板带材在国民经济各部门和现代化生活中具有广泛而重要的作用,现代工业的发展对冷轧带钢生产提出了更高的要求,不断提高板带材产品的板形质量成为现代高精度轧机必须解决的问题之一。因此,板形控制越来越成为钢铁企业面临的重要课题,板形智能识别是板形控制的前提,为板形闭环控制系统的关键环节,也是板形控制研究的焦点问题。板形控制系统是一个多变量、非线性、多扰动的复杂工业控制系统,使得传统的板形控制理论已经表现出了明显的局限性。近来,人工智能方法以其在建模、优化和控制方面所具有的强大功能给板形智能识别和控制领域带来了一次革新。本文对现在的板形智能识别和控制方面的研究现状进行了综合分析,找出传统方法存在的不足,对板形智能识别和控制方法进行了研究。首先,分析了传统模式识别方法抗干扰能力差,学习时间长,易陷入局部极小值等问题,利用免疫遗传算法(IGA)识别多样性等特性训练确定径向基函数(RBF)神经网络的参数,建立了基于IGA-RBF的板形智能识别模型。采用将待识别样本与互反的基本模式的模糊距离之差作为IGA-RBF网络输入,使IGA-RBF网络的输入节点减半,进一步提高了板形智能识别的精度和速度。其次,在板形控制系统中,板形的好坏受诸多因素的影响,如轧制力、来料条件等,采用传统的数学建模工作来建立相对准确的模型非常困难。本文利用预测控制不依赖确定的模型就可对被控制系统进行建模且控制器的设计不受系统模型的束缚等优点,提出了基于RBF网络的预测控制方法,并将其应用到板形控制系统中。最后,通过仿真实验对本文所提出的基于IGA-RBF网络板形智能识别与控制的方法进行了仿真验证。