本文是一篇综述性论文。以下是根据文档内容生成的学术报告。
作者 Dong Xu、Guanda Yang、Heyang Feng 来自北京航空航天大学自动化科学与电气工程学院，Xinnuo Wang 来自北京航空航天大学中法碳中和研究中心，通讯作者 Yupeng Liu 同为自动化科学与电气工程学院成员。该综述于2025年9月17日以开放获取形式发表在期刊 IEEE Open Journal of the Industrial Electronics Society 上。
该研究属于机器人控制领域，聚焦于机器人机械臂的振动抑制技术。随着机器人机械臂在精密制造和自动化领域中的应用日益广泛，对高效率和精度的需求显著增长。然而，这类系统因轻量化和柔性结构的广泛采用而面临持续的振动问题，这不仅会导致结构疲劳、降低操作精度和能量效率，甚至可能引发系统失稳。尽管相关研究众多，但学界此前仍缺乏一篇对该领域全面系统的综述，本文旨在填补这一空白，对近期研究进展进行系统分类与批判性评估，并为未来研究指明方向。
文章的核心内容是将现有的振动抑制策略划分为被动抑制和主动抑制两大类，并分别对其所包含的技术分支进行了详细论述，最终提出了一种混合控制框架和四个未来关键研究方向。
文章首先在第二章阐述了振动的基本原理。机器人机械臂的振动主要由电机引起的电磁、机械和空气动力学扰动导致，当结构固有频率与工作频率重合时会产生严重共振。为适应重载而使用的高减速比减速器会增加关节柔性，而臂杆和负载的柔性又会导致弹性变形，这些因素共同引发了持续振动。文章将一个柔性关节简化为一个双惯量模型进行分析，该模型由电机转动惯量、负载转动惯量和弹性连接的刚度与阻尼构成。通过推导传递函数，揭示了系统由惯性项和二阶振荡项组成，并得出了计算系统共振频率和反共振频率的公式。进一步地，对于一个六自由度柔性关节机械臂，基于拉格朗日方程推导其动力学模型后，每个关节的固有频率被证明与关节刚度和惯量有关，当这些频率落入系统带宽时将引发显著振动。这是理解后续各类振动抑制策略的理论基础。
第三章详细介绍了被动振动抑制策略，这类方法主要依靠机械结构的优化或隔振器设计，无需外部能量输入。最为直接的方法是优化机器人的机械设计，例如通过有限元分析优化机械布局，或将电机和吸振器置于靠近机架的位置，能有效抑制残余振动。研究者们还探索了更系统化的隔振器方案，例如准零刚度隔振器。这种隔振器结合了正刚度和精确调谐的负刚度机构，能在平衡点实现接近零的刚度。通过引入非线性阻尼，低频振动传递率可被有效抑制。有研究在此基础上集成了柔顺导向混合磁阻执行器，实现了极高的控制带宽，在10赫兹频率下显著降低了振动传递率。此外，仿生学设计也成为热点，例如模仿青蛙M形后肢的隔振器，相较于传统三弹簧准零刚度隔振器，提供了更宽的隔振范围和更短的冲击衰减时间。另一种仿山羊后肢的隔振器，实现了对3.2赫兹以上振动超过90%的抑制效果。然而，这类方法普遍存在对负载变化敏感、高频工况下性能受限以及可能引入非线性等问题，在结构柔性与系统稳定性之间存在着固有权衡。
第四章着重阐述了主动振动抑制策略，这类方法通过闭环控制系统实时抵消振动。主动控制的效果主要受限于控制延迟和传感器精度。文中将主动控制方法进一步分为基于模型的方法、无模型方法及混合方法，并首先介绍了经典的基于模型的控制方法。比例-积分-微分控制是最常用的方法，有研究通过引入抗振特性，在保证半全局渐近稳定的同时提升了轨迹追踪精度。反馈控制是另一种有效方法，利用加速度计测量振动并通过惯性执行器进行抵消，可实现振动均方根幅值25%的降低。关节扭矩反馈被广泛使用，能提升运动控制精度，但对高分辨率传感器有依赖性。前馈控制中的输入整形技术通过构造一系列延时指令来抵消振动信号，其在多连杆臂的振动抑制及外科手术机器人的精确位置控制中得到了验证，但这类方法通常为特定工况设计，对系统动态变化适应性不强。
在此基础上，综述进一步探讨了更先进的基于模型的控制策略，包括模糊逻辑控制、鲁棒控制、自适应控制、迭代学习控制、奇异摄动理论、波吸收控制、强化学习及模态控制等。鲁棒控制系统能够有效处理系统不确定性和外部干扰，如采用等效输入干扰的控制策略，通过状态观测器和估计器增强了扰动的估计与补偿。自抗扰控制则能实时估计并补偿扰动。滑模控制通过设计合适的滑动面和切换函数可快速抑制振动，增强型滑模控制策略在实验中展现出比传统方法更优的抑制能力与更小的超调量。H∞鲁棒控制器在二自由度机械臂上验证了其对低连杆和关节刚度的补偿能力。自适应控制能够实时调整参数以适应系统动态变化，例如基于模型的自适应障碍控制策略能对具有边界输出约束的柔性梁进行振动控制；有研究利用哈密顿原理为柔性宏-微机械臂建立了非线性模型，其混合自适应控制策略使受激振动和残余振动分别降低了56.1%和52%。迭代学习控制通过重复执行任务来优化控制效果，例如一种双环路迭代学习控制律解决了输入约束下的振动抑制问题。奇异摄动理论则将系统分解为快慢子系统分别控制，实现了高追踪精度和鲁棒性。波吸收控制策略利用机械波防止振动能量重新进入控制系统，在仿真中表现出良好的鲁棒性和稳定性。强化学习控制使机器人能通过奖惩机制实时优化响应，一项使用深度确定性策略梯度算法的工作在追踪精度和鲁棒性上均超越了模型预测控制。模态控制则直接针对振动行为的根本特性，通过识别主导模态的频率和阻尼比，或通过调整关节阻抗在模态空间中调控模态频率和振幅，为从本质上抑制振动提供了基础。
主动控制领域的另一个重要分支是无模型与混合控制。无模型方法不依赖于精确的系统模型，更具灵活性和适应性。无模型模糊PID控制器被用于管理连续体机器人的末端执行器位置，无需显式数学建模即可提升控制精度。自适应神经网络结合滑模控制、阻抗学习等技术，能有效处理系统不确定性，部分方法利用李雅普诺夫定理保证了半全局稳定性。此外，还有研究探索了无需传感器的操作，通过利用运动空间和构型空间中的“吸引域”概念，在无反馈条件下实现高精度操作，为减少振动提供了新思路。但是，无模型控制策略通常计算成本较高。鉴于两类方法各有优劣，混合学习方法被提出以系统地结合两者。例如，一个框架可在基于模型和无模型强化学习之间最优切换，实验结果表明其在效率和精度上均有显著提升。
在文章最后的结论部分，作者总结了各类方法的特点。被动控制方法简单可靠，计算复杂度最低，适用于低频应用，但动态适应性差。基于模型的主控控制精度高，但计算复杂度高，严重依赖精确建模。无模型方法灵活，但计算复杂度最高。尽管进展显著，但高速应用中的结构柔性与控制稳定性权衡、复杂控制算法的集成等挑战依然存在。为此，作者提出四个未来关键研究方向：一是开发更高效的适应学习算法，以增强实时响应能力；二是构建混合控制框架，结合基于模型控制的精确性和无模型控制的适应性；三是设计生物启发式模型，从生物系统的高效减振机制中汲取灵感，开发兼具适应性与计算效率的模型；四是构建多模态分布式控制框架，集成多种传感信息，通过分布式控制综合提升系统性能。该综述为未来旨在提升机器人机械臂效率和精度的研究提供了有价值的见解。