驼峰是完成货物列车解体作业和重新编组作业的核心设备。驼峰推峰的作业效率对整个编组站的作业效率有很大的影响。现代自动化驼峰系统中包括驼峰机车推峰速度的遥控、溜放进路的自动控制、溜放速度的自动控制、编组站信息综合处理系统等主要技术设备。在现在的技术条件下,驼峰推峰机车已经成功完成了无线遥控技术,并与溜放速度的自动控制系统联成一个整体。如果把驼峰调机推峰作业、钩车溜放作业作为一个作业整体来进行研究,就能实现驼峰作业的整体优化。传统的推峰速度确定方法是由操作人员凭借人工经验给定,但由于操作人员的经验的主观性和不确定性,再加上推峰速度控制过程是一个受多种因素影响的、非线性时变过程,这样就会使得现行的推峰速度的确定方法有时会存在较大的误差。随着编组站的作业量的增加,要想在现有的基础之上发挥出驼峰更大的效率,驼峰最优推峰速度和实时推峰速度的研究是绕不开的课题。在现场,操作员依据实际操作经验和现场实际情况,通过大脑的粗略判断,通常能够给出一个比较合适、比较精确的推峰速度。驼峰推峰过程是一个多变量的非线性时变系统,传统的控制方法需要建立被控对象的数学模型,而驼峰推峰过程的模型无法准确建立。所以,我们利用模糊控制和神经网络来研究驼峰推峰速度和实时推峰速度。文中首先介绍了驼峰自动化和驼峰推峰系统研究的现状；然后分析了现有的驼峰推峰方法,指出了其不足之处,并对影响驼峰推峰过程的因素进行了分析和总结；之后提出了用模糊神经网络来研究驼峰推峰的思路。在确定思路之后,第一步先建立了影响驼峰最优推峰速度和实时推峰速度的各个变量的模糊分布；第二步则对于最优推峰速度模型和实时推峰速度模型,分别设计了一个神经网络来代替模糊推理机；第三步选取驼峰现场数据作为训练样本,通过对网络进行训练,自动生成模糊控制规则。这两个模型结合了神经网络和模糊控制的优点,将专家或熟练操作员的控制策略转换为控制功能函数,并且利用神经网络自学习和自校正的功能,及时地调整并修改模糊控制规则和隶属函数等参数,这样就可以实现模型的自适应,从而实现对控制对象的较好地控制。计算机仿真表明,这两个模糊神经网络经过学习之后,基本能较为准确的反映现场的状况。