滞后环节在工业生产过程中普遍存在,大时滞的存在严重影响了系统的稳定性,导致系统的超调量变大,调节时间大大加长,甚至引起系统闭环的不稳定或根本无法对系统进行有效的控制。50年代末以来先后出现了很多关于大时滞过程的控制方法,但很难在工业中得以真正应用。由于神经网络具有非线性逼近能力、自学习和自适应能力等优点,本文将其应用于滞后系统的控制研究中。本文在大时滞过程的控制方面提出了以下一些控制方法,具体如下:基于PID神经网络的优点,将PID神经网络控制用于延迟系统控制中,并将遗传算法和BP算法相结合用于PID神经网络的权值修正,避免了BP算法有可能陷入局部极值和遗传算法精度低的缺陷,该方法设计简单,对于一般工业生产中控制品质要求不是很高的时滞系统控制可以得到令人满意的结果;将神经网络与Smith预估控制相结合,设计了基于神经网络的Smith预估控制,即用RBF神经网络来辨识被控对象的数学模型,并用BP神经网络在线调整PID控制器的参数,该方法既克服了Smith预估控制对模型的过度依赖,又避免了传统PID控制器的弊端;将神经网络与内模控制相结合,给出了基于RBF神经网络的内模控制,即用神经网络对复杂系统的辨识能力来实现内模控制中被控对象的正模型及内模控制器,仿真表明该方法在模型变化时具有很好的控制品质和鲁棒性;将神经网络与预测控制相结合,设计了基于神经网络的预测控制,并用一个三层BP神经网络对延迟进行在线辨识,仿真表明该方法对时变延迟系统的控制具有较好的控制性能。