加热炉是轧钢过程中的重要的热工设备,其主要作用是将钢坯加热至轧制所需要的温度。合理的钢坯温度,不仅能提高钢坯质量,还有降低能源消耗的作用。所以建立精确的钢坯温度预测模型是十分必要的。目前,钢温预测模型主要有机理模型和神经网络模型等。而神经网络的类型对钢温预测模型的预测精度有什么影响,对比研究较少。本文在研究基于总括吸收率的钢坯温度预测模型基础上,分析了存在的不足。针对该机理模型参数多,计算复杂,参数选择难等问题,确定了基于神经网络的建模方案。首先根据加热炉加热一段、加热二段、均热段建立了 BP神经网络钢温预测模型并进行了仿真。针对仿真结果精度不足的问题,本文采用了粒子群算法和蜂群算法分别优化BP神经网络的权值、阈值,设计了相应的算法优化BP神经网络流程,仿真实验结果表明两种优化均能提高模型预测精度。为解决BP网络建模过程中易陷入局部最优,过度拟合等缺点,本文提出了基于极限学习机（ELM）建立钢温预测模型的方法,将ELM神经网络引入到钢温预测模型中来,并设计了算法流程,通过黄金分割法确定了最佳隐含层节点数。为了进一步提高预测精度,采用了粒子群和蜂群算法分别优化了 ELM方法并建立了 PSO-ELM预测模型与ABC-ELM预测模型,进行了仿真比较研究。通过对钢温预测各种模型的对比研究及仿真实验结果分析,得到了如下结论:普通的BP神经网络模型,效果相对较差,粒子群优化BP神经网络模型与蜂群算法优化BP神经网络模型在预测精度方面都要好于BP神经网络模型,而蜂群算法优化神经网络模型的效果最优;对于基于极限学习机的方法来建立的钢温预测模型,其预测精度要好于BP神经网络预测模型,同时速度更快。而用蜂群算法优化并建立的ABC-ELM预测模型,其预测结果更为精确,泛化能力强,是几种预测模型中最理想的钢温预测模型。