矿井的稳定通风是保障煤矿企业安全生产的基础。第十一个五年计划指出:要在煤炭行业进行电动机拖动风机优化改造。作为量大面广的高能耗设备,矿井通风机长期处于“大马拉小车”的低效运行状态。为了改变现状,本文在推导通风机节能原理,总结现有风量调节方案以及理论分析工况变化时功率的变化情况的基础上,以矿井通风机变频调速模型为研究对象,通过引入智能控制器使风量实现自动调节,从而让风机稳定在工况点运行,减少不必要的浪费。神经网络有着较强的逼近非线性函数的能力,还具有自适应学习、鲁棒性以及容错性等特点,为解决未知不确定非线性系统的建模和控制问题提供了一种有效途径。本文在现有的神经网络研究的基础之上,通过分析比较,选择了具有最佳逼近特性的RBF神经网络作为本课题的智能控制器。考虑到煤矿通风机是一个高度非线性、强耦合、多变量的系统,存在难以建立其精确数学模型的问题。为了解决这一问题,本文使用了基于RBF神经网络的?阶逆系统方法,通过RBF神经网络的离线训练建立通风机变频调速模型的逆模型,再利用逆系统理论,将该逆模型补偿原系统以实现原系统的线性化解耦,这样就能把复杂非线性问题转化成线性问题来考虑。鉴于RBF神经网络训练所需要的实际现场的样本数据难以获得,论文将通风机看成理想的三相异步电机,在Simulink平台通过坐标变换和电压空间矢量技术搭建了矢量控制的异步电机变频调速模型,并通过等效转换模拟获得了频率-风量样本数据,这些数据经过处理后即可作为RBF网络的训练样本。将离线训练好的神经网络结合若干个积分环节组成逆控制器去补偿原系统就能实现原系统的线性化解耦,再对解耦后的伪线性复合系统使用线性控制系统理论中的PI调节进行控制,最终建立风量调节系统控制模型。对该模型进行仿真,并与PID控制方式进行对比,结果表明:相对于PID控制器,神经网络逆系统可以较好地跟踪给定信号,并表现出了优秀的动静态特性。论文的最后,设计了一套用于实际现场的风量调节系统。首先,利用可编程控制技术、组态技术、传感器技术设计了一个用于监测监控风机运行状态的系统,然后将该系统采集的风量数据通过OPC通信上传到MATLAB,在MATLAB中调用之前设计好的控制模型对上传的数据进行处理,处理后得到的频率数据反馈回监控系统后,通过可编程逻辑控制器传送到变频器予以执行,从而实现风量的自动调节。实际现场的实验结果显示:该系统响应时间短,超调量小,稳态精度高,动态性能好,还具有一定的抗干扰能力,很好的适应被控对象,满足实际控制要求。