近年来，钢铁产业产能严重过剩，但人们对高端冷轧产品的需求逐年增长，因此淘汰落后产能，提升产品质量是钢铁产业唯一的选择。板形作为带钢的重要质量指标，也是轧制领域研究的热点，更引起了众多钢铁企业及其用户的关注。
　　本文以本溪钢铁第三冷轧厂连续退火生产线的六辊CVC平整机为研究对象，针对平整机板形控制系统中存在的诸多问题，对平整机板形控制系统进行了如下研究。本文以机器学习理论为基础，选择具有理论和工程实际意义的平整机板形控制系统为研究课题，进行了深入的理论研究和工业应用研究，取得了新的研究成果。
　　针对传统神经网络模型中存在的结构难以确定、迭代次数多，学习时间长等问题，研究了基于极限学习机的板形模式识别模型，该模型学习速度快，构造简单且泛化能力强。并且根据板形模式识别的本质以及板形基本模式的互反性，本文采用互反模式之间的模糊距离差作为极限学习机板形模式识别模型的输入，简化了结构，为板形在线模式识别提供了新方法。
　　针对传统板形静态影响矩阵的不足，通过对轧机板形调节能力的分析，研究了对板形控制的动态影响系数矩阵法。板形的影响系数是随轧制参数的变化而实时变化的。因此，需要在线计算动态影响矩阵以反映各调节手段对板形各个分量变化的影响效果，进而确定新的调节量。为了在线求得不断变化的影响系数，建立了基于极限学习机的板形动态影响矩阵模型来求解影响矩阵。利用极限学习机，训练速度快的特点，可以进行在线补充新规则，进行规则自学习和规则库的补充，增强了网络的学习能力与数据的运用率，提高了精度。最后，设计了基于动态影响矩阵和极限学习机的板形在线闭环控制方案。
　　仿真实验表明本文建立的基于极限学习机的板形模式识别方法和基于极限学习机的动态影响矩阵方法以及板形闭环控制模型提高了控制速度和控制精度，满足工业现场的要求。