热处理炉内工件温度及其分布是衡量工件加热质量以及实现炉子自动控制的重要依据之一,合理的控制工件温度可以提高工件加热质量,降低炉子燃料消耗。由于测试技术的限制,在实际生产过程中,工件温度的检测和跟踪比较困难。如何精确及时测得工件温度并且降低经济损耗,是实现自动控制的前提,也是产品质量的保证。为了准确的获得热处理炉工件温度,需要建立工件温度的预测模型来实现对工件温度的检测和跟踪。　　 支持向量机是在统计学习理论的VC维理论和结构风险最小化原则的基础上提出的一种新的机器学习方法,它追求的是在有限样本情况下的最优解而不仅仅是样本数趋于无穷大时的最优解,比以经验风险最小化为基础的神经网络学习算法具有更强的理论依据和更好的泛化性能。最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)是普通支持向量机的改进算法,它通过将最小二乘线性系统引入支持向量机,代替传统的支持向量机采用二次规划方法解决函数估计问题的做法,简化了模型参数,加快了运算速度。　　 本文以台车式热处理炉为研究对象,利用从现场采集的炉内6个区温度、炉顶温度和工件的表面温度来建立工件温度模型。首先对LSSVM的核函数进行选择,分别用三类常见的核函数进行回归建模,通过仿真实验发现,径向基核函数比其他两个核函数性能要好一些。然后将仿真结果与SVM的模型和BP的模型比较发现,LSSVM的效果最好。但是和标准支持向量机相比,它失去了“稀疏性”。LSSVM的稀疏化方法解决了这一难题。最后用该方法对工件的上下表面温度进行建模。通过仿真实验发现,它可以在保证精度的前提下,减少训练样本,减少训练时间,提高运算速度。