采用人工智能方法预测带钢屈服应力，并把预测值用于数学模型中计算轧制力的方法。RBF神经网络是一种具有拓扑结构的前向神经网络，由输入层、隐含层、输出层构成。输入层的任务是把输入数据简单映射到隐含层以实现非线性映射，隐含层和输出层之间是一种线性映射。

　　和其他前向网络相比具有结构简单、全局逼近能力强等优点，使它在预测、模式识别等很多领域得到了广泛的应用。该方法首先使用RBF神经网络预测屈服应力(这种网络可以成为屈服应力网络)并把它用于传统计算模型计算轧制力值。并可进一步考虑冷连轧机机架轧制状态、不同轧制速度等条件的影响，分别建立神经网络(分别称为机架相关网络、速度相关网络)计算轧制力修正因子，而后与上述计算出的轧制力相乘得出最终预测轧制力。仿真数据表明，使用RBF神经网络计算传统数学模型的重要参数可以较大幅度提高轧制力模型预报精度。

　　单独采用BP网络等人工智能方法预报热连轧机的轧制力，网络的7个机架的轧制力输出值并不平衡，某些机架的预报值误差明显增大，如实际测试的热连轧机F7机架的轧制力预报误差为F1的两倍。为了提高轧制力预报精度，可采用综合网络，即将神经网络和数学模型相结合，组合方式为将人工神经网络输出项和数学模型计算的结果进行组合由传统的轧制力计算模型可以看出，轧制力是轧制温度、轧件入(出)口厚度、轧件宽度、轧件材质、轧辊直径、轧制速度等参数的函数。

　　(来源：压力加工)