随着轧机的现代化程度不断提高,轧钢行业的技术人员深刻地认识到,轧制数学模型的重要性。因此,各大厂家都对轧制过程数学模型的开发、维护与优化非常重视,其计算精度直接决定轧制产品的产量和质量,如何提高轧制过程数学模型的预报精度是当前研究的热点和难点。本文在现有文献的基础上,对提高轧制力预报精度方面做了一些工作。首先以冷轧轧制基本理论为基础,分析了各种计算冷轧轧制力的模型,并对其进行了比较。重点探讨了影响轧制力预计算精度的两大主要因素:材料变形抗力和摩擦系数,并详细说明了变形抗力模型的回归方法。然后选取两种不同形式的变形抗力模型,并采用不同方法获得摩擦系数,分别代入Bland-Ford-Hill公式计算轧制力,并与实测值进行了比较,从中选出较为理想的变形抗力和摩擦系数模型。其次,由于实际轧制状况的不确定性,以及轧制规程所给出的各个轧制参数不可能完全满足工艺和设备的要求,因此必须在生产实践中不断根据实测值对轧制参数进行优化。本章以模型自适应理论为基础,采用指数平滑法对变形抗力做了自适应算法研究。结合现场实测数据,实现了模型自适应。仿真研究表明,经自适应后的变形抗力模型可以很好地跟随实测变形抗力。最后,对神经网络轧制力预报在实际中的应用做了研究。针对五机架冷连轧机的特点,提出并联结构的BP神经网络模型,采用LM算法对网络进行训练。然后对材料按不同规格进行分类,确定记录号。将训练好的网络结构和参数按照记录号保存于自学习数据文件中,建立数据库。在线使用时,根据所轧钢种的规格进行调用。经仿真测试表明,该神经网络轧制力模型可有效提高轧制力预报精度且为轧制力在线预报提供了方便。