在现代钢铁企业中,板带热连轧生产线具有工艺复杂、工序流程长、各个工序存在强耦合关系等特点,为了保证其高成材率和高质量的运行,首先需要保证热连轧生产线能够稳定、连续、高效生产,而设备的完好率及其运行精度则是保证生产稳定性的最重要先决条件。目前针对设备管理方面的研究主要关注设备“转不转”（设备健康状态）问题,对于设备“转得好不好”（设备服役性能）则关注较少,这在很大程度上影响了企业对生产稳定性和产品质量的预判及管控。基于这一现状,本文结合自动化控制理论、工业大数据、智能学习与优化算法,提出了知识和数据联合驱动的板带热连轧生产设备工艺精度评价（Equipment Process Accuracy Evaluation,EPAE）方法,从生产工艺角度对设备服役性能进行定量化评价,并基于EPAE提出了生产稳定性根因溯源算法、构建了板带产品质量预测算法、设计了极限规格工艺参数寻优算法。通过EPAE及其应用研究,为板带热连轧的高效稳定生产提供了理论基础保障,相关成果已在马钢、鞍钢、凌钢等企业取得成功应用。本论文取得了如下成果:（1）提出了基于多级层次分析方法的板带热连轧设备工艺精度评价EPAE方法。基于工序划分、设备模型、专家经验等多维知识,将产线、区域、设备、功能模块、具体评价指标进行了多级划分,给出了基于层次分析法和熵权法对评价指标权重、功能模块权重、设备权重、区域权重的计算方法,以此为基础结合模糊综合评价法和隶属度重心解模糊法,提出了热连轧EPAE的建模方法,为设备服役性能的定量评价奠定了基础。（2）建立了基于EPAE的生产稳定性根因溯源算法。通过皮尔逊相关性分析,阐明了 EPAE与生产稳定性之间的关系,进而建立了设备工艺精度与各因素之间的神经网络模型,在平均值偏差计算、去量纲、模型参数化等基础上,提出了基于粒子群优化理论的生产稳定性异常根因溯源算法,为实际操作中的人力和物力投入大、结果存在主观误差等问题的解决提供了新思路。（3）构建了基于EPAE的板带产品卷形质量预测算法。考虑到板带卷形质量稳定性的影响因素繁多、机理复杂的特点,选取卷形质量缺陷为例进行质量预测研究。首先给出了卷取设备的EPAE算法,进而以此为基础建立了基于孪生半监督降噪自编码器和卷积神经网络的热轧板带卷形缺陷预测算法,实现了对不同卷形缺陷类型的预测与分析。通过比较验证,该模型预测精度达到了 89.18%,高于常见的同类预测算法,为优质的板带产品轧制提供了支撑。（4）设计了基于EPAE的极限规格工艺参数寻优算法。首先基于EPAE,对轧制板带极限规格产品时影响生产稳定性的因素进行了定位和分析,进而搭建了生产稳定性预测算法,然后对轧制板带极限规格设定模型进行了优化训练,从而通过随机森林算法和遗传算法获得了板带极限规格轧制时的最优工艺参数。实验结果表明,模型寻优获得的极限规格轧制参数符合轧制样本分布规律,轧制生产稳定,产品质量优良。（5）把取得的理论成果应用于实际的智能工厂建设。依托国内某钢厂2250mm热连轧产线,建立了关键机械、液压、仪表及控制的EPAE算法,通过与生产稳定性、产品质量和控制系统等过程数据之间进行关联分析,挖掘了设备服役性能与生产状态之间的影响规律,实现了设备服役状态管理和生产组织的智能化,对产量提升、机组成材率提升和产品废次率降低等做出了重要贡献。