离心式压缩机是工业上广泛应用的高速大型设备,运行性能与实际生产关系密切,其实际工作状态与其设计工作条件往往存在某种差异,需要根据机组的实际条件对性能曲线进行重新计算和评价。传统理论计算模型不是需要依赖于相似性假设的准确性及其被满足的程度,就是需要经验公式,或者建立非常复杂的流体力学数学模型。但离心式压缩机影响因素众多,采用传统方法建模往往精度低、通用性差。本论文将模糊神经网络用于离心式压缩机性能模型的建立,其本身所特有的优点有利于解决上述问题。论文探讨采用以模糊神经网络为核心及其应用中的相关问题,建立了离心式压缩机性能的模糊神经网络模型,为离心式压缩机的性能预测和控制提供更好的模型。建立了Elman动态递归人工神经网络的压缩机性能模型,计算结果显示:输出为二时,当隐含层和结构层节点个数为四时,检验误差取得最小,训练误差为3.12201,检验误差为0.5906,基本能够反映系统的运行状况,但模型精度不够高。建立了基于Takagi-Sugeno模糊推理的具有自适应功能的模糊神经网络模型,模糊聚类算法采用MMC算法,计算结果显示,当潜能半径r_a取0.6而r_b取1.1时,网络有较佳的性能。训练误差为0.52844,检验误差为0.59579,生成的模糊规则数少,精度更高,计算量更少。通过采用模糊C均值聚类建立了能够反映压缩机基本运行趋势的主模型,再利用模糊主控制模型的输出与其他输入向量通过最速梯度下降法训练模糊神经网络,初始值不再选取为随机数,极大地改善了网络的训练时间或陷入非要求的局部极小值的问题。计算结果显示,模型能够反映压缩机的运行状况,整个网络对训练样本的误差为0.2618,对检验样本的误差为0.3622,结果令人满意。本文将透平与离心式压缩机看作一体,简化为一阶惯性系统,将此一阶惯性系统叠加到模糊神经网络模型中,建立模糊控制模型,分析计算显示:(1)单独调整偏差量化因子或偏差变化量化因子,系统的响应性能都不够理想。而综合调整二者的值,在一定范围内,系统响应时间和超调逐步改善,性能较优;(2)增大控制增量的比例因子,或增加规则表对偏差变化的敏感程度,响应时间减少,响应过程超调增加,收敛时间变长;(3)调整各变量的隶属函数向中间收缩,响应时间变长,超调减少,系统收敛时间变长。本文在基本模糊控制器的基础上,加入一积分因子自调整机构,仿真结果显示,被控对象能够迅速响应期望值的变化,整个过程响应时间几乎不超过5秒,且到达期望值以后,迅速稳定下来。