1、发那科(FANUC)机器人；2、ABBRobotics机器人；3、库卡(KUKARoboterGmbh)；4、安川电机(YaskawaElectricCo.)；5、川崎机器人；6、爱普生机器人(机械手)；7、柯马机器人；8、那智(NACHI)不二越机器人；9、史陶比尔(Staubli)机器人；

1、碳素结构钢、合金结构钢，强度较高，弹性模量E大，抗变形能力强，应用广泛；2、铝、铝合金、锂铝轻合金材料，重量轻、弹性模量E适当、材料密度小，E/ρ之比堪比钢材(ρ为电阻率系数)；3、纤维增强合金如硼纤维合金、石墨纤维增强镁合金，E/ρ之比高，价格较昂贵；4、陶瓷材料品质品相好，易碎，不易加工；5、纤维增强复合材料，具有极好的E/ρ之比，阻尼大，大量应用于高速机器人；6、粘弹性大阻尼材料，增大机器人连杆的阻尼是改善机器人构件约束的动态特性的最佳方法。

工业机器人是面向工业领域的多关节机械手或多自由度的机器装置，能自动执行指令工作，是靠自身动力和控制能力来实现各种功能的一种机器；可以受人类指挥，按预先编好的程序运行，也可以根据人工智能技术制定的规则纲领行动。国际标准化组织(ISO)将工业机器人定义为：一种能自动控制，可重复编程，多功能、多自由度的搬运材料或工件或操持工具来完成各种作业的操作机器。工业机器人是机器人家族中技术发展成熟应用最多的一类机器人；六轴以下称为机械臂，六轴及以上称为机器人。

智能制造生态系统：智能制造生态架构由实体层、虚拟层两大部分组成，实体层主要有AI人工智能(机器人Robot)、3D打印等，虚拟层主要有5G、工业互网络及其平台(云)、软件应用APP等；伴随着工业互联网、大数据、人工智能、5G、量子通信等越来越多新技术的发展与应用；当前掌握制造产业行业核心技术关键材料的产业链上游的企业全世界3000多家，德国1307家；其关键技术(激光光刻技术)、核心部件(芯片)、特殊材料(光刻胶)等。

神经网络控制的发展趋势：1、MP模型的提出和人工神经网络的兴起：1943年，美国神经生理学家WarrenMcculloch和数学家WalterPitts合写了一篇关于神经元如何工作的开拓性文章：“ALogicalCalculusofIdeasImmanentinNervousActivity”。2、感知器模型和人工神经网络：1957年，计算机专家FrankRosenblatt开始从事感知器的研究。1959年，两位电机工程师BernardWidrow和MarcianHaff开发出一种叫作自适应线性单元（ADALINE）的网络模型。3、反思期—神经网络的低潮：1969年，MarvinMinsky和SeymourPapert合著了一本书“Perception”，分析了当时的简单感知器，指出它有非常严重的局限性，甚至不能解决简单的“异或”问题，为Rosenblatt的感知器判了“死刑”。4、人工神经网络的复苏：直到1984年，Hopfield设计研制了后来被人们称为Hopfield网的电路，较好地解决了TCP问题，找到了最佳解的近似解，引起了较大轰动。1985年，Hinton、Sejnowsky、Rumelhart等研究者在Hopfield网络中引入随机机制，提出了所谓的Bolziman机。1986年，Rumelhart等研究者独立地提出多层网络的学习算法—BP算法，较好地解决了多层网络的学习问题。5、深度学习的出现：Hinton等人于2006年提出了深度学习的概念，2009年Hinton把深层神经网络介绍给做语音的学者们，然后2010年语音识别就产生了巨大突破。接下来11年CNN又被应用在图像识别领域，取得的成绩令人瞩目。2015年LeCun、Bengio和Hinton三位大牛在Nature上刊发了一篇综述，题为DeepLearning，这标志着深度神经网络不仅在工业届获得成功，还真正被学术界所接受。2016、2017应该是深度学习全面爆发的两年。

神经网络控制的应用：1、人工神经网络在信息领域中的应用信息处理：现代信息处理要解决的问题是很复杂的，人工神经网络具有模仿或代替与人的思维有关的功能，可以实现自动诊断、问题求解，解决传统方法所不能或难以解决的问题。模式识别：人工神经网络是模式识别中的常用方法，近年来发展起来的人工神经网络模式的识别方法逐渐取代传统的模式识别方法。经过多年的研究和发展，模式识别已成为当前比较先进的技术，被广泛应用到文字识别、语音识别、指纹识别、遥感图像识别、人脸识别、手写体字符的识别、工业故障检测、精确制导等方面。2、人工神经网络在医学中的应用生物信号的检测与分析：神经网络在生物医学信号检测与处理中的应用主要集中在对脑电信号的分析，听觉诱发电位信号的提取、肌电和胃肠电等信号的识别，心电信号的压缩，医学图像的识别和处理等。医学专家系统：非线性并行处理为基础的神经网络为专家系统的研究指明了新的发展方向，解决了专家系统的问题，并提高了知识的推理、自组织、自学习能力，从而神经网络在医学专家系统中得到广泛的应用和发展。3、人工神经网络在经济领域的应用市场价格预测：人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，所以用人工神经网络进行价格预测是有着传统方法无法相比的优势。风险评估：应用人工神经网络的预测思想是根据具体现实的风险来源，构造出适合实际情况的信用风险模型的结构和算法，得到风险评价系数，然后确定实际问题的解决方案。利用该模型进行实证分析能够弥补主观评估的不足，可以取得满意效果。4、人工神经网络在控制领域中的应用人工神经网络由于其独特的模型结构和固有的非线性模拟能力，以及高度的自适应和容错特性等突出特征，在控制系统中获得了广泛的应用。其在各类控制器框架结构的基础上，加入了非线性自适应学习机制，从而使控制器具有更好的性能。基本的控制结构有监督控制、直接逆模控制、模型参考控制、内模控制、预测控制、最优决策控制等。5、人工神经网络在交通领域的应用交通运输问题是高度非线性的，可获得的数据通常是大量的、复杂的，用神经网络处理相关问题有它巨大的优越性。应用范围涉及到汽车驾驶员行为的模拟、参数估计、路面维护、车辆检测与分类、交通模式分析、货物运营管理、交通流量预测、运输策略与经济、交通环保、空中运输、船舶的自动导航及船只的辨认、地铁运营及交通控制等领域并已经取得了很好的效果。6、人工神经网络在心理学领域的应用从神经网络模型的形成开始，它就与心理学就有着密不可分的联系。神经网络抽象于神经元的信息处理功能，神经网络的训练则反映了感觉、记忆、学习等认知过程。人们通过不断地研究，变化着人工神经网络的结构模型和学习规则，从不同角度探讨着神经网络的认知功能，为其在心理学的研究中奠定了坚实的基础。近年来，人工神经网络模型已经成为探讨社会认知、记忆、学习等高级心理过程机制的不可或缺的工具。人工神经网络模型还可以对脑损伤病人的认知缺陷进行研究，对传统的认知定位机制提出了挑战。

常用神经网络控制的模型：1、BP神经网络BP神经网络是一种神经网络学习算法。其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。2、RBF（径向基）神经网络由于它模拟了人脑中局部调整、相互覆盖接收域的神经网络结构，因此，RBF网络是一种局部逼近网络，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题。3、感知器神经网络一个具有单层计算神经元的神经网络，网络的传递函数是线性阈值单元。原始的感知器神经网络只有一个神经元。主要用来模拟人脑的感知特征，由于采取阈值单元作为传递函数，所以只能输出两个值，适合简单的模式分类问题。4、自组织神经网络自组织映射过程是通过竞争学习完成的。所谓竞争学习是指同一层神经元之间相互竞争，竞争胜利的神经元修改与其连接的连接权值的过程。竞争学习是一种无监督学习方法，在学习过程中，只需要向网络提供一些学习样本，而无需提供理想的目标输出，网络根据输入样本的特性进行自组织映射，从而对样本进行自动排序和分类。5、反馈神经网络在反馈网络中，信息在前向传递的同时还要进行反向传递，这种信息的反馈可以发生在不同网络层的神经元之间，也可以只局限于某一层神经元上。由于反馈网络属于动态网络，只有满足了稳定条件，网络才能在工作了一段时间之后达到稳定状态。

神经网络控制主要类型有哪些：神经网络最早由心理学家和神经生物学家提出，由于神经网络在解决复杂问题时能够提供一种相对简单的方法，因此近年来越来越受到人们的关注。神经网络模型各种各样、各式各样的模型从不同的角度对生物神经系统进行不同层次的描述和模拟。代表性的网络模型有BP网络、RBF网络、Hopfield网络、自组织特征映射网络等。运用这些网络模型可实现函数逼近、数据聚类、模式分类、优化计算等功能。因此，神经网络广泛应用于人工智能、自动控制、机器人、统计学等领域的信息处理中。

专家控制的实现方法：1、知识库：用适当的方式储存从专家那里获取的领域知识、经验。2、数据库：在专家系统中划出的一部分储存单元，用于存放当前处理对象用户提供的数据和推理得到的中间结果。3、推理机：用于控制和协调整个专家系统的工作，它根据当前的输入数据，再利用知识库的知识，按一定推理策略去处理解决当前的问题。4、解释：一组计算机程序，为用户解释推理结果，以便用户了解推理过程．并回答用户提出的问题。5、知识获取：通过设计一组程序，为修改知识库中原有的知识和扩充新知识提供手段。

专家控制系统所面临的主要问题：①专家经验知识的获取问题。②知识库的自动更新与规则自动生成。③专家控制系统需要建立实时操作知识库，以解决结构的复杂性、功能的完备性与控制的实时性之间的矛盾。④专家控制系统的稳定性分析是另一个研究难题。⑤如何实现数据和信息的并行处理，如何设计系统的解释机构，如何建立良好的用户接口等都是专家系统有待解决的问题。