安全、高效、可持续运行与控制是工业生产过程的首要目标。传统建模与控制技术严重依赖于专家经验和机理知识,在日益复杂的工业过程中呈现出明显的局限性。大数据技术的蓬勃发展极大地推动了第四次工业革命,为实现工业智能化提供了前所未有的机会。为达到该目标,数据分析和机器学习成为必不可少的工具。有效地利用离线/在线过程数据,在机理模型难以构建的情况下,实现对生产过程的预测、建模和控制是大数据时代背景下实现工业智能化的重要途径。非线性动态流程工业过程具有机理模型复杂、阶数高、非线性强的特点,很难设计实时有效的控制器予以控制。但是,流程工业过程通常会生产并存储大量的过程数据,并以时间序列的形式呈现。因此,基于历史数据构建能反映内部特性变化的模型可以描述非线性动态过程。然而,实际流程工业中,工况变化、操作模式切换、外部干扰等因素会造成过程漂移,使以高速流数据形式呈现的过程信息出现非平稳特征,基于历史数据的离线模型依然无法跟踪时变的过程特征。因此,需要进一步赋予模型在线更新能力,使在线模型不仅具备高自适应性以跟踪快速变化的过程特征,同时具有低在线计算复杂度以满足实时性要求,以达到基于数据模型设计实时有效的控制器实现对非线性动态流程工业过程的有效控制。论文针对流程工业非线性动态过程的建模难题,围绕动态过程数据特征,基于数据驱动的建模方法,分别研究离线建模和在线建模方法,以确保数据驱动模型可以自适应非线性动态过程。以隧道式微波加热过程为实际应用对象,构建微波加热过程数据驱动模型并设计最优控制器以提升运行效率。本文的主要创新性研究工作包括如下几个方面:1)针对动态过程的离线数据,研究自适应递归神经网络构建及优化方法。为了解决递归神经网络模型结构难以确定的问题,提出一种自适应构建方法逐步增加网络结构的复杂度,直到网络能够表征过程输入输出之间的非线性动态关系。通过引入布谷鸟搜索算法和正交最小二乘保证新添加的递归神经元参数最优且与其他神经元相互正交。所提出的自适应递归神经网络模型应用于隧道式微波加热过程的建模和温度预测,在取得更高温度预测精度的同时具有精简模型结构。2)针对过程漂移的流数据,研究基于多局部线性模型学习的在线建模方法。首先提出一种基于多局部模型的选择集成回归算法。该算法通过增长策略自动地辨识新出现的过程状态并建立局部线性模型,与此同时从局部模型集中选择集成对当前数据最优的局部模型进行在线预测。为了降低因局部模型增长造成的沉重计算负担,论文进一步提出一种基于增长-修剪局部模型的选择集成回归算法。该方法采用概率指标来度量局部模型性能,并引入局部模型修剪策略来有效地移除不需要的局部模型,从而极大降低了在线计算复杂度。该方法很好地模拟了生物系统,即通过学习新知识来更新记忆并删除过时的知识,以便基于获取的知识快速做出智能决策。3)针对过程漂移的流数据,为了构建尺寸不变的自适应模型,研究基于全局非线性模型学习的在线建模方法。首先提出一种扩展的梯度径向基神经网络用于过程建模和辨识,并在训练集上采用正交最小二乘构造紧凑的网络结构,使其能很好地捕捉具有局部变化均值和趋势的非平稳时间序列特征。为了提升梯度径向基神经网络模型在时变环境中的自适应能力,论文进一步提出一种在线更新策略以根据当前建模误差调节模型参数和网络结构。该策略包含权值更新和结构更新两种模式。梯度径向基神经网络会采用递归最小二乘更新网络权值。如果当前网络结构无法跟踪变化的过程特征,隐含层中贡献度最小的节点将被一个新节点替换。通过挖掘梯度径向基神经网络的结构特征,新节点的优化十分高效且能自动编码最新数据状态。4)基于构建的递归神经网络模型,研究数据驱动的最优控制算法并应用于隧道式微波加热系统的温度跟踪控制。首先将温度跟踪问题转换为误差调节问题并分析其稳定性。然后基于训练完成的系统模型构建递归神经网络控制器以获取期望控制律。进一步引入自适应动态规划基于递归神经网络构造最优误差调节器,并与期望控制器相结合。通过在线迭代更新自适应动态规划中的执行网络和评价网络,逐渐逼近最优性能指标函数和最优跟踪控制律。该方法有机地将递归神经网络的非线性动态映射能力融入基于自适应动态规划的最优跟踪控制器设计。在微波加热过程应用中,执行网络的控制律输出自动调节多个微波功率和传送带速度,使加热媒质能较好地跟踪期望温度。