稳态优化是在对工业过程对象的充分了解基础上,以较少的投资,通过调整操作参数取得更大的经济效益的技术。工业过程的复杂性、非线性和不准确性决定系统建模和全局优化求解是优化设计的两个重要步骤和设计难点。本文采用模糊神经网络建模,模糊规则决定着网络推理层的结构,提取系统规则是建立模糊神经网络的关键。为解决复杂过程模糊规则不易建立的问题,提出密度聚类分析法提取模糊规则。通过对数据样本的密度分析、类的合并,将样本数据输入输出空间分解成一系列的模糊区域,每个区域对应一条模糊规则,密度聚类法获得的规则较好地反映了样本数据输入输出对应关系,避免了随机因素的影响,同时还可得到合理的隶属度函数中心和隶属度函数宽度等网络初始值,减少了不必要的计算。根据密度聚类的特点,改进了模糊神经网络的模糊推理过程和网络结构,使模糊逻辑与神经网络结合更合理。为加快网络训练速度,提出了动量BP算法,参数训练中以上次修正结果影响本次修正量,较好地解决了BP算法收敛速度慢的问题。为快速获得优化操作参数,提出改进的模拟退火算法,在保留模拟退火算法全局寻优的基础上,将Powell算法引入模拟退火算法的局域搜索过程,极大地提高了局域搜索效率,使改进的模拟退火算法有快速的全局寻优能力。本文以蓝星石化的过氧化氢异丙苯(CHP)分解生成苯酚/丙酮反应过程为对象,检验基于模糊神经网络工业过程优化方法。通过对现场生产数据样本的密度聚类分析提取模糊规则,确立模糊神经网络模型结构,进而应用改进的模拟退火算法求取最优解,经过验证分析,证明基于模糊神经网络的优化方法是一种可行的工业过程优化方法。