随着信息科学技术的发展，众多工业过程都在向大型化、复杂化、精准化迈进，对这些过程进行精确建模变得越来越困难。传统的基于模型的控制(model based control,MBC)理论应用于难建模的工业过程的弊端日益显露。另一方面，工业过程中每时每刻都产生并存储着大量的过程数据, 这些数据包含了关于过程运行和设备状态的全部有用信息。如何有效利用这些离线或在线数据，在难以建立受控系统准确数学模型的条件下，实现对生产过程和设备的有效控制，甚至实现对系统的监测、预报、诊断和评估等，已成为控制理论界迫切需要解决的问题。因此，发展数据驱动控制理论(data driven control,DDC)是新时期控制理论发展与应用的必然要求，具有重要的理论与现实意义。

数据驱动控制的定义是：“控制器设计不显含受控过程的数学模型信息，仅利用受控系统的在线或离线I/O数据以及经过数据处理而得到的知识来设计控制器，并在一定假设下有收敛性、稳定性保障和鲁棒性结论的控制理论与方法”。或者简单地讲，就是直接从数据到控制器设计的控制理论和方法。

控制系统包含控制器和被控对象两个主要部分，而被控对象一般可分为如下四类：

(1) 机理模型或辨识模型可精确获取；

(2) 机理模型或辨识模型不精确，且含有不确定因素；

(3) 机理模型或辨识模型虽然可获取，但非常复杂，阶数高，非线性强；

(4) 机理模型或辨识模型很难建立，或不可获取。

其中后三类就是数据驱动控制方法需要研究的主要内容。应当指出的是，完整的控制理论体系应能处理上述所有被控对象，所以从这个角度看，完整的控制理论体系应当包括MBC理论和DDC理论，两者不是互相取代的，它们可以共存，并能优势互补地工作。

迄今为止，在文献中可以找到10余种不同的DDC方法，可归纳为以下三类：

(1) 基于在线数据的DDC方法：包含同步扰动随机逼近、无模型自适应控制、去伪控制等方法。

(2) 基于离线数据的DDC方法：包含PID控制、迭代反馈整定、基于相关性的整定、虚拟参考反馈整定等方法。

(3) 基于在线/离线数据的DDC方法：包含迭代学习控制、懒惰学习等方法。

以基于在线数据的DDC方法，无模型自适应控制(model free adaptive control,MFAC)为例：MFAC方法是由侯忠生于1994年提出的。该方法针对离散时间非线性系统使用了一种新的动态线性化数据建模方法及被称为伪偏导数(pseudo partial derivative, PPD)或伪梯度（pseudo gradient, PG）的新概念，在闭环系统的每个动态工作点处建立一个等价的动态线性化数据模型，然后基于此等价虚拟的数据模型设计控制器，并进行控制系统的理论分析，进而实现非线性系统的自适应控制。PPD或PG参数可仅使用被控对象的I/O量测数据进行估计。动态线性化数据模型具体三种形式，分别为紧格式动态线性化(compat form dynamic linearization, CFDL)、偏格式动态线性化(partial form dynamic linearization,PFDL)和全格式动态线性化(full form dynamic linearization,FFDL)。MFAC方案已经在很多实际系统中得到了成功的应用。

在面临实际控制问题时，当受控系统的全局数学模型完全未知，或受控系统的模型不确定性很大，或受控过程结构变化很大，很难用一个数学模型来表述时；当建模成本与控制效益不好，或受控系统的机理模型太复杂，阶数太高，实际中不便分析和设计时，就应当考虑应用数据驱动控制理论和方法来解决实际的控制问题。

注：详细介绍请参考附件综述论文。