现代工业过程控制存在多变量、多约束多目标、强非线性等问题。模型预测控制（MPC）是一种有效的解决方案，在工业过程中得到了广泛的应用。然而，MPC的一个局限性是需要足够的数据来建立准确的预测模型。为此，本文提出了一种基于知识的神经网络MPC解决方案。首先，提出了一种基于稀疏表示的Hammerstein系统结构知识提取方法，该方法能够从少量的系统操作数据中提取系统结构知识。然后，设计了一个知识知情的神经网络模型，将系统结构知识相结合，构建了一个具有特殊结构的神经网络，从而克服了模型训练中数据不足的问题。最后，将知识告知的神经网络模型嵌入MPC框架中，可以在保证预测性能的同时降低轧制优化的计算成本。通过数值模拟和pH中和过程实验验证了该方法的可行性和有效性。
