热工过程通常具有非线性、时变性,在自动控制中所采用的传递函数模型往往只是在一个工况点上的模型,很难描述热工过程在整个工况范围内的非线性特征.而对控制系统的整体全局优化必须要考虑过程的非线性,因此,建立热工过程的整体非线性模型是对热工控制系统整体全局优化的基础,但至今在热工控制系统中所基于的设计模型仍是传递函数,这不利于对热工控制系统的全局优化.而模糊系统和神经网络是适合于描述过程非线性特征的两种方法,通过对样本数据的不断学习,可较方便地建立整个过程的非线性模型.该论文主要目的就是尝试采用模糊系统和神经网络的非线性建模方法来建立热工过程的全局非线性模型,为热工控制系统的全局优化打下基础.另一方面,目前模糊控制系统已较多应用于热工过程的自动控制中,但常规的模糊控制系统缺乏自适应能力,主要原因是常规模糊控制所采用的模糊规则库是不能自动调整的.而模糊系统的非线性建模技术,不仅可以以规则的形式建立热工过程的非线性模型,也可以建立模糊控制系统的模糊规则库.因此,模糊系统的非线性建模方法也为模糊控制系统的自适应提供了一个途径.该文的主要成果如下:模糊系统的建模主要是通过模糊规则来描述非线性系统的动态特性,因此,规则库在模糊系统的非线性辨识过程中起着至关重要的作用,而模糊规则库的自适应、自组织能力将直接影响到其非线性系统的辨识效果.模糊规则库的自学习过程主要可分为两种情况:①对已有规则库中规则的前件、后件参数的自学习、自调整;②模糊规则库本身的自学习,即根据过程的实际工况自动增减规则库中的模糊规则.该文针对非线性模糊系统的动态建模,提出了一套实用简洁的规则库初始化及在线混合自学习建模方法,并对非线性函数逼近、热工过程辨识与建模中的相关问题做了大量的实验研究,取得了比较理想的非线性建模效果.另外,该文在建模过程中所提出的模糊规则的自适应、自学习方法,同样也可以对模糊控制规则进行学习,因此,它也是一类自适应模糊控制系统的基础.除了对用模糊系统建立热工过程的非线性模型进行研究外,论文还对用神经网络建立的热工过程的非线性模型进行了研究.神经网络建模的主要困难是如何确定适合的隐节点数目,因为隐节点数目的多少直接影响到系统建模与辨识模型的精度.隐节点数目的增多会导致网络的学习速度变慢,但是隐节点数目不够时就不能很好地学习样本,会严重影响神经网络模型的精度.该文针对典型的热工过程,进行了大量神经网络的建模仿真计算,从模型计算的数据可以看出,选择适当的隐节点数可以在确保神经网络模型精度的同时,有效提高神经网络的学习速度,加快整个非线性的建模过程,论文通过大量计算及分析,提出了选取隐节点数的原则和方法.模糊系统和神经网络的融合越来越受到重视,该文最后对如何合理地把模糊系统和神经网络有效结合进行了深入的探讨.