层流冷却是热轧生产重要工序,可快速将带钢冷却到预期的卷取温度,从而高效完成带钢产品成卷。而带钢卷取温度精准控制更是热轧生产的重中之重,卷取温度预测精度的提高,一定程度可降低用工及用料损耗,还可提高产品板材性能及成卷率。精确预测卷取温度,建立高精度预测模型,不仅可对热轧实际生产提供全新思路,同时也是提高带钢板材性能的重要前提保证。在此背景下,本文针对带钢卷取温度预测进行深度研究。充分利用包钢热轧线生产数据,利用人工智能,实现对带钢卷取温度高精度预测。主要研究内容如下:（1）通过查询相关领域文献和分析热轧研究现状,对热轧生产现场进行调研,采集生产数据,利用预处理后的实际数据,结合实际工艺机理及专家经验确定影响带钢卷取温度的变量,建立带钢卷取温度预测模型。（2）针对同组热轧数据,分别建立基于BP、Elman及ELM的神经网络模型对其进行仿真预测,确定各模型最优激励函数及隐含层节点数,通过均方根误差等评价指标进行仿真。实验结果表明,ELM模型预测精度更高,优于BP及Elman模型,所以本文采用ELM模型进行研究。（3）针对ELM权值和阈值随机性大,易导致模型稳定性降低等问题,引入两种改进优化算法对其参数优化。第一,对于灰狼优化算法,引入Henon映射、小孔成像策略及权重因子策略等进行改进,通过测试函数及统计检验等发现,改进的灰狼算法优于对比算法,寻优效果最好;第二,对于哈里斯鹰算法,提出利用正态云、随机反向及动态扰动策略等进行改进,测试结果表明,本文提出的改进算法好于对比的5种基本算法及3种改进哈里斯鹰算法,算法寻优性能最强。（4）根据改进灰狼算法和改进哈里斯鹰算法在测试函数上的不同表现,建立了基于IGWO-ELM的单钢种预测模型和基于IHHO-ELM的多钢种预测模型,其中IGWO-ELM模型预测温度误差在±3℃、±4℃内为91.1%、96.7%,IHHO-ELM模型预测温度误差在±4℃、±5℃内分别为86.7%和92.7%,两种模型预测效果均好于对比模型,且远高于热轧生产线温度要求,具有良好的应用前景和指导意义。