以模型预测控制MPC(Model Predictive Control)策略为代表的现代先进控制技术ACT(Advanced Control Technology)是流程工业过程控制领域一项新兴的、应用前景广阔的技术。它从考虑使生产企业获得最大经济效益的角度出发,采用分层式控制结构,实现生产过程优化操作,为过程工业界提供了一种以经济性能和控制质量相结合的手段来实现过程控制的新方法。通过对现有过程系统动态行为进行精确辨识后,在装置中采用可以实现装置的整体优化控制的MPC策略,使生产企业能以最优化的方式运行并获得可观的经济效益,找到挖掘提高系统经济潜能的最佳途径,为提升企业的竞争力提供科学的生产决策依据。此外,ACT可以智能地利用过程系统信息和管理信息实现过程的优化控制。结合反映经济性能的测评指标和结果,即使是非线性、强耦合、大时滞这样的过程系统,也可以在保证最大经济收益与优化操作性能指标的前提下,设计和实施性能优越的控制策略,维护工业过程高品质运行。MPC是基于反映过程动态行为和信息的过程模型的控制策略,需要建立被控制过程的性能目标函数和反映过程安全运行、满足环境立法所要求的排放标准的关键变量的操作约束范围。采用收缩域优化控制的方法来求解过程工作在优化模式下的控制量。基于预测控制的先进控制策略的实施涉及到过程模型辨识、参数估计、性能目标函数的构建、控制性能评估、数值计算和优化等多个学科领域的知识和技术,是当今过程工业界和控制界最受关注的研究方向之一。本论文结合当前基于MPC的ACT理论研究和国内工程应用现状,分别展开了以下几个方面的研究工作：(1)针对在采用神经网络模型预测非线性过程动态行为的非线性预测控制]NMPC(Nonlinear model predictive control)算法中,滚动优化因低效率的优化算法造成的模型预测不精确、控制实时性差和控制质量下降的问题,提出了一种基于改进微分进化MDE(Modified Differential Evolution)法的自适应神经网络权值的神经网络ANN(Artificial Neural Network)模型NMPC策略。该策略的设计与实施分为四个部分：首先采用神经网络模型对预测控制中的预测非线性模型进行建模：对所建立的神经网络模型用MDE这一高效的优化算法对网络的权值进行在线自适应计算,以提高模型的在线预测能力；将该模型应用到预测控制算法的目标函数中,在收缩域的窗口中,使非线性预测控制算法中优化的增量式控制量的计算更为精确；最后将该方法应用到蒸馏塔这样一个高非线性化工过程的控制中,仿真结果验证了该方法的有效性。(2)针对预测控制在实施精确跟踪设定值的控制策略中时,因不确定扰动和噪音的影响所导致鲁棒性能下降的问题,提出一种基于自适应目标函数加权系数的区域模型预测控制ZMPC(Zone model Predictive Control)策略。利用加权系数具有惩罚(抑制)偏差和调节过激这一特点,在过程存在不确定扰动时,在每一个采样周期内,控制器根据输出量偏差的大小自适应地调节目标函数中变量权值的松弛系数,实现关键被控制量的鲁棒区域预测控制方法,将其精确地控制在与产品规格对应的约束区域内,而不是常规的设定值跟踪控制。该方法在系统存在不确定扰动或是存在不确定时变参数时,可达到实现提高预测控制的鲁棒性能和稳定性能目的。事例验证了该方法的有效性。(3)针对分布式预测控制DMPC(Distributed MPC)中,控制性能会因未充分考虑子过程间重要通道的相互作用行为,以及子预测控制器间通讯机制的不确定性而造成的整体控制性能下降的问题,提出了一种基于概率密度函数PDF(Probability density function)协调原则的多预测控制器协调方法。该方法的实现分为四个部分：RTO层计算出过程关键变量的设定值送到下层的MPC层；MPC层根据过程的实时动态行为计算出优化的控制量,但由于每个子控制器因忽略了关键的子过程间的动态耦合行为,导致了计算出来的控制量不是全局最优；将这些控制量送入到协调层中进行PDF协调后再送到下层的MPC层进行执行,进而减小非全局最优控制量对控制性能的影响。两个事例仿真表明该方法的有效性。(4)针对大型复杂过程因市场行为导致的原材料等生产要素的价格发生频繁变化时不能及时保证整个生产过程的经济性能最佳这一问题,提出一种基于动态实时优化DRTO(Dynamic Real Time Optimization)的多层预测控制的先进控制策略。上层的DRTO层不是常规的稳态优化机制,而是动态优化机制。即在结合企业计划、调度等信息的过程优化操作不再是常规的稳态优化(过程必须达到稳态时才能进行的过程优化),而是只要有关企业生产的因素如价格、安全、环境立法等因素变化时就可以对整个过程的生产计划、调度进行优化,得到过程关键变量的优化设定值。这样的优化是基于过程的动态模型,所以计算出来的优化值是动态范围内的全局最优值。事例仿真验证了该方法的有效性。