在热工过程控制中,被控对象动态特性往往表现出非线性、时变性、大迟延和大惯性等特点,这使得难以对其建立比较精确的模型,从而难于精确表达热工过程及实施整体优化控制。而Takagi和Sugeno于1985年提出的著名的T-S模糊模型具有通用逼近性,即能以任意精度逼近非线性动态系统,已经成为一种被广泛使用的模糊模型。为达到建立精确热工系统模型的目的,本文研究了基于T-S模型的离线和在线模糊建模方法。1.T-S模糊模型离线辨识方法研究本文基于传统模糊聚类算法在寻优聚类中心时存在迭代过程,计算量大,而且容易出现死中心,局部极小和中心冗余等问题,提出了一种基于混沌遗传算法的参数优化方法。首先基于损失函数辨识模型的阶次,基于输入选择准则确定输入变量,然后引入广义T-S模型,其隶属度函数为具有自适应性的广义高斯函数,采用混沌遗传算法来优化它的形状,在此基础上利用递推最小二乘法辨识后件参数。该混沌遗传算法在基本遗传算法中引入了混沌移民算子,替换原群体中的不良个体,参与该群体的交配繁衍,以保证该群体的多样性,防止因近亲繁殖导致的基因病变与衰退,克服了基本遗传算法易早熟,收敛速度慢的缺点,在前件参数辨识中取得了很好的效果。2.T-S模糊模型在线辨识方法研究考虑到实际热工过程中系统的工况和外界环境变化等原因具有不确定性,参数和结构均易发生迁移,离线辨识的模型难以自适应地反映系统的非线性变化。因此在线模糊辨识技术,具有很强的理论意义和实用价值,并且在自适应控制、预测控制中都有广泛的应用。本文基于T-S模型的修正定义和模糊规则影响力的新准则,用于解决模糊规则的在线更新和优化问题。本文通过样本与聚类中心矢量之间的贴近度来修正聚类中心,并根据样本到中心矢量的距离对输入数据空间进行划分。在此基础上利用递推最小二乘算法辨识出模型的结论参数。该辨识算法具有所需模糊规则数少,辨识精度高,算法简单,易于实现等优点。将上述辨识方法应用到box-jenkins煤气炉数据和实际锅炉过热汽温系统辨识中,验证了上述方法的有效性,表现出了很好的逼近能力,取得了良好的效果。