随着信息产业和计算机技术的快速发展,数据流在工业产业中的地位越来越重要,基于数据驱动的建模和控制方法受到了学术界和工业界的广泛关注。大量数据带来的一个很自然的问题是,很多不相关数据也会包含在采集的数据中,因此数据压缩或者说数据降维技术是很有必要的。偏最小二乘(PLS)就是这样一种重要的多元统计分析方法,它已经在故障诊断和过程监控领域有了非常多的研究,但是在过程控制中的应用还处于起步阶段。本文结合PLS方法的自动解耦,变量配对,降维等特点,研究了PLS隐空间的模型辨识方法和隐空间模型预测控制(MPC)技术。主要研究内容涉及了隐空间模型预测控制相关辨识(MRI)方法,隐空间广义预测控制(GPC)算法,两种用于处理高频噪声的隐空间GPC改进方法,基于过程输出信号的Hotelling T2统计量的多模型切换MPC算法,基于TS模型的隐空间模糊GPC算法,隐空间降维技术讨论。具体的研究工作包括：(1)针对变量中可能存在的共线性问题,引入了PLS建模方法。基于动态PLS框架,第二章提出了一种隐空间GPC控制策略。建模阶段,为了提高模型的多步向前预测能力,进而提高GPC的控制性能,提出了隐空间MRI方法,并对该方法进行了频域分析。隐空间中多个SISO并行运行的特性,使得GPC控制律的求解时间比传统方法少得多,这对GPC的在线应用是很有意义的。(2)第三章对基本的隐空间GPC方法进行了一些闭环理论分析,包括回路灵敏度分析、鲁棒性和稳定性分析,然后从抑制高频扰动和噪声,提高系统鲁棒性的角度出发,提出了两种改进算法。一种是在隐空间GPC中引入C滤波器,这种方法能在不改变系统标称性能的情况下,提高系统的鲁棒性,但是C滤波器参数的选择缺乏系统的理论指导方法。因此,借鉴内模控制思想,我们又提出了一种基于模型输出的改进算法,它是将GPC预测模型中的实际过程输出信号替换为模型预测输出信号,并引入误差校正,从而减弱了噪声和扰动对闭环回路的影响。理论上,这种方法也能在不改变系统标称性能的情况下,提高系统的鲁棒性。(3)对于动态非线性过程,传统的基于单个线性模型的MPC只能在较小的运行区域内得到满意的控制效果。针对这一问题,第四章提出了一种PLS隐空间多模型切换MPC方法。在每一个工作点,先分别辨识一个PLS动态模型,并设计相应的预测控制器。然后,我们提出了一种基于过程输出信号的Hotelling T2统计量的切换指标,它可以根据当前系统运行的区域自动选择最匹配的模型／控制器,从而保证了模型的正确性,使得系统能获得满意的控制品质。更重要的是,该算法延续了基本的MPC算法,仍然是用二次规划求解,适于工程实际应用。(4)对于动态非线性过程,第五章提出了直接采用基于非线性模型的控制方法。主要是在PLS内模型中,采用TS模糊模型来刻画隐变量得分t和u之间的动态非线性关系,建立了一种TS-PLS模型。基于建立的模型,我们利用即时线性化的思想,提出了隐空间模糊GPC控制方法。在过程非线性特别强的时候,这种方法比隐空间切换MPC方法,会有一定的优势。(5)第六章分析了隐空间MPC方法作为降维控制技术时,可能出现的两个问题。首先,对于强行降维问题,我们从空间投影映射的角度分析了强行降维时出现稳态偏差的原因。然后,对于降维控制中设定值的选择问题,我们指出并不是所有的设定值都是可达的,设定值的选取必须符合建模数据集中存在的线性相关关系,并说明在存在非线性依赖关系时,设定值的选取必须和过程特性相容。