工业机器人因其具有高速、高重复定位精度、易于控制等特点被广泛应用于各类高精度生产加工场合。但由于机器人的零部件加工、装配误差和关节传动误差的影响,其绝对定位精度难以控制。现有工业机器人绝对定位误差的补偿方法主要分为离线式和在线式,前者的误差补偿效果较差,补偿系统难以移植,且需要周期性维护;后者常辅以实时性测量或补偿设备,开发成本较高但补偿效果好。本文提出了一种基于复合式神经网络预测模型的工业机器人在线式绝对定位误差补偿方法。针对机器人绝对定位误差主要来源的关节传动误差机理进行分析,包括机器人运动过程中的关节旋转角度、方向以及旋转关节数,并通过验证性实验得出其对于绝对定位误差的影响。为了提高实时误差补偿效率,本文提出了关节传动误差模糊化-神经网络误差预测模型,模型使用模糊化后的关节数据作为神经网络输入,进而预测机器人运动后的绝对定位误差。模糊化过程能够简化神经网络的训练数据,消除关节数据中测量误差对于网络收敛性的影响,提升网络的训练速度与误差预测能力。本文针对在线式误差补偿方法提出了一种实时性指标,直观描述机器人工作时序下误差补偿的过程与耗时,并设计了搭载误差预测模型的实时补偿控制器。控制器与工业机器人通过网口连接,基于TCP/IP协议实现通信,在此基础上,设计了二者的误差补偿过程,包括补偿控制器端的神经网络运算和机器人端的关节数据采集与误差补偿值驱动,并进行了通信调试。为验证误差预测模型和实时补偿控制器的实际效果,本文搭建了工业机器人误差测量平台,使用拉丁超立方采样法在三维空间中选取样本点作为神经网络的训练数据,并连接实时补偿控制器,测试其误差补偿效果。实验结果表明:本文所提出的关节传动误差模糊化-神经网络模型具有更快的收敛速度以及更好的拟合特性,能够使工业机器人的绝对定位精度提高59.2%,同时,搭载该模型的补偿控制器能够在平均394 ms的时间内完成误差补偿全过程,具有良好的实时性。