随着科学技术的进步,铝合金产品应用范围也越来越广,同时对铝制产品的精度要求也越来越高。在轧制过程中,轧制力对于板带才的质量与性能有着很重要的作用。目前,实际生产中,轧制力模型多采用传统理论计算获得,其精度远远不能满足当代对铝制品的高质量要求。铝热连轧的轧制过程相对比较复杂,不像钢种那么容易控制,轧制系统中的轧制力、压扁半径、张力、轧制速度等参数之间具有复杂的关系,因此依据传统公式和经验值不能高精度的进行预测。高精度的预测轧制力是铝板带质量的有力保障,因此本文在分析了传统理论轧制数学模型后,采用改进粒子群算法对最近邻聚类算法的聚类半径进行优化,然后用最近邻聚类算法计算RBF神经网络隐含层的中心向量,两者的有力结合合理的确定了RBF神经网络的隐含层结构,最后依据RBF神经网络的非线性逼近能力和自学习特性,提出了基于RBF神经网络的建模方法。本文将提出的算法应用在某铝厂“1+4”铝热连轧改造现场的精轧机组部分的轧制力预报,以现场采集的实际数据对所建立模型进行训练和测试。并与基本粒子群算法优化的RBF神经网络比较,仿真结果表明其在预报精度和收敛速度上都有很大提高,有效地提高了轧制力的预报精度,最后为了使所建立的模型达到更好的适应现场实际条件,本文还简要介绍了模型自学习的应用。