摘要：軋制力預報一直是熱連軋過程控制模型的核心,淺層神經網絡對復雜函數的表示能力有限,而深度學習模型通過學習一種深層非線性網絡結構,實現復雜函數逼近。利用深度學習框架TensorFlow,構建了一種深度前饋神經網絡軋制力模型,采用BP算法計算網絡損失函數的梯度,運用融入Mini-batch策略的Adam優化算法進行參數尋優,采用Early-stopping、參數懲罰和Dropout正則化策略提高模型的泛化能力。基于上述建模策略,針對寶鋼1880熱連軋精軋機組的大量軋制歷史數據進行了建模實驗,對比分析了4種不同結構的前饋網絡預測精度。結果表明,相比于傳統SIMS軋制力模型,深度神經網絡可實現軋制力的高精度預測,針對所有機架的預測精度平均提升21.11%。