机械手臂可以帮助人们完成危险的、单调的和乏味的工作,因此在工业、医疗、军事等领域有着广泛的应用。但是机械手臂是一个高度非线性的复杂系统,对它进行精确控制是不容易的。针对机械手臂的非线性,提出基于隶属度函数的多模型预测控制方法。本文的主要研究内容如下:(1)研究单变量机械手臂系统——直流电机驱动的单杆机械手臂的多模型预测控制。首先,根据系统的特点,选择电机的旋转角度作为调度变量,将系统的工作空间分为两个子空间,在每个子空间内建立线性子模型并基于它们设计局部预测控制器;然后,使用梯形函数对局部预测控制器进行加权求和得到多模型控制器,这样就利用了梯形函数对局部控制器进行切换,避免控制器切换时产生的抖动;最后对系统进行仿真研究,将多模型预测控制与多模型PID控制进行比较。仿真结果表明,当系统的设定值在大范围内变化时,多模型预测控制能使系统的输出快速准确地跟踪设定值的变化,超调很小,控制精度较高。而多模型PID控制器却不能使系统的输出迅速准确地跟踪设定值,超调较大,控制精度低。这就体现了多模型预测控制要比多模型PID控制器优越。(2)研究多变量机械手臂系统——Pendubot系统的多模型预测控制。由于系统的平衡控制实现范围较窄,针对这个问题,提出基于隶属度函数的多模型预测控制。该控制突破了原有控制范围窄的局限,实现了大范围控制的目的。首先,选择欠驱动臂的旋转弧度作为调度变量,将系统的工作空间分为5个子空间,在每个子空间内的平衡点附近对机械手臂进行线性化,得到相应的局部模型,从而得到系统的多模型表示;其次,基于各个局部模型设计局部预测控制器;最后,选择梯形函数作为权重函数,对局部控制器进行加权求和获得总的控制器,对系统进行控制。为了验证多模型预测控制的有效性,对系统进行仿真研究,同时为了体现多模型预测控制的优越性,还为系统设计多模型PID控制器。仿真结果表明,多模型预测控制能使系统的输出快速准确地跟踪期望值,实现大范围控制的目标。而多模型PID控制器的控制效果较差,甚至不能保证系统的稳定性,远远不能达到控制要求。