钢铁行业是我国的支柱产业，带钢热连轧是其中经济效益好、占重要地位的生产方式之一。带钢热连轧生产过程是一个机械、电气和液压系统综合作用的过程，过程体系庞大、机理复杂、系统参数众多，并且各个参数之间具有强的耦合性，其控制水平能代表一个国家的自动化技术水平，相关过程建模和控制算法研究具有重要的技术、经济和社会意义。而传统的轧制控制技术已经难以使热连轧控制精度有进一步的突破，人工智能方法的应用已经成为轧制技术发展的趋势。　　 人工智能方法的引入能有力推动轧制技术的研究，但现有的研究多偏重于人工神经网络、模糊控制等方法的研究，虽然已经取得了一定的成果，但智能方法的应用研究尚有较大的深入空间。小波分析方法、支持向量机算法、多模型建模方法虽然在其他应用领域已经有较多研究，但在带钢热连轧上的应用和研究还很少。　　 本课题来源于国家自然科学基金项目（编号60774032）和广州市科技攻关重点项目（编号200722-D0121），以广州珠江钢铁有限责任公司的薄板坯连铸连轧CSP生产线为对象，主要利用小波分析方法、支持向量机算法、多模型建模方法、新型遗传混沌优化算法等人工智能方法对精轧生产过程中建模和控制的若干问题，包括轧制力设定模型建模、高精度轧制力预测、板形预测和优化、轧辊偏心补偿、板形板厚综合控制等，进行了较为深入的研究，取得了一定的研究成果，具有现实意义和实用价值。　　 本论文的主要研究成果和创新点如下：　　 1．针对轧制过程的精确数学模型难以建立的问题，采用小波多分辨分析方法，将轧制力分解重构为对应于不同影响因素的不同频率成分子信号，并建立了一个多RBF网络模型，模型中每个子网络分别对一个信号成分进行建模，最后子网络输出被综合为轧制力设定信号。因为各个子信号影响因素不同，所以每个子模型输入参数不同，输出参数也不同，能真实地反映轧制力变化内在机理，具有明确的物理意义。多个子模型并行建模也使得网络建模复杂度变低，网络学习能力得到提高。　　 2．提出了一种基于最小二乘支持向量机模型的高精度轧制力预测方法，并以既有的轧制力模型自学习结果作为最小二乘支持向量机模型的一个输入项，使长期生产中累积的经验数据能够被充分利用。提出新型的结合遗传算法的混沌优化方法来优化模型参数。仿真结果表明，与神经网络建模预测方法相比，支持向量机建模预测方法具有训练收敛速度更快，模型泛化能力更强，预测精度更高的优势。　　 3．提出了一种应用于热连轧精轧过程的新型板形预测和优化算法。首先利用最小二乘支持向量机方法建立起板形模型，模型输入为包括6个机架的压下率在内的相关过程参数，输出为带钢平直度指数。提出新型的带控制参数的实数编码混沌遗传优化方法对模型参数进行优化，并以模型输入中的6个机架的压下率为控制参数。仿真实验表明，提出的建模和优化算法能在全局范围内搜索支持向量机的最优参数，并对模型输入控制参数进行寻优，优化压下率分配，从而使模型平直度指标输出得到优化。　　 4．针对轧辊偏心影响带钢板厚控制精度的问题，提出了一种基于改进的小波多分辨分解重构算法应用于偏心信号提取和补偿的控制策略。针对离散小波变换Mallat算法中存在的频率混淆问题，在小波变换中引入快速傅立叶变换和逆变换，消除频率混淆，以准确重构偏心影响等信号。重构得到的轧件条件变化影响分量和偏心影响分量被分别进行控制补偿，以消除偏心影响，改善自动厚度控制系统控制品质，提高厚度控制精度。　　 5．针对板形板厚综合控制问题，提出了一种新型的基于多支持向量机模型的综合控制策略。首先通过减法聚类算法对模型训练数据集进行输入空间划分，并分别对各个子空间建立支持向量机子模型，最后通过主元分析方法对子模型输出进行综合。利用建立起来的多支持向量机模型，对控制量（辊缝调节量和弯辊力调节量）进行寻优得到优化控制数据集，并据此设计优化控制器。仿真和现场实验表明，这种基于多支持向量机模型的新型板形板厚控制策略能取得较好的控制效果。