板带轧钢生产过程中,轧制力的准确预测直接影响着带钢的形状精度、尺寸精度等产品质量。轧机的压下量主要依靠轧制力的大小进行合理分配,所以精轧轧制力模型的预测精度很大程度上决定了带钢头部的精度,以及如何精确地设定辊缝,并对穿带稳定性有着直接的影响。计算轧制力的传统数学模型(TMM)结构简单,精度较低,即使采用模型自学习技术,受本身模型结构的限定,也难以得到足够精确的近似值。因此,需要不断进行探索,建立新的轧制力预测模型,以便进一步提高轧制力预测精度。本文建立了最小二乘支持向量机(LSSVM)轧制力预测模型,采用径向基(RBF)核和多项式核线性组合而成的混合核函数,以使该模型具有更强的泛化能力,并利用粒子群优化算法得到最优模型参数。为了进一步提高预测精度,便于LSSVM轧制力模型的在线应用,将LSSVM轧制力模型与TMM轧制力模型进行组合,得到组合模型。通过特征选择与提取,采集现场数据,建立Oracle模型训练数据库,利用Matlab2012编写程序,对传统数学模型、BP神经网络模型(BPNN)、最小二乘支持向量机模型和组合模型四种轧制力预测模型进行了仿真研究。最终,将建立的轧制力预测模型嵌入到轧钢二级系统平台,利用VC2010编写程序,实现轧制力在线预测系统和离线模型训练工具,以进行在线应用。实验表明,BPNN模型优于TMM模型,但BPNN模型提高预测精度,同时也会增加模型VC维,模型复杂性增加,从而降低了模型的泛化能力。LSSVM模型优于BPNN和TMM模型,而组合模型均优于三种单一模型,对模型预测精度有很大的提高。LSSVM具有很强的学习能力和泛化能力,很大程度上提高了轧制力预测精度,在实际应用中有很大的潜力。