作为钢坯加热设备的轧钢加热炉是钢铁冶金行业中的重要环节,其主要功能是对生产线上的钢坯按照工艺生产要求进行加热。由于加热炉控制系统具有多变量、非线性、大滞后、高度耦合等特性,建立较为精确实用的模型十分困难,也就很难对这个过程实现精确的温度控制,因此钢温的建模研究对加热炉生产来说具有非常重要的意义。本文以蓄热式加热炉为研究背景,采用多元统计方法进行钢温建模。分别建立了三种钢温模型：①基于最小二乘支持向量机(LSSVM)的钢温模型；②采用主元分析(PCA)方法进行数据处理后应用LSSVM回归的钢温模型；③先采用核主元分析(KPCA)方法进行特征提取,得到较高质量的输入数据,再应用LSSVM方法的钢温模型。由于超参数的取值在很大程度上决定了最小二乘支持向量机的学习和泛化能力,模型超参数的优化研究很有必要。本文采用十折交叉验证方法选择优化超参数,但是十折交叉验证特别费时,且参数并不一定是最优。因此采用基本的粒子群优化算法(PSO)对超参数进行全局寻优,进而利用得到的最优超参数建立加热炉模型。经过仿真对比,用粒子群优化超参数后建立的模型,取得了更好的效果。基本的粒子群优化算法参数设置需要反复尝试,且PSO存在“早熟”和稳定性的问题。为了克服这些问题,在标准粒子群优化算法的基础上,融入了“进化”理论和“多粒子群”的思想,改进粒子群优化算法,使PSO算法在避免陷入局部最优的同时保持了好的收敛速度。最后,对全文进行了总结和展望,提出了有待于进一步研究的方向。