我国作为高铁大国强国,又有一带一路等经济计划,同时近年来,城市轨道交通线路与日俱增。对基础设备之一的钢轨,无论是新建钢轨线路或是维护轨道都是必要的元素,所以钢轨的生产质量、产量是关系到物流经济发展与人民交通生活便利的基石。然而,在钢轨的轧制生产过程中,对于万能轧制机械的孔型参数现场修正改优等调整仍然依赖人工专家经验。为了降低钢轨轧制生产线的事故发生率,缩短生产周期,提高产品合格率,有必要对生产钢轨的工艺过程进行数据驱动的参数推优。在传统的机械材料等领域对轧制生产参数优化时,常使用基于应力场,应变场,热场等物理变化的描述微分方程进行有限元分析进行仿真模拟来进行专家设定。这一方面需要材料力学的专业知识和软件技能,另一方面仿真的准确度与微元的数量以及形态,方程描述准确度息息正相关,同时运行时间随着微元数量的增多而增长。因此本文采用多目标学习的机器学习回归算法对钢轨轧制生产过程进行数据驱动的拟合,建立模型虚拟轧制机台,再根据该模型使用多目标进化算法搜索到可接受的帕累托最优解集。由此快速的解决钢轨轧制过程中出现的不良钢轨生产突增的问题。首先对钢轨生产数据进行了预处理和分析的工作,对生产履历数据进行了数据清洗,缺失值填充,和数据的上采样。这减少了模型的训练难度,增加了模型的准确度。第二,钢轨轧制生产多元指标实时预测的研究,针对生产过程中依赖专家或人工经验的问题,本文使用了机器学习的算法,通过训练拟合后,准确且高效的对几何尺寸精度指标进行预测,误差率不超过0.038毫米。第三,根据钢轨业务生产要求使用基于粒子群算子嵌入的遗传算法,自定义编码方式,适应度函数,选择函数等,成功在秒级时间内完成多维参数修订推优,给出合适的帕累托解,且推优率达到100%。随着工业4.0,智能制造浪潮的兴起,制造工业也应在增加产量,提高质量,降低消耗等方面着力作出改善。本文利用机器学习算法将这些数据中的知识直接学习拟合到相应的模型中并进行优化搜索,可以避免由于钢轨成型方程的理论误差,和人工失误等影响,从而提高产能,提供更多的经济效益。