板形是冷轧带钢的一个重要的质量指标,它直接影响带钢产品的成材率和后续深加工的顺利进行。板形控制技术是现代高精度板形轧机的关键技术,但由于轧制过程的复杂性,在实际的冷轧生产中,板形问题依然是生产中最常见、最难解决的关键技术问题,尚未达到稳定成熟的地步。本文以人工智能理论为基础,从模式识别、板形预测和控制方法三个方面对冷轧过程板形控制系统进行理论及仿真研究,并取得了一定的成果。针对传统板形模式识别方法存在的不足,本文采用Elman神经网络来解决板形模式识别的问题。由于Elman神经网络存在收敛速度慢、对初始权值依赖较大以及容易陷入局部最优等问题,本文提出了采用差分进化(DE)算法来优化Elman神经网络初始权值和阈值的方法,并对差分进化算法进行了改进,使得变异因子能够在优化过程中自适应变化,增强了该算法搜索到全局最优解的能力。经过差分进化算法优化后,再使用动量BP算法进行局部搜索,训练出最优的Elman神经网络。最终,本文建立了以勒让德正交多项式为基模式,基于欧式距离的DE-Elman网络板形模式识别模型。该模型采用3个输入参数和3个输出参数,网络内部各层节点的物理意义明确,计算速度快,识别精度高,能够满足冷轧带钢高精度板形控制的要求。板形控制系统具有非线性、时变性、干扰严重等特点。通过分析传统机理建模的不足之处,本文建立了 DE-Elman网络板形预测模型。通过分析板形的影响因素和依据现场生产经验,该模型采用10个轧制参数和3个板形调节参数共同作为模型的输入参数,3个板形特征参数作为模型输出参数。对本钢第三冷轧厂实际生产数据进行数据筛选和预处理之后,本文选取了具有代表性的训练样本对网络进行训练,仿真结果表明,基于DE-Elman网络的板形预测模型预测精度较高,相对于传统BP网络,其预测得到的误差更小,验证了该预测模型的实用性。最后,在构建了 DE-Elman网络板形预测模型的基础上,根据效应函数理论,本文给出了效应矩阵的计算方法。根据仿真研究结果和生产经验,确定了3个板形关键影响因素,建立了效应矩阵表。本文还提出了采用三维质心插值算法来在线计算实际工况点对应的效应矩阵,该算法实现简单,计算速度快,能够满足板形在线控制的要求。仿真结果表明,基于关键影响因素效应矩阵表的板形闭环控制方法能够充分发挥各个板形调控手段的调节能力,控制精度较高,控制过程平稳,收敛速度较快,为板形控制系统提供了一种新的控制方案,大大提升了轧机在线板形控制的能力,对提高冷轧带钢产品质量具有重要意义。