随着工业化的发展,控制技术在提高工业生产和保证工业过程安全等方面起到了越来越重要的作用。然而,工业过程不仅涉及各种复杂的物理和化学反应,而且运行间存在变量间强耦合,具有复杂性高、非线性强、以及干扰严重等特点,常规控制方法难以达到理想的控制效果。模型预测控制(Model predictive control,MPC)由于具有较好的动态控制效果、鲁棒性强、能够有效地克服过程中不确定性、非线性等优点,已被广泛应用于流程工业领域,并取得了良好的控制效果。然而,MPC涉及在有限时域内反复求解带约束的最优控制问题(Optimal control problem,OCP),其计算复杂度较高导致难以实时求取最优控制量,同时工业过程中存在数据不完备的特性,限制了MPC的应用。基于以上分析,文中提出了一种基于知识与数据的MPC方法。首先,针对MPC中难以实时求解OCP,设计了一种基于自适应梯度算法的自组织模糊神经网络(Self-organizing fuzzy neural network based on adaptive gradient algorithm,SOFNN-AGA),SOFNN-AGA通过结构调整与参数学习过程,使其较快的收敛速度和良好的逼近能力;其次,针对工业过程数据不完备的问题,提出了一种知识与数据驱动模型(Knowledge-data-driven model,KDDM)。KDDM通过利用参考模型中现有的知识提高当前场景的学习能力,从而能够利用当前场景中不完备的数据建立精准的逼近模型;最后,针对在MPC实际应用中计算代价高和数据不完备的问题,提出了一种基于知识与数据的MPC方法。通过利用KDDM和一种新的迁移学习方法确定最优控制序列,不仅降低了MPC计算负担,而且实现了在小样本数据和数据丢失工况下对有效控制。论文主要研究工作和创新点如下:1.自组织模糊神经网络设计;提出了一种基于自适应梯度算法的自组织模糊神经网络(SOFNN-AGA)。首先,设计了一种模糊规则潜能指标,该指标利用归一化层输出和误差下降率用来判断增长和删减网络隐含层神经元。同时,提出了一种基于该指标的结构学习方法用来调整模糊神经网络的拓扑结构。其次,提出一种自适应梯度算法,实现了对SOFNN-AGA的参数调整。最后,给出了SOFNN-AGA的收敛性分析。通过基准问题对SOFNN-AGA性能进行测试,结果表明SOFNN-AGA较之其他方法具有较快的收敛速度和较好的逼近能力。2.知识与数据驱动模型研究;提出了一种基于知识与数据的驱动模型(KDDM),其能够利用不完备的数据建立精准的数据驱动模型。与现有的方法相比,本文提出的KDDM具有以下优势。首先,通过具有多层联结结构的模糊神经网络,它不仅可以充分利用当前场景的有限数据,而且还能够从参考场景学习现有的知识以提高模型性能。其次,设计了一种统一规划型的迁移学习方法,该方法能够融合参考场景中的知识和当前场景中的数据用以提高KDDM准确性。最后,提出了一种具有相互吸引策略的学习目标函数,该策略能够平衡不同场景中数据分布的相似性和差异性,减小数据分布不同产生的负面影响。通过实际数据对KDDM性能进行测试,实验结果表明了KDDM的有效性。3.基于知识与数据的模型预测控制方法研究;提出了一种基于知识与数据驱动模型的非线性模型预测控制(KDDM-NMPC)方法。首先,设计了一种基于KDDM的系统方法降低KDDM-NMPC在线计算负担,从而KDDM-NMPC能够保证快速响应。其次,KDDM不仅能够充分利用从当前场景得到的有限准确的状态,而且能够有效地利用参考模型现有的知识。因此,对于具有小样本数据和数据丢失的工业复杂过程更有效。最后,设计了一种具有强自适应能力的迁移学习机制,用来确定KDDM-NMPC的最优控制序列。通过非线性动态系统和实际过程控制证明了KDDM-NMPC的有效性。