应神经网络动态面控制(Dynamic Surface Control,DSC)来实现其混沌反控制,不仅解决了建模时引入执行器所带来的高度非线性,而且避免了传统反步法产生的“微分爆炸”问题。该算法在反步法的第二与第三步,采用一阶低通滤波器估计虚拟控制变量的导数,同时采用RBF NNs逼近系统的未知非线性函数,选取合适的Lyapunov函数证明了系统的稳定性,并用仿真实验验证了算法的有效性。3、针对存在执行器饱和的不确定机械臂,设计了一种结合动态面控制的自适应神经网络控制器以实现其混沌反控制。该算法采用RBF NNs逼近系统的未知动态,构建合适的动态系统解决输入饱和的问题,并利用Lyapunov稳定性定理证明了闭环系统所有信号的UUB。然后,分别以两连杆、三连杆电驱动机械臂为例,通过仿真验证了所提方法的可行性与有效性。最后,对本文的研究内容进行了总结,对未来相关领域的研究进行了展望。