加热炉钢温预测模型的研究是一个热点问题,建立合理的钢温预测模型对提高钢坯加热质量,降低能耗具有重要的意义。通过分析加热炉炉内热辐射和热传导机理等能够建立钢温预测模型,但是这种机理模型是建立在许多假设条件上的,而且参数较多,计算复杂,实现难度大。在钢坯加热过程中能够采集炉膛温度、钢坯停留时间等相关信息,利用这些信息可以采用基于数据驱动的方法进行建模。本文采用基于数据驱动的方法建立钢温预测模型,主要研究内容包括：1)在分析了步进梁式加热炉工艺背景的基础上,针对变量之间可能存在的相关性和非线性关系,研究了特征提取方法,主要包括PCA和KPCA,将过程数据进行特征提取后作为预测模型的训练输入。2)利用支持向量机回归建模方法对加热炉钢温进行预测,通过对LSSVM、 PCA-LSSVM和KPCA-LSSVM三种建模方法的仿真分析,发现利用核主元分析对输入变量进行特征提取后建立的预测模型精度更高。但是在支持向量机回归建模过程中也发现了许多缺点：模型需要的参数较多,核函数必须满足Mercer条件,建立的预测模型缺少必要的概率信息等。3)针对支持向量机回归建模中存在的不足,尝试采用关联向量机回归建模方法。仿真实验说明,关联向量机回归建模方法不仅提高了模型精度,而且解具有更好的稀疏性,模型泛化能力强,同时还能给出模型预测的不确定性。结合特征提取方法后建立的预测模型可以进一步提高精度。