隨著現(xiàn)代工業(yè)雙金屬耐磨鋼板的不斷發(fā)展和進(jìn)步,對(duì)板材質(zhì)量的要求也越來(lái)越高,而板形模式識(shí)別和控制是提高板材質(zhì)量的關(guān)鍵技術(shù)之一,因此成為冷軋控制研究的熱點(diǎn)問(wèn)題.另外,由（略）絡(luò)在建立模型中有許多優(yōu)點(diǎn),在近幾年的研究中被廣泛的應(yīng)用在板形模式辨識(shí)和控制中.本文以某薄板廠的六輥五機(jī)架CVC冷連軋機(jī)為研究對(duì)象,以實(shí)現(xiàn)板形精確自動(dòng)控制為目的,建立了基于BP(Error Back Propagation)神經(jīng)網(wǎng)絡(luò)（略）式識(shí)別模型和板形預(yù)測(cè)模型.（略）,闡述了軋機(jī)、板形的相關(guān)知識(shí),以及板形控制的基本方法和策略.重點(diǎn)分析了板形的測(cè)量裝置以及測(cè)量的相關(guān)理論. 其次,針對(duì)傳統(tǒng)數(shù)學(xué)方法在辨識(shí)板形缺陷模式中的不足,以常見(jiàn)板形缺陷模式為依據(jù),利用人工神經(jīng)網(wǎng)絡(luò)在建模和系統(tǒng)辨識(shí)方面的優(yōu)點(diǎn),建立了基于BP神經(jīng)網(wǎng)絡(luò)的板形缺陷辨識(shí)模（略）atlab7.0中的GUI(Graphical User Interfaces)神經(jīng)網(wǎng)絡(luò)工具箱建立了該模型.模型的輸入為測(cè)量輥的52測(cè)量值和它們平均值的偏差,輸出為四次板形曲線的各項(xiàng)系數(shù),這些系數(shù)可以直接參與到板形的控制中.