大型低温制冷系统是相对于脉冲管制冷机、G-M 制冷机以及斯特林制冷机等小型制冷机而言的，它是以膨胀机为核心产冷部件、并形成回路的制冷系统。其中大型氦低温系统（主要包括氦制冷机和氦液化器）是指以氦为工质采用透平膨胀机的大型低温系统。其被广泛应用于散裂中子源、正负电子对撞机和超导托卡马克等大科学装置中，目的是冷却超导线圈等热负载。伴随低温超导、核能与高能物理等科学技术近年来的迅猛发展，相关学科对大型氦制冷系统提出了新的要求，由于这些系统在运行中往往会产生热脉冲，通过负载端传导给制冷系统，从而对制冷系统产生热冲击，带来系统工质压力和质量流量的大幅波动，进而威胁压缩机和透平等关键部件的安全运行。现有的大型氦制冷系统的控制系统并不能很好的处理类似热冲击的较大扰动，使得大型氦制冷系统需要面对热冲击的新挑战。为了应对此类挑战，本文给出了一种基于模糊神经网络方法的多变量协同控制策略。神经网络控制具有学习功能，善于自适应自学习，能够适应环境的变化自动修改控制参数，反应迅速，但鲁棒性不高。而模糊控制具有高鲁棒性的特点，因此，本文将两者结合，建立了一个模糊神经网络控制方法，期望能发挥出二者各自的优势。

        整个多变量模糊神经网络控制方法的控制结构如图2所示。测量值和设定值比较后得到偏差e和偏差变化率de/dt，通过模糊化处理后得到相应的中间变量o，作为神经网络的输入层，通过神经网络求解得到相应的PID参数然后通过PID控制器作用到被控对象。此策略结合了模糊控制的高鲁棒性和神经网络在自校正上的优点，避免了神经网络在输出层参数过大时，输出层对输入层参数变化不敏感的缺点。

总  结：

        本文通过建立大型氦低温系统的仿真模型，将提出的基于模糊神经网络的多变量协同控制策略先后应用于仿真和真实系统上，通过与普通PID控制在仿真和实验数据上的对比，得到以下结论：

(1)验证了本文建立的动态仿真模型具有可用的精度，可以为实际实验过程给出参考。

(2)本策略结合了神经网络自学习自调节和模糊控制高鲁棒性的特点，在仿真和实际氦低温系统上都表现出了良好的控制效果，在控制过程中显示出了更快的调节速度和更小的过调量。