基于数据驱动的过程优化控制方法是解决难以建立过程模型的复杂生产过程以及拥有大量数据的生产过程优化控制问题的有效途径。由于这种方法通过对数据进行挖掘直接由数据驱动进行生产过程优化控制,能够更加有效地对数据进行统计、分析、评估与利用,进而提供有效可行的优化策略。可见,研究基于数据驱动的过程优化控制方法具有重要的理论与实际意义。本文首先介绍了无模型自适应控制的基本原理与算法,在此基础上,将基础控制级无模型自适应控制思想应用到过程级,提出基于无模型自适应控制的过程优化控制方法。即通过一系列的动态线性时变模型对过程系统模型进行近似描述,并结合迭代学习控制思想利用过程系统批次指标信息在线估计过程系统的伪梯度向量,从而实现过程优化控制。仿真研究验证了方法的有效性。同时,通过对基于无模型自适应控制的过程优化控制方法关键参数对优化控制性能作用的分析,本文提出了参数自整定方法,即通过模糊规则实现关键参数的优化自整定。仿真结果验证了该方法提高了优化控制性能。在基于无模型自适应控制的过程优化控制方法的基础上,为了更有效地利用优化控制经验,采用基于粗糙集的数据挖掘方法从累积的大量优化控制数据中提取出对运行过程优化效果比较好的经验规则。在实际的生产条件发生变化时,应用经验规则对生产过程进行优化控制,当规则不匹配时,采用上述基于无模型自适应控制的过程优化控制方法进行优化控制,然后,将优化控制案例补充入案例库并进行规则更新,最终实现基于无模型自适应控制的过程优化控制与案例规则决策相结合的基于数据驱动的优化控制方法。通过对酒精发酵过程的补料优化控制的仿真研究,验证了该方法的有效性和可行性。