随着轨道交通的高速发展,对钢轨质量的要求越来越严格,其中最重要的一个指标是钢轨截面尺寸符合标准,一旦截面尺寸不符合标准,会影响铁路的高速、安全运行。然而钢轨孔型复杂不规则,轧制流程强耦合、非线性、轧制力与辊缝动态变化等因素,使得钢轨截面尺寸难以估计。针对该问题,现有工厂一般依赖于人工专家经验调整生产参数使钢轨达到合格,专业领域则是根据钢轨变形机理,推导数学模型,比如力能公式、宽展公式等诸多公式。但是,人工经验缺乏可靠理论依据,不能精准预估轧件的截面尺寸;而传统数学模型复杂,涉及因素较多,如钢轨成分、轧制速度等导致这些数学模型泛化性较差,在不同条件下需采用不同模型。因此,基于钢轨轧制自动化实时采集生产参数,本文结合钢轨轧制理论,利用这些生产参数和机器学习建模方法对钢轨截面尺寸进行预测和量化评估,从而避免上述问题,精准预测截面尺寸,保障产品质量,降低试轧带来的损失。本文工作如下:（1）了解钢轨轧制理论。理解钢轨轧制变形机理,加深业务理解,有助于后期对数据分析、模型构建工作,以变形机理作为指导,选择适合的模型。（2）分析钢轨生产参数和截面尺寸数据。分析钢轨生产参数的统计特征和数据分布,理解其实际意义,并完成数据清洗工作,避免异常数据对模型性能的不良影响。其次,通过相关性分析深入理解生产参数对尺寸的影响,为后续截面尺寸预测模型性能提升奠定基础。（3）基于机器学习钢轨截面尺寸预测。本文使用多类机器学习算法,拟合多维度轧制参数,准确且高效的对钢轨截面尺寸进行预测,其中SVR的R2达到89.9%,将其作为基准模型。另一方面,结合目标变量间联系,利用RC和SST提升模型性能,其中RC模型R2达到90.7%,比基准模型提高0.8%。其次,结合树类模型和SVR模型R2结果达到90.9%,比基准模型提高1%。最后,通过特征构建以提升模型结果,表现最佳的模型为SVR+Light GBM,平均R2达到91.5%,相比基准模型提升了1.6%,该模型预测各尺寸的平均预测误差达到0.01mm至0.08mm之间。机器学习算法可以有效综合利用少样、多维参数,实现端到端预测钢轨尺寸,不用计算各阶段工艺轧制后的尺寸,多个截面尺寸结果表现都很好。期望能降低钢轨轧制不合格率,提升生产效率,增加更多的经济效益。