为打破国外板形仪技术垄断,燕山大学自主研发设计了整辊无缝式板形仪。但板形测控系统还需要长期的实际生产数据不断进行优化,而钢厂生产环境恶劣、具有危险性,因此需要一种远程数据采集系统代替研究人员长期驻守现场采集相关数据。某钢厂出口卷取机存在安装误差较大的问题,但由于其固定在水泥基座上,调整很不方便,所以采用目标曲线进行误差补偿。此外,为计算板形控制系统各控制手段的影响系数,需要精确地板形预测,而安装误差的干扰使得基于传统理论的数学模型难以准确进行板形预测。基于上述问题,本文开展了如下几方面的研究:首先,本文对远程数据采集系统中的板形计算机发送程序、4G数据传输终端、数据传输规则以及服务器软件进行了详细的设计。系统搭建完成后,在某钢厂进行实测,结果表明云服务器界面的数据显示与板形计算机界面一致,同时查看两个界面的各通道压力显示情况,验证了该系统延迟很低,可以保证数据的实时显示。其次,利用远程数据采集系统得到的板形数据,通过改进式BP神经网络的学习,找到合适的板形曲线设为板形目标曲线。为了解决经典BP神经网络的不能遍历样本、易陷入局部最优解等问题,引入了小批量学习算法对其进行优化。通过实测数据测试,验证了神经网络得到的目标曲线与作为学习目标的板形曲线一致。最后,利用从该系统得到的板形数据,借助深度学习中的深度置信网络DBN与深度BP网络DNN,建立板形预测模型。DBN网络与DNN网络的结合克服了由于网层数变多造成的训练过程变慢、梯度扩散等问题。通过实测数据测试验证了DBN-DNN网络构建的板形预测模型具有较高的预测精度,可以为板形控制系统计算各控制手段的影响系数。