随着现代信息技术的发展,以提高产品加工的生产效率为主的高度自动化和以提高产品的质量为主的精密化成为现代机械加工技术发展的主要方向。大规模集成电路的生产、超精密加工、生物遗传检测等领域都需要十分精确的运动定位,这些都离不开精密定位技术的支持。X-Y精密定位工作台是这些设备实现平面运动高精度的核心部件。本文围绕工作台伺服系统展开的建模与仿真研究,对于提高工作台伺服系统的动、静态特性及跟踪精度具有重要的意义。　　要实现对X-Y精密定位工作台的精确控制,首先就要对它建立一个精确的模型;然后采用相应的控制策略。针对确定系统的模型辨识和控制的研究历来已久,但大多数的研究还是建立在确定的系统数学模型的基础之上,可是,实际控制对象变得越来越复杂,使得对象精确的数学模型在大多数情况下难以得到,所幸,人工神经网络由于具有并行处理能力、自学习能力、自适应能力和以任意精度逼近任意非线性函数的特点,在模式识别、系统辨识、控制等领域都得到了广泛的应用。神经网络为复杂系统的模型辨识和控制提供了新方法。　　由于机械系统的固有特性,非线性存在于X-Y工作台的机械系统中,影响了对它们的高精度控制,从而影响产品的质量。存在于伺服系统中的非线性特性有:摩擦、间隙等。而摩擦非光滑非线性特性对系统的低速运动控制影响比较明显,它会引起系统跟踪误差、极限环以及低速爬行甚至可能不稳定。传统的神经网络由于其神经元是光滑激励函数,所以难以准确逼近非光滑的非线性系统;也就是说,它无法对该系统进行准确辨识。为此,针对X-Y平台的驱动电机输入电压与工作台定位速度系统中存在摩擦等非光滑特性的影响,提出一种基于非光滑神经元的神经网络结构对X-Y精密定位平台系统进行了辨识,为解决非光滑神经网络的训练问题,本文又提出了基于广义梯度的非平滑学习算法。最后给出了辨识的实验效果。实验结果表明,基于非光滑神经网络结构的建模方法对具有非光滑非线性特性的系统建模可行,且获得的模型具有较好的泛化能力。