随着机械臂在各种制造业中的广泛应用,关于机械臂的控制研究也越来越受到重视。有关机械臂的自适应神经网络控制算法相继被提出,在自适应方面它们已经表现出很好的控制特性,但由于不满足持续激励(PE)条件,神经网络权值的收敛性很难得到保证,当遇到同样的控制任务时仍需重新计算控制参数。最近,确定学习理论被提出,它研究了未知动态环境下知识的获取、表达、存储和再利用等问题,并最终形成了系统的理论框架。基于该理论的自适应神经网络控制器能够在稳定的控制过程中实现了闭环系统未知动态的学习,学到的知识以时不变且空间分布的方式存储到常值神经网络权值中,当遇到相同或相似的控制任务时可以直接调用已学的知识。本文基于确定学习理论设计了一种直接自适应神经网络控制器对三连杆机械臂进行控制,并结合ADAMS(机械系统动力学自动分析软件)提供的强大建模、仿真环境以及MATLAB/Simulink具有的强大控制功能,充分发挥它们各自的优势,对整个闭环控制系统进行虚拟仿真。相比传统的纯MATLAB数字仿真,采用虚拟样机仿真能更加直观地观察机械臂的控制效果,检验控制算法的正确性和有效性。本文虚拟仿真系统主要由控制器、机械臂末端参考轨迹和机械臂虚拟样机三大模块组成。控制器和机械臂末端参考轨迹两大模块都采用MATLAB/Simulink中的S-函数实现,将整个算法封装在一个独立的功能模块内,即简化了仿真框架,又方便参数的调节。机械臂虚拟样机模块通过ADAMS创建并导出,最终在MATLAB中生成相应模块。为了顺利实现虚拟仿真,需要重点解决仿真速度问题,由于基于确定学习的控制器包含的神经元数量会随着控制对象复杂度的增加呈指数倍增,庞大数量的神经元需要大量的循环计算导致仿真速度异常缓慢。本文采用C-MEX技术,把需要采用大量循环处理的计算,通过C程序实现,有效地解决了该问题。虚拟仿真结果非常直观地展现了机械臂的动态控制过程,表明了本文提出的基于确定学习的控制器具有良好的控制性能和学习能力,为机械臂控制提供新的研究思路和方法。