带钢冷轧的生产技术是衡量钢铁工业发展水平的重要标志,成品的板形质量和板厚精度与轧制过程中的轧制力密切相关。轧制过程需要先后经历加速、稳速、减速三个阶段,随着轧制不断进行,轧辊磨损会引起轧辊状态的改变,若不及时更换轧辊导致冷轧过程无法正常进行。目前对轧制力预测的研究很少涉及整个轧制过程（全轧程）,本文以单机架六辊可逆冷轧机为研究对象,以提高全轧程轧制力预测精度为目标,研究了多种预测轧制力的方法。根据速度变化特性可简单分为稳速段和变速段。基于冷轧的基本原理,摩擦系数和变形抗力直接决定了轧制力的计算精度,分析两者的影响因素,建立相应的拟合模型。根据轧件宽度、带材合金号、道次数、轧制阶段等分别建立稳速段和变速段参数模型库,利用Bland-Ford-Hill公式得到轧制力预测值并加以分析。为实现对全轧程轧制力的预测,引入神经网络,同时对稳速段、变速段数据进行分析。使用加法纠偏补偿模型,结合数学方法和神经网络预测轧制力,将模型库的计算结果作为轧制力预测值的主值,建立单隐层神经网络模型预测主值与实测值的差值,对轧制力预测偏差进行补偿。同时更改网络输出参数,将轧制力作为网络的输出量,以相同的网络结构预测轧制力。并使用GA算法优化神经网络的权值阈值,建立GA-BP神经网络轧制力预测模型,减小轧制力的预测误差。针对换辊周期内参数变化的关联性,将长短期记忆（LSTM）网络应用于全轧程轧制力预测中,LSTM网络充分考虑样本点的时间序列信息,更贴近实际冷轧生产的工艺流程。根据标记的换辊信息将52136个数据点划分为50组数据集,将前40组数据作为训练集,最后10组作为预测集数据。分别从时间步长、隐藏层神经元个数、学习速率等方面进行综合对比分析,确定合适的参数取值。结果表明,使用LSTM网络模型预测精度最高,预测误差可减小到3%左右。