轧机振动问题由来已久,以往学者对轧机振动的研究主要集中于轧机振动机理建模和振动信号分析等方面,由于板带轧机系统具有非线性、大滞后等特性,建模难度较大,所建立的机理模型与实际系统仍存在偏差,且传统信号处理方法也具有一定局限性。而采用数据驱动的方法可以很好解决该问题,从而实现对轧机振动状态的准确预测和故障诊断。针对轧机振动具有非线性、强耦合等特点,且与历史输入输出相关,建立了一种基于集合经验模态分解-长短时记忆神经网络的轧机垂振预测模型。采用经验模态分解方法将采集的轧机垂振信号分解为多个简单分量,以降低信号的复杂性;采用具有记忆单元的长短时记忆神经网络建立振动预测模型,通过引入历史振动信息有效提高了轧机垂振预测精度。仿真结果表明,预测精度达96%。针对轧制现场环境恶劣,采集的垂振信号中隐含噪声信号,为提高轧机垂振预测精度,建立了一种基于变分模态分解-长短时记忆神经网络的轧机垂振预测模型。采用巴氏距离优化的变分模态分解对轧机垂振信号进行去噪处理;采用长短时记忆神经网络建立预测模型,有效降低了噪声信号对预测模型精度的影响。仿真结果表明:与集合经验模态分解-长短时记忆神经网络模型相比,预测精度提高了2%,平均绝对误差和均方根误差分别减小了0.13和0.17,并定量分析了各工艺参数变化对轧机垂振的影响,为快速抑制轧机振动提供了参考。针对轧制工艺参数异常波动引起的轧机垂振故障难以识别且无法准确判断,建立了一种基于变分模态分解-反向传播神经网络的轧机垂振故障诊断模型。采用变分模态分解方法对正常和工艺参数异常波动下的垂振信号进行特征提取,提取出轧机振动信号的本质特征;通过对提取的特征向量进行贴标签,将其输入到反向传播神经网络多分类器中,实现了对轧机振动状态的准确识别与诊断。仿真结果表明:故障识别与诊断准确率达99%,为早期快速诊断轧机振动故障提供了参考。图37幅;表16个;参48篇。