随着时代的进步,科技的发展,实际生产过程变得越来越复杂,日益呈现出多输入多输出、强耦合、强非线性、多工况、变负荷、时变等复杂性特征,使得被控对象的精确数学模型难以获取,给传统的基于数学模型的控制方法带来了前所未有的挑战。无模型控制算法是一种新型的基于数据驱动的控制方法,仅依赖于受控系统实时量测的输入输出数据进行控制器的分析和设计,不依赖受控系统的任何数学模型信息,避免了未建模动态的影响,具有良好的应用前景。然而,无模型控制器参数的确定主要依赖经验知识,同时调节过程比较耗时,限制了无模型控制器在复杂工业过程的进一步推广应用。目前,无模型控制器参数整定领域相关的研究还鲜有报道,没有形成系统的参数整定方法。为了推进无模型控制器在工业过程的实际应用,本文深入分析了无模型控制器参数对控制效果的影响,选取控制输入估计算法中的惩罚因子和步长因子作为待整定参数,结合BP神经网络强大的学习能力,提出并实现了控制器参数在线自整定的三类新方法,形成了无模型控制器参数在线自整定的系统理论与方法:(1)针对SISO系统,提出并实现了 SISO无模型控制器参数在线自整定新方法,通过典型时变非线性SISO系统的仿真实验,验证了所提新方法能够显著提高控制精度和稳定性。(2)针对MIMO系统,提出并实现了 MIMO无模型控制器参数在线自整定新方法,通过典型时变非线性MIMO系统的仿真实验,验证了所提新方法能够显著提高控制精度和稳定性。(3)针对MIMO系统,提出并实现了 MIMO基于SISO无模型控制器的解耦控制方法,首先根据MIMO系统的耦合性特征与倾向性特征分解成多个相互耦合的SISO系统,然后同步实现多个SISO系统之间的在线解耦与各SISO系统无模型控制器参数的在线自整定,典型时变非线性MIMO系统的仿真实验表明,所提新方法进一步显著提高了控制精度和稳定性。