随着工业自动化水平的不断提高，对高精度、高效率的机器人的需求日益增长。并联机器人作为一种新型的机器人结构，其具有高刚度、大承载能力和紧凑结构的特点，尤其在石材加工等行业中应用广泛。然而，由于其核心部分3TPS_TP型并联机器人工作头的非线性动态特性和运行中的干扰因素，设计出有效的控制策略显得尤为重要。在此背景下，本研究提出了一种新的神经网络滑模控制算法，旨在解决传统滑模控制存在的抖振问题，提升并联机器人的控制性能和精度。
滑模控制方法以其对系统干扰的强鲁棒性而在机器人控制领域中占有重要地位。然而，滑模控制中的固有抖振现象往往会导致控制性能的下降。为了克服这一问题，本研究创新性地将神经网络与滑模控制相结合，充分发挥神经网络的自适应识别能力和函数逼近能力，以期消除滑模控制的抖振现象。在此基础上，我们选取了径向基函数神经网络（RBF）作为控制模型的基础。
在构建的神经网络滑模控制模型中，整个系统被定义为三阶系统，即具有三个输入和一个输出。模型中间的隐层包含六个节点，并选用了高斯函数作为激励函数。为了实现精确控制，我们定义了位置误差、扰动信号和滑模面，并以此构建了控制算法的步骤。在滑模面达到s=0时，系统满足滑模到达条件，此时可以适当调整控制力矩，以使机器人工作头达到期望位置。
控制律的设计包括两部分：滑模控制部分和神经网络部分。滑模控制部分设计为Us，而神经网络部分设计为u。为了适应系统可能的变化，我们引入了自适应律来更新网络权重。通过这种方式，可以确保在闭环系统中位置误差e趋于零，从而保证系统的控制性能。此外，本研究还使用了李雅普诺夫函数对系统的稳定性进行了详细分析，并证明了所提控制策略的稳定性。
文章提出的神经网络滑模控制算法通过消除传统滑模控制中的抖振现象，为3TPS_TP型并联机器人提供了一种更为稳定和精确的控制方案。这一新型算法不仅提高了控制精度，也加强了系统的鲁棒性，对于并联机器人在各种复杂工作环境下的应用具有重要的实际意义。从更广泛的角度来看，这项研究为并联机器人控制理论的发展提供了一种新的研究思路，对未来并联机器人控制策略的设计和实施具有积极的指导作用。
在未来的研究中，我们可以进一步探讨神经网络模型的优化，例如改进网络结构、提升训练算法的效率，以及研究不同类型的神经网络在滑模控制中的应用。此外，将这种控制算法应用到更多种类的并联机器人和实际工业场景中，测试其在不同工况下的表现，也是未来研究的一个重要方向。通过这些研究，可以推动并联机器人技术朝着更加智能化、自动化和高精度的方向发展。
