化指標也是隨設備條件、煤質（特別是可磨系數）、運行工況而變化的，這對于實時控制在實現的方法上提出了很高的要求。
    (4)球磨機制粉系統的模糊控制
    模糊控制(FC)算法是本世紀70年代才發展起來的一種新型控制算法，其本質是一種非線性控制，它不需要知道被控對象的數學模型，并具有比常規控制系統更好的穩定性、更強的魯棒性和良好的抗噪性能，而且容易跟人工操作經驗相結合，可以有效地實現對非線性系統的控制。
    模糊控制利用模糊語言規則，將運行人員的經驗歸納后，存儲到計算機中進行數值計算，實現模糊控制，首先通過調整給煤量、熱、再循環風門，使磨煤機的磨負荷、出口溫度和入口負壓控制在給定范圍內，即將磨煤機調整到最佳工況；其次，在負壓、溫度都正常的情況下，調整給煤量使磨煤機內存煤量最佳，達到出力最大和單耗最小。
    另一種則是利用模糊控制的特點，認為當偏差較大時，控制的主要矛盾是要盡快減小偏差，使系統輸出接近穩定值，即采用一種變結構的控制方案，大偏差時采用模糊控制方案，小偏差時采用PID控制，接近穩態時則為保持方式。
    模糊控制方案無需磨煤機精確的數學模型，這對經典的控制方法是一個很犬的進步。但對于球磨機這種三輸入三輸出系統而言，由于模糊控制規則數太多，采用模糊控制查詢表的方式來實現會帶來很多不便。對于工程實際而言，將難以實現。如果采用遞階模糊控制，即將控制系統分為兩級，第一級由三個并行的模糊控制器組成，第二級為協調級，相當于一個解耦器。通過這種遞階結構將原來的117649條規則減少到了490條，大大降低了模糊控制器設計和計算的復雜度，非常有利于工程的實現。
    (5)球磨機制粉系統的預測控制
    由于常規的模糊控制規則集中并沒有包含對象純滯后的信息，因此，尋找克服大純滯后對象的模糊控制規則也是人們正在努力的一個方向。
    有些學者提出了將球磨機的傳遞函數矩陣轉換為球磨機的脈沖響應矩陣，根據系統的現在時刻和過去時刻的控制輸入預測系統輸出的未來值，實現預測控制。蔡松波提出采用模型算法控控制(MAC)對制粉系統進行控制，通過引入輸出反饋消除誤差。具體的模型算法控制由被控對象的內部模型、參考模型和控制變量的計算三大部分組成，其中參考模型用于生成參考軌跡，引導被控對象的輸出沿著期望的、平滑的曲線無超調地收斂到給定值。采用預測二步控制算法求解三個回路的最優控制方案。針對MAC算法在對多變量耦合系統解耦時需要求解大量線性方程組的問題，王東風提出一種新型解耦思想，其核心思想是設，已被解耦，是獨立給出的，這樣就可使預測時域，和控制時域，均可根據具體情況而具有不同值。有些學者采用了動態矩陣控制(DMC)，同樣是利用系統的脈沖響應曲線進行動態矩陣控制。DMC在控制量計算中加入了過程動態特性、多步預測系統輸出，可以及時識別系統異常進行超前調節。而預測控制的難點在于預測傳遞函數的獲取，特別對于像球磨機這種復雜的時變對象。
    (6)球磨機制粉系統的神經網絡控制
    神經網絡因其具有自學習、自適應的優點，并且不依賴具體數學模型，非常適合動態特性隨運行工況大范圍變化的對象。而球磨機就屬于這類對象，因此一些學者已經開始嘗試將神經網絡應用在球磨機制粉系統中。姚鋼等提出對溫度和負壓回路采用神經元解耦控制器，神經元采用Hebb學習規則和學習規則相結合，通過關聯搜索對外界的變化做出相應的反應，從而達到了自學習的功能，并且具有較佳的解耦性能。但神經網絡種類繁多并存在訓練時間長、計算量大和訓練收斂等問題。
    (7)球磨機制粉系統的混合／集成控制
    以上所提到的算法各有其優缺點，對于球磨機中儲式制粉系統用單一控制方法很難同時解決所有問題。因此，學者們想到將多種控制理論結合使用，如PID與模糊結合、自適應與模糊結合、解耦控制與模糊控制結合、預測控制與模糊控制結合、自尋優控制與模糊控制結合、仿人智能控制與模糊控制緒合、專家與模糊結劊、預測控制與神經網絡結合、模糊控制與神經網絡結合等。但這些方法存在著隨意性、不成熟性和應用性等方面問題，還有很多問題值得進一步探討和研究。
1.2神經控制的歷史及現狀
    在長期的科學技術發展中，人們也曾對人本身進行了很多研究；這些研究主要體現在醫學和心理學上。后來，隨著信息學的產生和發展，信息學家也介入了對人的研究，而這種研究主要是對人的智能的研究。各種學科的科學家對人腦的理解和探索角度是不一樣的。
    生物醫學家企圖從解剖學的角度來說明人的行為和人腦在這種行為中的作用。
    心理學家則希望從人的記憶、思維、聯想等心理活動的物征上來解釋人腦的思想活動機理。
    信息學家就試圖從腦的拓撲結構，信息的傳遞，信息的存儲方式，信息的加工方式來闡述腦的功能，并模擬人腦的工作功能。
    生物、心理和信息這三個學科的科學家不斷地對人腦的研究和互相影響，漸漸形成了一個新的學科，也就是神經網絡。
    19世紀中葉，西班牙解剖學家Cajal創建神經元學。Cajal等人發現在人腦中是由大量神經細胞組成了神經網絡的。神經細胞是構成神經網絡的最基本單元，故而也把神經細胞稱為神經元。神經元的形狀呈根狀向兩極伸展，其中含有細胞體和樹突，細胞體和樹突從其他神經元接收刺激，并由軸突把神經元沖動信號傳到其端部的神經末梢。
    但是，神經元在較長的一段時間內并沒有很大的進展。直到1943年，美國的心理學家麥卡洛克(W,5．Mculloch)和數學家皮茨(W.A．Pitts)共同合作提出了神經元的數學模型，即M-P模型；從而開創了神經網絡理論研究的歷史。M-P模型把神經元看作一個邏輯元件，并以此來描述神經網絡的功能；因此，M-P模型稱為二值神經元閥值模型。
    1949年，霍布(D.0．Hebb)根據心理學中條件反射的機理，對人工神經網絡的學習方式進行了研究：并提出了改變神經元之間結合強度來進行學習的方法，即是Hebb學習法。這個學習法則認為：兩個同時處于興奮狀態的神經元之間，它們的突觸連接強度得到加強。這一法則是和心理學中的“條件反射”觀點相一致的，同時，也在神經細胞學中得到了證實。Hebb學習法則的基本思想至今仍在各種神經網絡的研究之中起重要作用。
    50年代初期，生理學家Hodykin和數學家Huxley對神經細胞膜的等效電路進行了研究，并把細胞膜上離子的遷移變化的分別用可以變化的Na+電阻和K+電阻進行等效：當時給出了有重大的影響的Hodykin-Huxley方程。
    人工智能的網絡系統研究是從50年代中期開始的。
    1954年，Farley和Clark提出了隨機網絡中自適應的激勵一響應關系模型。這是神經網絡中智能式模型研究的最早探討。
    1957年，羅森布拉特(F. Rosenblatt)提出T感知機(Perceptron)概念，它由閥值性神經元構成，用以模擬人腦的感知和學習能力：這是第一個學習型的神經網絡模型。
    1962年，溫德羅(B.Windrow)提出了一種可以學習的自適應線性元件(Adaline)，它是一種連續取值的線性網絡，能夠學會識別一些簡單的圖形，如字母等。這種神經網絡模型主要用于自適應系統。它的連續取值特點和當時占了主導地位的以順序離散符號推理為基本特征的人工智能AI的研究途徑完全不同；故而引起了人們的極大興趣，但也由其產生了大量的爭議。
    1969年，人工智能的創造人之一明斯基(M. Minsky)和佩珀特出版一本叫做《感知機》(PercePtron)的書。這是他們對感知機的功能及局限性從數學角度進行了較長時間深入研究的結果。明斯基是麻省理工學院著名的人工智能專家，他認為感知機這一類單層神經網絡的功能十分有限，甚至對一些十分簡單的邏輯運算也無法解決；而大量的模式是不可能由簡單的單層網絡訓練；同時，對多層網絡的可行性尚未有把握，故而，把感知機引入到多層網絡的研究是沒有意義的。明斯基在人工智能研究領域中的崇高威望使他的言論對當時的人工智能領域研究人員有極大影響，因此，他在《感知機》一書中的悲觀結論無疑給神經網絡在感知機方向上的研究打上一個休止符。在此后多年中，神經網絡的研究一直處于低潮狀態。其中當然有多個原因。第一個原因是明斯基的低調論述影響研究人員的研究方向；第二個原因是當時尚未能找到一種神經網絡有效的算法；第三個原因是集成電路正處于高速發展階段，以馮·諾依曼(vonNeumann)結構為基礎的數字電子計算機的運算及存儲水平大大提高；以數字電子計算機為基礎的人工智能得到了迅速發展，并取得了令人觸目的成績。大多數研究人員都以為只要進一步改進數字電子計算機的性能和發展優良的軟件，就可以使人工智能向人腦的功能逼近。這種偏向使人們減輕了對神經網絡的重視，也掩蓋了人工智能技術研究的其它方向。
    十分難能可貴的是，在神經網絡的低潮中仍有部分研究人員堅持不懈地進行神經網絡研究。他們沒有受當時世界上學術界潮流的影響，而是刻心致力于神經網絡這門學科的探索。同時，也取得了不少有用的結果。格羅伯格(Grossberg)在此期間提出了自適應共振理論；甘利俊- (Amari)對神經網絡的數學理論進行了研究：安德森(Anderson)提出了BSB模型；韋伯斯(Webos)提出了反向傳播算法；芬蘭的Kohonen則提出了自組織映射理論；而Fukushima提出了神經認知網絡理論等。也正是因為這些學者的潛心研究，他們的研究結果為神經網絡發展奠定了理論基礎。
    1982年，美國加州理工學院的生物物理學家霍普菲爾德(J.J．Hopfield)提出了全互連型的模仿人類思維的神經網絡模型，并利用所定義的計算能量函數，成功地解決了復雜性為NP完全型的旅行商問題TSP(Travelling Salesman Problem)。這項突破性的研究結果震驚了當時的學術界，使人們對神經網絡的潛在功能力有了一個新的認識，并且重新掀起了研究神經網絡的熱潮。此后，神經網絡的研究浪潮又卷土重來，并且，不斷取得各種新的成果。
    Feldmann和Ballard提出了連接網模型，同時，指出生物計算和傳統人工智能計算之間的區別，給出了并行分布處理的計算原則。
    1984年Hintont和Sejnowski共同提出Boltzman機模型，它借用了統計物理學中的有關概念和方法，并采用了多層網絡的學習算法，也就是在學習的過程中采用模擬退火技術，使整個系統能保證趨于全局的穩定點。不過退火過程需要較長的時間，這是該模型的不足之處。
    1986年，Rumelhart和McClelland提出了并行分布處理在認知微觀結構中的功用；同時發展了用于多層網絡的反向傳播學習算法，即BP算法；這種算法把學習的結果反饋到中間層次的隱單元，改變其權系矩陣，進而達到預期學習的目的。它系統地解決了多層網絡中隱單元連接權的學習問題，從而向人們展示了多層網絡的良好前景。同時，也回答了明斯基等人在《感知機》-書中對多層網絡提出的懷疑。
    1988年，Kosko根據Soffer等人使用離散雙向聯想記憶網絡DBAM (Discrete
Bidirectional Assocative Memory)的情況，提出了雙向聯想記憶網絡DBAM。
    同年，美國加州大學的Chua等人提出了細胞神經網絡模型。它是一個大規格非線性系統，但是同時具有細胞自動機的動力學特性。
    隨著神經網絡科學的發展，美國和日本等國家對神經網絡給予很大的重視。世界上這方面的活動也頻繁開展。
    1987年6月，首屆國際神經網絡學術會議在美國加州的圣迪戈(San Diego)召開，并成立了國際神經網絡學會。
    1988年，世界上三名著名神經網絡學家：東就大學的甘利俊教授(ShunichiAmari)波士頓大學的Stephen Grossberg教授和芬蘭赫爾辛基技術大學的TeuvoKohonen教授主持創辦了《神經網絡》雜志。
    美國電子電氣工程師協會IEEE在1988年開始，每年和國際神經網絡學會聯合召開一次國際學術會議；IEEE并成立了神經網絡委員會。
    1990年，由IEEE主辦的神經網絡會刊在3月份問世。
    我國在神經網絡的研究中起步較遲，1986年才開展這方面的討論會。但是，研究工作也開展較快。1989年10月和11月，在北京和廣州分別召丌了神經網絡及其應用學術會和第一屆全國信號處理——神經網絡學術會議。1990年在北京召開了神經網絡首屆全國學術會議。1991年12月在南京召丌了全國第二屆神經網絡學術會議。
現在世界上又掀起以神經網絡為基礎的神經計算機(Neurocomputer)的研究。這是～種具有自組織，自學習功能的智能計算機。它在文字，圖形或其它模式識別方面有著比數字計算機強勁得多的能力。它在這些方面會取代數字計算機。
三門峽富通新能源銷售球磨機、雷蒙磨粉機、飼料顆粒機等機械設備。