现如今,人们对钢铁产品的质量要求越来越严格,尤其是在力学性能方面,追求更高的稳定型和高精度。在长期的生产过程中,钢铁厂累积了很多生产相关资料,有了这些生产数据就可为以后生产提供可靠的参考。基于这些研究数据,以热轧产品的力学性能(分别为屈服强度、抗拉强度和伸长率)、化学的组成含量和钢铁生产中轧制参数间的相互关系,建立一个高质量的预测模型来研究热轧板带力学性能,对于热轧产品生产的指导、生产效率的提高和工艺的优化有着很大的促进作用。BP神经网络算法已经比较成熟、应用也相当广泛。本文以BP神经网络为基础对热轧板带力学性能进行预测分析,然而BP神经网络存在不足之处,如:收敛的速度慢、易陷入局部极小点值等问题。针对这些问题,引入LM(Levenberg-Marquardta)算法提高其收敛速度、遗传算法对其权值和阈值进行优化,以达到满意的预测结果。本文将以某钢厂双机架炉卷轧机的生产工艺为背景,对热轧板带的力学性能(以抗拉强度为代表)预测问题进行分析研究。基于建立的力学性能研究模型,文章首先单独运用BP算法进行预测研究。预测效果大体上良好,但对目前生产者对钢材高精度的要求来说,该模型的精度和收敛速度还需进一步优化。然后文中就引入了 Levenberg-Marquardta算法(简称LM算法)和GA遗传算法对BP模型进行优化。这两种算法的引入,通过数据的对比明显发现:LM算法在不改变精度的情况下,对BP算法的收敛速度做出了很大提高;GA遗传算法不仅提高了 BP算法的预测精度,还对其收敛性性也做出了一定的改进。综上表明,BP算法在基于双机架炉卷轧机工艺上,对板带力学性能预测有很好效果,证实了在双机架炉卷轧机上的创新运用是可行性的。