滞后普遍存在于工业生产中,常常导致控制系统品质恶化甚至不稳定,同时滞后系统往往还伴随着许多未知的和不确定的因素,这些因素还会随环境、工况和时间发生不可预料的变化,因此,那些基于定量数学模型的传统控制方法对滞后系统实现有效的控制已不太可能,必须寻求新的控制策略。本文着重研究基于模糊神经网络的滞后系统控制策略,内容主要包括神经网络辨识预测及模糊神经网络控制两个方面的研究。其基本思想是先用神经网络辨识预测器对滞后控制对象进行辨识预测,然后将神经网络辨识预测器输出与给定值的偏差及偏差变化作为模糊神经网络控制器的输入,利用模糊神经网络控制策略对滞后控制对象进行控制。神经网络辨识预测基于网络的逼近和学习能力,可从获得的输入、输出数据中提取被研究对象的数学模型以较准确的表达实际对象的特性,且需要较少的先验知识,其方法有静态神经网络,动态神经网络。采用动态神经网络中的Elman网络来辨识预测滞后控制对象,克服了静态神经网络辨识需要复杂的结构及难以训练出能反应实际对象的模型,取得了良好效果。本文提出的基于模糊神经网络的滞后控制策略具有能克服模糊控制中模糊规则选择往往有一定的主观任意性,不易获取有效的知识规则和隶属函数,又能克服神经网络不能很好地利用已有经验知识。模糊神经网络控制器结构主要为标准模型的模糊神经网络结构及T-S模型的模糊神经网络结构。针对模糊神经网络训练常常只能将初始权值取零或者随机数,造成控制系统初始状态差,甚至致系统不稳定,采用了微粒群优化技术首先从已有的经验样本数据对中挖掘出控制规则,从而获得一个基本反应系统要求的模糊神经网络控制器。然后利用误差反传算法在线不断优化模糊神经网络控制器的结构参数,从而达到对滞后系统有效的控制。为了便于研究基于模糊神经网络的控制策略,利用OPC技术实现力控与MATLAB的通讯并搭建出实时控制系统,最后将基于模糊神经网络的控制策略应用于锅炉水温滞后控制系统。