复杂工业过程的控制与优化一直是系统工程领域一个重要的研究课题，也是企业提高产品质量与节能减排的关键。精准地建立带钢宽度质量预测分类模型，对其进行直观易懂的解释并提取关键工艺特征，进而指导实际轧制过程，对于提高企业竞争力有着重要的意义。本文结合热轧生产的工艺背景和数据分析方法对热轧带钢宽度质量预测方法进行深入的研究，主要的研究内容和成果如下:
　　1)对热轧带钢宽度控制研究领域现有的研究成果进行了分析，总结出了当前热轧带钢宽度控制技术面临的一些实际问题，介绍了数据挖掘常见的分析手段和经典的机器学习分类算法。
　　2)针对某钢厂在热轧带钢轧制过程中的实际生产数据进行了工艺分析和预处理。结合热轧带钢的工艺背景对原始数据进行初步分析，并对数据中的缺失值和异常值进行清洗，使其变为较规整的数据集。随后采用了改进的少数类样本合成的过采样算法(the Synthetic Minority Oversampling TEchnique，SMOTE)对数据中存在的正负样本比例不平衡现象进行处理。有选择地在两类样本的边界处，创造了更多有关少数类样本的信息，同时避免了随机增加样本时可能造成的误差，有效地减轻了分类模型的过拟合程度。
　　3)提出了一种热轧带钢宽度质量的预测方法。基于统计学原理和工厂实际的热轧生产经验找出与带钢宽度质量存在明显关联的关键特征，并以此为基础构造了新的9个交互工艺特征。考虑到工艺特征集合中存在大量冗余特征，利用二进制粒子群优化（Binary Particle Swarm Optimization，BPSO）算法的0-1编码机制针对支持向量机(Support Vector Machine，SVM)分类器选择出了较为重要的36个工艺特征，随后利用SVM算法对经过工艺背景分析与特征工程的带钢样本数据进行学习建模，并对模型未知的带钢样本宽度质量进行预测，在测试集上达到了94.27％的准确率，证明建立的带钢宽度质量预测模型在未来生产中具有良好的推广能力。
　　4)实现了基于学习的SVM模型规则提取算法。从可用于宽度质量预测的SVM模型中抽取出一组工艺规则集合，可以在未来的热轧带钢的生产过程中有效改善系统的宽度控制精度，并在随后的实验中预测准确率达到了87.98％，验证了提取出的工艺规则集合在热轧带钢生产过程中的普适性，进而辅助计算机系统进行快速高效地生产决策。
　　本文基于热轧过程工艺背景和热轧带钢生产积累的历史数据提出了一种建立热轧带钢宽度质量预测模型和提取关键工艺规则集合的处理流程，便于企业对影响产品质量的关键生产工艺环节进行现场监督和控制优化，进而辅助提升现有的带钢宽度控制系统对最终轧制产品的宽度控制精度。