氧乐果合成过程反应釜内温度控制的好坏直接影响到产品的质量。但由于氧乐果生产的合成反应过程具有时变、延时等非线性特性,其受一甲胺流量、一甲胺总投料量、反应时间、冷却盐水温度等多种因素影响,难以建立精确的数学模型,使得基于精确数学模型的常规控制方法很难取得满意的控制效果。近年来,由于模糊神经网络兼顾了模糊逻辑和神经网络的优点,在处理非线性问题方面有独特的优势,得到了广泛的应用。常规模糊神经网络控制中,模糊运算一般采用静态、局部优化的运算方法,补偿模糊神经网络控制中,模糊运算采用动态的、全局优化运算。氧乐果合成反应是一个动态的过程,考虑到氧乐果合成反应的动态特性,本文采用带有输出一阶延时回馈的神经网络对氧乐果对象进行辨识;并将补偿模糊神经元引入到模糊神经网络中,设计了补偿模糊神经网络控制器。在设计控制器之前,为了得到控制器较合理的初始参数和模糊规则数,避免人为设定的主观性和盲目性,分析比较了几种比较典型的聚类算法后,采用模糊C均值自适应聚类算法来提取系统特征和聚类点,得到系统的初始规则库和初始参数。利用从实际生产过程中采集的数据,对补偿模糊神经网络控制器进行离线训练,确定控制器的初始结构和参数,然后将训练好的补偿模糊神经网络控制器和氧乐果合成反应对象模型连接到一起,进行控制器仿真实验。基于补偿算子的模糊神经网控制器既能调整输入、输出模糊隶属函数,又能动态地优化模糊推理规则,使补偿模糊神经网络能够从专家建立的合理的模糊规则或者不太合理的模糊规则中进行相互补偿运算,克服了人为选取模糊规则具有较大的主观性的缺点。同时,补偿模糊神经网络参数通过启发式算法进行预置,从而加快了训练速度。仿真结果表明:该控制器具有较好的自学习能力,能较好的满足氧乐果合成反应的温度控制要求。