锅炉制粉系统是火电厂的重要组成部分,其运行的安全可靠性和经济性直接影响到锅炉机组的安全可靠性和经济性。随着火电机组容量和参数的不断提高,火电厂普遍采用中速磨直吹式制粉系统。热工过程的自动控制是保证热力设备安全和经济运行的必要技术措施和手段,而建立对象精确的数学模型又是自动控制的前提条件,因此,有必要对中速磨煤机的特性进行深入的研究。中速磨煤机是高度关联、大滞后、MIMO的非线性系统,其动态特性随着运行工况的变化而大范围变化。传统的建模方法都具有计算量大、抗干扰性差、测量精度不高等缺点,而由于径向基函数RBF(Radial Basis Function)神经网络具有可以逼近任意非线性映射的能力,且网络结构简单,故本文采用基于RBF神经网络的建模方法。本文在传统RBF学习算法的基础上,提出了基于免疫聚类和免疫进化规划相结合的RBF神经网络的构造方法,对中速磨制粉系统进行离线建模;为了满足热工控制系统实时性的要求,本文在最小资源分配网络MRAN(Minimal Resource -Allocating Networks)算法的基础上,提出了“优胜者神经元”策略,对EKF算法调整网络参数过程进行了简化操作,只调整跟输入有密切联系的隐层节点的参数,从而大大减少网络的训练时间;并且对删除策略进行了改进,不仅删除那些连续对网络输出贡献较小的隐层单元,还将相似的隐层单元合并,使网络结构更加紧凑。应用上述两种RBF神经网络学习算法对某电厂机组的MPS型中速磨煤机进行建模研究,结合Matlab仿真,证明这两种学习算法都具有较高的辨识精度。其中,离线建模的学习算法辨识精度更高,但是计算时间比较长,适用于对精度要求较高的控制系统;而在线建模的学习算法虽然精度不够高,但辨识时间远远小于现场数据的采样时间,符合实时建模的要求,可直接应用于基于模型的控制算法。