冷轧带钢生产是一个复杂的系统,从原料到成品要经过多个生产工序,这些工序之间存在着最优组合的问题。相应各机架间的衔接、匹配也存在着最优化问题。合理地制定轧制规程是保证冷连轧机优质、高产、低耗和环保的重要条件。本文结合攀钢1220mm四机架冷连轧机冷轧带钢质量改进的项目,开展了轧制规程优化及模型自适应研究,重点进行轧制过程中摩擦系数、变形抗力、轧制力、轧制力矩和轧制功率等参数的计算和各机架压下量的分配。首先,建立冷连轧数学模型,并在结构上对数学模型进行适当的简化,使数学模型具有在线使用的价值。其次,根据BP神经网络的特点,建立BP神经网络摩擦模型,同时应用BP神经网络的在线自适应功能,提高实际生产中摩擦系数的预报精度。第三,在冷轧带钢生产中,变形抗力、轧制力、轧制力矩、轧制功率和连轧张力的预报精度受轧制状态的影响,不易精确确定。为了提高它们的预报精度,分别对变形抗力、轧制力、轧制力矩、轧制功率和连轧张力进行了模型自适应。第四,在保证轧制力能参数精度的基础上,建立合适的目标函数、制定必要约束条件并选择适当的优化方法(动态规划法)对轧制规程进行优化。研究结果表明,简化的数学模型可以满足在线使用的需要,使机器的运算速度得以提高;BP神经网络模型对摩擦系数进行在线预报提高了摩擦系数的预报精度;对摩擦系数、变形抗力、轧制力等参数进行模型自适应,提高了轧制力能参数的预报精度;以最小轧制能耗为目标函数对轧制规程进行优化,实现了各架轧机的优化的压下量分配,节能百分比为1.22%,优化效果较为满意;以等功率裕量为目标函数对轧制规程进行优化,虽然节能效果不如前者,但各架轧机的负荷系数几近相等,实现了充分发挥电机能力的目的。在冷连轧生产中,建立合适的数学模型并对其进行模型自适应,利用人工智能技术对轧制力能参数进行预报和模型自适应,采用优化技术对轧制规程进行优化,这对充分利用现有轧机设备和提高冷轧的控制精度具有重要的作用。