内模控制作为一种基于模型的控制方法,在实际的工业过程中应用广泛,但是内模控制方法对于模型的准确度要求较高,而由于工业过程中非线性、时变性等问题的存在,导致常规的建模方法不能得到良好的效果。为此,基于神经网络的内模控制方法受到关注。然而,采用常规神经网络建立生产过程模型需要进行大量的开环实验获取数据,并且,当生产过程模型变化时,常规神经网络模型难以快速在线更新。为此,本文提出一种改进的大脑情感学习网络(BELN),并将其应用于内模控制系统中,论文主要研究内容和取得的成果如下:1、针对原有大脑情感学习模型存在的不足进行了分析和改进,所提出的大脑情感学习网络不仅在结构上模拟了人脑实际的信息处理情况,同时,引入了“焦虑”与“自信”两个情感系数,以模拟人类情感信息的变化。通过仿真实验表明,所提出的大脑情感学习网络在学习速度方面具有更大的优势。2、将大脑情感学习网络用于内模控制系统的控制对象和控制器的建模,由于此网络快速的学习速度,可以采用少量的学习样本数据就可以获得满意的离线建模效果,并且,当被控过程模型改变时,大脑情感学习网络模型能够及时在线跟踪。3、将工业过程—同流管式热交换器的温度控制过程作为应用实例,建立了针对于热交换器的内模控制系统,并与常规神经网络内模控制进行可控制性能比较,验证了所提方法的有效性。