从动态负载补偿的角度严格地说，对系统执行器进行负载压力的检测是必要的，但是对于2自由度机械手来说，这就需要增加4个压力传感器，使得系统更加复杂化，而且由于机械手结构小巧，传感器的安装也很困难。再则考虑到，在机械手的控制过程中，实际上各个手臂所受的负载和机械手的姿态有密切的联系，可以说是机械手的姿态决定了各臂所承受的负载。因此笔者提出了基于机械手姿态补偿的神经网络自学习控制结构。补偿器的输入为机械手的姿态信息（这里取H1、H2），补偿器的输出被用来进行不同机械手姿态下，神经网络控制器网络连接权值的选择。

　　仿真研究针对所描述的控制结构，以函数连接网为控制器，对机械手进行仿真研究。机械手的数学模型用前文所述的公式，按非线性4阶龙格-库塔算法，在586微机上用TORBOC语言编写。仿真参数如下：手臂长度l为1.0m，手臂质量m为15.0kg，伺服阀流量系数Kq为0.02m3/mm，油源压力Ps为40MPa，介质密度为900kg/m3，弹性模量E为0.7GPa，油缸有效容积Vt为0.1m3，油缸面积A为0.004m2，流量压力系数Kc为0.3×10m3，仿真步长h为0.001，机械手的控制采样周期T为10ms.

　　节机械手臂轨迹跟踪控制的仿真曲线见图4，a为手臂1的仿真结果，b为手臂2的仿1.期望轨迹2.实际轨迹机械手的轨迹跟踪控制仿真真结果。可见，在机械手存在交叉耦合的情况下，控制器的控制效果基本上可以令人满意。为考验控制器的回想和泛化能力，在结果的基础上，停止学习，仅靠前述的经验知识，对变化了的期望轨迹进行跟踪控制，其仿真结果。由图中可以看出该控制器的特性较好。

　　实验研究实验对象是水下作业机械手，该机械手共有6个自由度，我们仅控制其负责手臂运动的2个关节。实验条件为系统供油压力Ps=7MPa；液压介质工作温度40±2℃；机械手质量负载8kg.两机械手臂的轨迹跟踪控制的实验结果，与仿真结果相似，控制系统的综合品质令人满意，控制器具有较好的控制效果。

　　结论（1）在对现有的以驱动力矩为输入的机械手动力学模型的分析的基础上，笔者推导出控制机械手的动力学数学模型。该模型是以阀位移为输入、关节转角为输出的3阶非线性微分方程组。在多种工况的仿真过程中显示出极高的可靠性。通过仿真可以证实，模型是正确的。尤其在定性问题方面，该模型对各种问题的分析提供了极大的方便。对所有进行的实验研究，该模型都给出了与分析和实验相符的结果。

　　（2）为了缩短控制器的学习过程而又不致影响系统学习的收敛性，笔者提出了基于函数联接神经网络的前馈-反馈复合学习控制算法，并将此方法应用于机械手的变轨迹控制、突变轨迹控制，取得了很好的仿真和实验结果。