随着热轧带钢生产技术的发展,市场对于带钢品质的要求与日俱增,热轧层流冷却作为带钢卷取前的最后一个环节,对于带钢温度的控制精度直接决定了带钢金相组织的好坏以及带钢品质。本文立足于国内某钢厂热轧厂层流冷却阶段带钢卷取温度控制精度无法获得提升的问题,对如何提高温度预测精度进行了系统研究。本文在分析了带钢的冷却原理后,对层流冷却过程数学模型进行了深入分析,研究了层流冷却过程中各因素对温度控制精度的影响,在此基础上,研究了提高卷取温度控制精度的方法,主要工作如下:(1)由于带钢卷取温度预测模型描述的是层流冷却生产过程,而这一过程工艺极其复杂,影响因素很多,如果全部作为模型的输入可能会由于输入样本维数过多导致计算量过大,所以首先利用粗糙集属性约简的方法,对卷取温度预测的输入样本数据进行约简,再将约简后的数据作为神经网络输入端,从而得到更好的预测模型。(2)将小波分析与神经网络相结合,这样不仅可以避开BP神经网络的缺陷,还可以同时发挥小波分析的优势和神经网络的泛化映射能力。在进行属性约简后,通过反复实验和结果分析,小波神经网络相较于BP神经网络,具有更好的逼近能力、容错能力以及更快的收敛性,有效的改进了神经网络的性能。通过对热轧厂的层流冷却段数据进行学习训练模拟仿真结果表明,运用智能模型建立的带钢卷取温度预测模型能够满足工厂的高精度预测要求,证明该方法应用于带钢卷取温度预测模型具有可行性。