冷端是对从退火窑送出来的玻璃板进行检测、切裁、二次掰断、输送、转向、堆垛等处理的工段。由于冷端生产线距离长,工序复杂,电气设备多,如何实时、准确地跟踪玻璃板的位置是全面提高冷端自动化水平的关键。目前采用的“软跟踪”方法通过累计每一个可编程逻辑控制器设定周期内玻璃板位移增量来跟踪玻璃板前沿的位置,在远距离输送时会带来较大的累计误差,在传动特性不稳定时,存在较大的随机误差。本文尝试用“软计算”的数据拟合方法来确定每一时刻玻璃板的位置,从而提高板位跟踪的精度,为二次掰断、转向、堆垛的实时、精确控制提供保障。“软计算”是智能计算方法的集合,强调方法之间的融合。本文在分析适于数据拟合的回归分析、神经网络、最小二乘支持向量机这三种“软计算”方法的基础上,尝试将非线性回归分析方法,基于Levenberg-Marquardt算法的BP神经网络,基于正交最小二乘训练算法的径向基函数神经网络和最小二乘支持向量机应用于玻璃板位的跟踪中。通过仿真试验,分析每种方法在冷端板位跟踪中的应用效果,确定最小二乘支持向量机是解决本课题的最佳方法。根据“软计算”中强调方法之间融合的思想,重点研究最小二乘支持向量机的应用问题。通过支持向量数据域描述算法来确定采样样本的权值,采用改进的遗传算法对它的参数进行优化,提高最小二乘支持向量机的抗干扰能力和泛化性。通过仿真试验,证实改进后的最小二乘支持向量机算法在冷端板位跟踪中具有比较理想的应用效果。最后,对板位进行准确跟踪问题提出了今后须进一步努力的方向。