凝汽器是大型换热设备，广泛应用于电力、化工、冶金、机械等行业，是汽轮机的重要组成部分，它使凝汽式汽轮机做功后排除的蒸汽凝结成水，形成并保持所需要的真空，降低排汽压力和排汽温度，提高机组的循环热效率。凝汽器运行时，洁净的换热表面和不洁净的冷却介质（一般为水）相接触，发生化学反应等原因，形成污垢。污垢是热的不良导体，其导热系数只有铜的0.5%，所以污垢在沉积表面积聚到一定厚度时，严重的肯定会较明显的降低凝汽器的热交换能力，使排气温度升高，排气真空下降，进而导致汽轮机热效率下降，使得其运行效益降低，我国是能耗大国，节能降耗一直是我国发展的主题，所以对凝汽器污垢的研究非常有必要。论文从影响污垢形成因素着手，通过污垢的沉积与剥蚀建立污垢模型，并对改进的算法收敛性进行分析。由于凝汽器污垢结垢的周期性和结垢过程的动态性，采用Elman神经网络对其建模，但标准的Elman神经网络对复杂的系统辨识度降低，因此将其进行改进；针对算法应用在神经网络存在的收敛慢的问题，将粒子群优化算法和遗传算法进行结合，得到改进的算法，用其来训练神经网络。仿真结果表示，该方法能够很好预测污垢，和其它算法进行比较，提高了神经网络的收敛性和训练速度。在对凝汽器污垢进行预测建模后，为了更好的控制污垢，必须对其清洗参数进行优化控制。在确定好化学清洗周期的数学模型后，采用最速下降法对其模型进行求解，得到最佳清洗周期，从而得到最佳清洗时间和间隔；确定好清洗周期后，控制化学清洗的主要参数达到除垢的目的，为了维持清洗液浓度的动态稳定性，利用模型预测控制，并用改进型Elman神经网络进行建模，利用改进智能算法进行网络参数的训练，对于目标函数的优化，文章采用改进的粒子群优化算法。为了验证提出算法的有效性，用MATLAB分别进行仿真，其结果表明其算法是有效、可行的。