随着钢铁产品结构的升级以及产品质量的提高,对轧制过程数学模型的计算精度提出了新的要求。而热轧板形控制数学模型大都是建立在大量简化和假设基础之上的机理模型,模型计算精度存在瓶颈。近年来,随着计算机硬件性能的提升以及轧制过程数据的不断积累,基于数据驱动的板形模型构建思路应运而生,通过数据挖掘技术从大量轧制过程数据中提取成功的模型设定规律,用数据挖掘等方法代替机理模型,避开对板形深层规律无止境的探求。在完善轧制模型构建方式的同时,自学习也是提高模型设定精度的好方法,而传统基于层别数据的轧制模型自学习方法存在相邻层别上自学习系数跳跃大、不连续等问题,自学习系数精度有待进一步提升。为此,本文借助聚类分析和案例推理等数据挖掘方法,利用大量生产过程历史数据建立热轧板形PC角设定案例库,提出热轧板形PC角的智能设定方法。首先,对大量轧制历史数据进行聚类分析,挖掘出带钢板形控制良好的轧制案例,建立一个初始的轧制案例库。接着,在日常生产中不断对该案例库进行案例学习,将更优秀的轧制案例分层别更新到该案例库。使用时,从案例库中找到与当前轧制带钢最相似的案例,取出其对应的PC角进行在线板形设定。此外,提出一种新的基于连续曲面的轧制模型自学习方法。采用特征点表征的连续曲面替代现有的层别,根据部分已轧制规格的模型自学习系数重构未知函数的一个逼近元,实现模型自学习系数的快速规格拓展与连续化处理,使模型自学习系数精确到空间任意点,从相邻层别不连续变为多维空间上连续,对提升模型设定精度有质的突破。上述研究已成功应用于国内某大型热连轧机组,在线应用表明有效提高热轧带钢板形控制精度及变形抗力与轧制力模型的预报精度,满足热连轧带钢高精度板形控制指标要求与稳定轧制的生产要求。