要使用Python机器学习拟合物料温度随时间衰减的曲线，你可以遵循以下步骤：

1. 收集数据：首先，你需要收集不同宽度、厚度、重量和车间温度下的物料温度随时间的数据。确保数据集包含了足够的样本，以便于训练和测试机器学习模型。
2. 数据预处理：对数据进行预处理，包括数据清洗、缺失值处理和特征工程。你可能需要对宽度、厚度、重量和车间温度等特征进行标准化或归一化，以便模型能够更好地理解它们。
3. 选择模型：根据问题的性质选择合适的机器学习模型。对于时间序列数据的拟合，可以考虑使用回归模型、神经网络或时间序列模型，如ARIMA或Prophet。
4. 划分数据集：将数据集分为训练集和测试集，通常可以采用交叉验证或保留一部分数据作为测试集的方法。
5. 训练模型：使用训练集训练选定的机器学习模型。确保监控模型的性能，可以使用均方根误差（RMSE）等指标来评估模型的拟合能力。
6. 调整超参数：根据模型性能，可以尝试不同的超参数组合来优化模型的性能。
7. 预测和评估：使用测试集对模型进行评估，看看模型如何泛化到新的数据。你可以使用不同的评估指标来衡量模型的性能。

下面是一个使用Python和Scikit-Learn库进行回归拟合的简单示例：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 1. 收集数据并进行预处理
# 假设你已经有了一个包含特征和目标变量（物料温度）的数据框

# 2. 划分数据集
X = data[['宽度', '厚度', '重量', '车间温度']]
y = data['物料温度']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. 选择模型并训练
model = LinearRegression()
model.fit(X_train, y_train)

# 4. 预测
y_pred = model.predict(X_test)

# 5. 评估模型
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f"均方根误差（RMSE）: {rmse}")

请注意，这只是一个简单的示例，你可以根据数据的特性和模型的性能选择更复杂的模型，如神经网络或时间序列模型。此外，还可以使用交叉验证等方法来进一步优化模型的性能。