随着钢铁工业的发展以及空分设备的技术改进，钢铁厂内对氧气的需求量不断加大。然而氧压机输出的氧气压力和用户需要的压力之间又存在一定差距，因此这就涉及到如何控制气体压力来达到用户需要的问题。 由于气体的特性导致了气压控制具有明显的非线性和不确定性，针对这些问题本文主要在控制方法方面进行了大量的研究和实验，提出了一种新的气体压力控制方案。我们以邢钢制氧厂氧气压力控制系统为研究对象，将模糊神经网络和遗传算法这两种智能化方法结合，以控制氧压机的输出压力。 为了更好解决气压控制中存在的问题，提出了把智能控制应用于气压控制中，并为此提出了具有自学习和自适应功能的基于改进自适应遗传算法的模糊神经网络控制算法，设计了模糊神经网络控制器。最后将此控制器应用到气体压力调节控制系统中，并将其与PID方法和模糊控制方法相比较。从仿真实验的结果上我们可以知传统PID控制算法系统达到稳定状态的过渡时间相对较长，超调量较大抗干扰能力很差。模糊控制算法在控制过程的初始阶段上升时间较长，控制的效果在很大程度上仍然依赖于模糊规则的选取。基于GA的FNN控制算法无论在最大超调量，还是上升时间抑或是过渡时间方面，它都优于前两种方法。而且模糊规则在网络的训练下会根据实际要求不断的更新，将作用不大的规则省去，这样就会提高工作时间。采用这种控制方法的系统，其抗干扰能力也很强，实现了氧气压力的控制，仿真结果验证了此法在实际应用的可行性及有效性。 从控制结果来看，基于遗传算法的模糊神经网络控制方法在气体压力调节方面的应用，具有良好的自适应能力和实时性，而且抗干扰能力也很强，有效地提高了控制系统的稳定性，能够取得良好的控制效果。为解决气体压力调节问题提出了一种新的方法，对于应用越来越广泛的气体压力控制领域具有重要的实际意义。