机械臂因具有操作灵活、生产效率高以及劳动成本低等优势,目前已广泛应用于工业生产的各个领域。此外,近些年由于网络通讯技术的高速发展,网络化控制已成为机械臂的重要发展趋势。在网络化机械臂控制系统中,信息经过网络链路传输,网络带宽资源的受限会使得传统的时间触发方式出现网络资源浪费的问题。考虑到事件触发机制在网络化控制系统中有很好的网络资源节省能力,如何设计良好的事件触发控制方案,使得网络化机械臂控制系统在保持良好跟踪性能的同时又能节省网络资源,是一个前沿且具有挑战性的课题。本文针对网络化机械臂控制系统在网络带宽资源受限、机械臂模型不确定的情况下,讨论了基于确定学习的机械臂事件触发控制。主要工作概述如下:首先,针对机械臂中模型不确定的问题,利用径向基神经网络来逼近系统未知动态。针对网络带宽资源受限的问题,设计含有神经网络权值估计值信息的事件触发条件,并构造了基于自适应神经网络的事件触发控制器。所提方案在使用有限网络资源下,能够保证机械臂跟踪上期望的参考轨迹。然后,为了进一步提高控制性能以及网络资源节省能力,设计了基于确定学习的事件触发控制方案。方案主要分为两步:首先在网络资源充足的本地测试端,设计自适应神经网络控制器,并在稳定的控制过程中获取并存储未知动态的经验知识;然后在网络资源受限的远程控制阶段,利用存储的经验知识设计了一种新型常系数事件触发条件,并构造了常值神经网络控制器,在获取更好控制性能的同时节省了更多的网络资源。最后,为了解决单机械臂系统工作具有较强局限性的问题,将单机械臂系统推广到多机械臂系统,设计了基于确定学习的多机械臂事件触发协同控制方案。方案分为两步:首先在网络资源充足的本地测试端,针对每个机械臂系统,设计自适应分布式观测器以及自适应神经网络控制器,在稳定的控制过程中获取并存储经验知识;然后在网络资源受限的远程控制阶段,构造机械臂之间网络通道的事件触发条件以及基于事件触发的自适应分布式观测器,并利用经验知识构造常值神经网络控制器以及传感器到控制器网络通道的事件触发条件,获得了良好的跟踪性能以及网络资源的节省能力。