经过半个多世纪的发展，现代控制理论及方法已得到空前完善，但是，现代控制理论需要受控对象数学模型或标称模型精确已知，是“基于模型”的控制理论。随着现代科学技术与社会经济的不断发展，一方面企业规模越来越大，生产、设备和过程越来越复杂；另一方面工业企业已进入大数据时代，在线产生海量运行数据，多变性和复杂性正以爆炸速率增长。所以，依赖模型的现代控制理论及方法，在实际应用中遇到了许多前所未有的挑战，数据驱动的控制理论及方法的产生与发展成为必然。
二、数据驱动的控制理论数据驱动的控制理论及方法是指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 / 离线输入输出数据及经过处理得到的知识来设计控制器并在一定假设下有收敛性、稳定性和鲁棒性分析保障的控制理论与方法。具体到数据驱动控制、数据驱动学习、数据驱动建模及优化等典型环节，均不需要繁杂的机理 / 辨识建模过程。
1 数据驱动控制（1）建立数据驱动控制的统一研究框架。对已存在的各种数据驱动控制方法进行相互借鉴、渗透和移植，提炼出共同的基础理论及研究框架，如控制器参数辨识结构框架、动态线性化框架、梯度信息的估计框架等，将对数据驱动控制的设计和分析具有重要的指导意义。
（2）稳定性、收敛性和鲁棒性理论分析手段和方法的研究是数据驱动控制健康发展的基石。数据驱动控制直接从 I/O 数据到控制器，没有基于机理或系统辨识的建模过程，因此稳定性、收敛性和鲁棒性分析也是直接基于 I/O 数据的。因此，需要建立基于数据的相关控制性能的定义及分析手段，进一步完善数据驱动控制的理论体系。
（3）各种数据挖掘算法、特征提取算法、模式识别算法、机器学习算法、统计分析算法、高级优化算法等已非常丰富，而现有的 IT 硬件技术又为这些离线算法的在线实现提供了计算基础。因此，探讨如何将离线数据中蕴含的系统动力学及运行规律和模式在数据驱动控制设计中的进行应用，无疑是一个重要的研究课题。
（4）大数据系统含有大量的不确定性，因而不能使受控系统的机理建模变得更加准确，但可通过数据分析处理挖掘与学习等手段，获取和发现各系统间或变量的关联关系数据模型，甚至是因果关系模型，提供更加广泛的控制手段。
2 数据驱动学习（1）实际系统在运行过程中会不可避免地存在各种不确定性，特别是不同批次之间的不确定性并非固定不变。因此，如何在大量数据中合理发掘其中的不变量以及巧妙地处理变化因素，将会为数据驱动学习方法的发展提供广阔的天地。
（2）系统运行会产生大量的数据，但这些数据可能会由于量测噪声、数据传输丢包、通信延迟、存储空间有限、采样精度不高等因素，使得所获取的数据是不精确乃至不准确的数据（称为信息有损数据）。因此，研究如何利用信息有损数据进行目标学习与改进， 如何评估在信息有损环境下算法的学习能力，以及相应的鲁棒性及鲁棒性增强方法，均具有重要意义。
（3）迭代学习控制是一种自控制角度产生的学习与控制方法，其本质仍是沿迭代轴对目标变量进行比例型的校正来实现渐近的学习过程。因而，可借鉴并融合其他的控制与学习思想（如机器学习与深度学习），来发展出更多基于数据的学习模式与学习算法，尤其是发展类人思维的学习模式。
3 数据驱动建模与优化（1）现有研究发现，单一的数据驱动建模方法，往往不能取得最好的效果，通常需要融合其他方法，才会带来更高的建模精度和推广能力。因此，如何将深度学习方法与其他方法融合，并将其真正应用于实际过程，具有非常重要的研究意义。
（2）无模型优化与基于黑箱模型的常规优化方法相比，是解决复杂过程的优化问题的更直接的方法。随着近年来执行—评价结构的自适应动态规划方法的突破，使得无模型优化成为解决高维连续黑箱优化问题的很有潜力的研究方法。
（3）由于优化问题种类的多样性，模型法和无模型法在未来相当长时间内依然会并存。模型法应用于参数寻优问题，而无模型法应用于最优剖面曲线的寻优问题。在未来的发展方向上，两者都将在解决动态连续系统优化问题的背景下进行发展与改进。同时，在发展过程中，如何与人工智能、统计分析等其他学科相交叉和综合发展，并借助其他领域的研究进展进行关键技术的突破，也将是该方面研究的重点。
