随着科学技术的发展,控制对象变得越来越复杂,对控制指标的要求也越来越高,常规的控制方法和控制技术都不能实现对它们的满意控制.人工神经元网络作为人工智能在控制领域的应用之一,越来越引起人们的重视.该文从辽宁省水文站的流速仪检定系统的速度控制出发,对RBF神经网络内模控制的实际运用进行了一些研究.由于流速仪检定调速系统要求用来检定流速仪各项性能指标的检定车的速度控制十分精密、准确.检定车的速度范围在(0.01m/s~4.00m/s),调速比1:400,所以采用了德国西门子的6RA70系列直流调速器对直流电动机调速.尽管6RA70调速器上具有PID功能,但由于该系统来说调速范围非常大,很难找到一组既适用于低速又适用于高速的PID参数(现场实验己证明了这一点),因而,检定系统的设计采用了基于神经网络自适应PID算法,并在此基础上运用了RBF神经网络内模控制.在系统辨识中,采用了自组织特征映射网络实现RBF中心聚类,并与递推最小二乘法构成递推混合学习算法,从而改善了中心聚类效果;同时,权值的调整和控制器的设计均基于所选择的Lyapunov函数,所以能保证闭环系统的稳定性以及权值和误差信号的有界性.网络训练时,根据过程实测的输入输出数据,将实际对象输出的过去值包含进RBF网络的输入层,从而得到一动态神经网络,作非线性系统的预测模型.在动态神经网络的基础上,采用了对象-正模型-逆系统的实现方法,设计了基于神经网络的非线性内模控制方案.论文介绍神经网络内模控制和控制器设计,并且提出了一种在线自适应跟踪辨识方法,既利用了系统的已知规律,提高了辨识的可靠性,又使得网络结构不必过于庞大,改善了实时性.该神经网络内模控制方案已于2003年5月在水文站流速检定系统中进行实际运用,实践证明该方法对于非线性时变系统切实可行、效果良好,具有较强的鲁棒性,对今后的神经网络预测控制在传动系统中应用具有一定的指导意义.