随着工业需求的刺激和国家政策的激励,工业机器人成为生产线上的核心角色。常见的生产形式是批量化、规模化的加工制造与重复性流水作业,例如搬运、拾放、切割、焊接与喷涂等,由此对工业机器人的轨迹控制研究是十分重要的。迭代学习控制则是针对工业机器人重复作业工作特性的一种研究方法,有结构清晰,可吸取先验信息等特征,可以提高机器人轨迹跟踪精度,但针对不确定性与外界扰动的问题仍需不断研究。本文主要研究工业机器人迭代学习控制,针对轨迹跟踪中存在的扰动与不确定参数等问题,展开迭代学习控制器的设计并进行应用研究,并设计性能指标与实验进行分析和验证。控制器设计的前提是了解机器人的工作原理与结构,因此对工业机器人的动力学分析是基础,利用拉格朗日法建立机械臂动力学模型,利用虚功原理构建Delta机器人动力学模型。在研究迭代学习控制原理的基础上,针对误差收敛过程的抖动现象,基于P型学习律添加了输入补偿和迭代轴上的误差补偿,提高了跟踪控制作用的收敛平滑度,在机械臂上仿真验证了算法的有效。针对机器人系统应用存在的不确定参数的实际情况,把自适应控制与迭代学习控制进行结合,设计出一种自适应迭代学习控制器,利用自适应项来辨识系统未知参数,进行机械臂上应用仿真进行对比验证降低跟踪误差的理想效果。分析迭代学习应用于工业机器人的关键性问题,归纳评价迭代学习控制性能的标准为鲁棒性和收敛性,并进一步提出指标量化公式来表征。采用P型,PD型和自适应型这三种结构的迭代学习控制器,计算两类指标并比较不同迭代学习控制器作用于在机械臂上的性能,比较探索两类性能之间的关系和规律,可指导迭代学习律设计与增益参数调节,更广泛地拓展了迭代学习研究。最后,选取两个实验平台进行实验,从二维实验平台XY平台到空间三维实验平台Delta机器人,针对实验结果表明,算法在面向实际工业机器人可实现精确的轨迹跟踪。