现代工业飞速发展,板形控制日益成为钢铁企业面临的重要课题。板形控制系统具有多变量、非线性、强耦合和纯滞后的特点,使用传统的控制方法很难得到较好的控制效果。近年来,人工智能方法在板形控制领域得到了迅猛发展,其中以粗糙集理论为基础的控制技术越来越受到研究学者们的重视。把神经网络与粗糙集结合起来,可有效地发挥各自的优势并弥补其不足。本文以人工智能理论为基础,对板形控制的智能方法进行了研究。首先,分析了现阶段神经网络控制器的方法以及存在网络结构复杂的缺点,基于CMAC网络结构简单,学习速度快,具有一定的泛化性等特点,具有较好地学习多维非线性映射的能力,建立了CMAC神经网络控制器模型。其次,针对CMAC网络的学习算法中采用固定的学习率,使得网络通过学习达不到最优解的问题,将动态学习率引入到CMAC板形控制模型中,使得控制模型在网络学习过程中不断调整网络权值,提高了板形控制的精度。再次,针对CMAC网络的隐节点个数和网络的初始权阈值是随机选取的,网络结构不是最佳的问题,利用粗糙集理论来解决,简化网络的权值,确定网络系统的结构。最后,利用本文所提出的基于粗糙集的CMAC神经网络方法,建立了板形控制模型,在某1220冷连轧机上进行了仿真验证,证明了本方法的有效性。