钢铁工业作为国民经济的支柱产业,是衡量一个国家综合实力的标志,高精度带钢的生产是钢铁产业发展的重点,因此如何提高板带钢材制造的工艺水平一直是工业企业关注的重点。板形检测与板形控制是冷轧板带生产过程的关键技术,论文依托国家自然科学基金课题,以板形检测、在线模式识别及板形控制策略为研究课题,针对板形精细化控制和信号采集处理等问题进行了深入系统的研究,取得了一些新的进展。论文以工业压电板形仪为研究对象,建立检测辊及板带的受力情况有限元模型,在不同张力条件下,改变板厚、包角,研究检测辊变形对板形检测曲线的影响。通过对板带内部张应力分布和检测辊所受压力分布曲线进行对比,分析板带内部张应力的分布趋势和检测辊所受的压力分布的关系,推导出板形合理的补偿曲线,由此可得出符合实际情况的板形缺陷分布规律。针对板形精细控制所存在的多维非线性问题,进行高阶板形识别系统建模,研究高阶非线性系统所描述的板形缺陷形成规律,在保证正交性的基础上,采用高阶勒让德多项式作为板形识别基本模式,识别6次板形缺陷,以适应板形精细化控制。通过研究遗传算法和粒子群算法的混合算法,优化BP神经网络结构及权值、阈值,建立GAPSO-BP神经网络在线识别模型,解决了BP神经网络收敛速度慢、初始权值影响大、易陷入局部极小和网络结构难确定等问题。通过实验计算,表明GAPSO-BP神经网络的抗干扰能力和自学习适应能力强、精度高,能为板形控制策略的制定提供可靠的依据。论文利用GAPSO-BP神经网络模型,对实测板形进行模式识别,分类研究板形缺陷并制定相应的控制方案,分析表明该系统的识别精度高,可用于在线板形闭环反馈控制。构建了实测平台,通过可视化界面建立检测信号与板形控制手段的关系,为板形控制的实施提供了依据。针对高速板形仪压电传感器的特点,采用有线信号采集与传输技术,自行设计了滑环式的有线信号采集与传输系统,开发板形信号海量数据采集与处理系统及相应模块,在线显示数据采集过程,进行分析处理。