在工业过程控制中，被控对象往往存在不同程度的时滞。时滞的存在往往会使控制效果变差，系统稳定性降低。解决时滞问题的关键是对输出的预测，故近年来预测控制成为时滞系统控制的主要方法之一。目前，线性系统的预测控制研究已较为成熟，对非线性系统预测控制的研究成果相对较少，而实际工业过程大多是非线性的，因此研究非线性系统的预测控制就显得尤为重要。然而，时滞系统很难靠单一的控制方法来完善解决，针对时滞系统的特点，研究和探索与智能理论相结合的控制方法就显得十分必要。由于神经网络具有并行机制、自学习和自适应能力，可以用来逼近任意复杂的非线性系统，使得神经网络与预测控制方法相结合成为研究热点之一。本文首先综述非线性预测控制研究进展，阐明预测控制的预测模型、滚动优化和反馈校正的思想，并对智能PID的研究现状进行概述，同时引入一种新的神经网络——极限学习机，尝试对其改进后应用于非线性系统的建模与辨识。在此基础上，针对工业过程中非线性时滞系统控制问题，本文提出一种基于极限学习机的新型预测PID控制。该方法将控制结构分为两层，上层采用极限学习机作为智能预测模型，下层采用改进型单神经元自适应预测PID控制算法，利用预测控制克服时滞，利用智能方法优化PID控制器参数。应用极限学习机作为预测模型不仅可以保证快速性，还可以保证控制精度。改进型单神经元PID控制中引入输出加权的广义预测性能函数作为控制器的目标函数，使控制更为精确、快速。这种方法具有非常快的学习速度，能够得到较小的训练误差和最小规模的权值矩阵，并获得较好的泛化性能。