1、隨著現(xiàn)代工業(yè)的發(fā)展，各行業(yè)對(duì)板帶材的需求量不斷增加，同時(shí)也對(duì)板帶質(zhì)量提出了更高的要求，軋機(jī)振動(dòng)不僅造成板帶厚度波動(dòng)、軋輥和軋件表面振痕，而且限制了軋制速度，大大降低生產(chǎn)效率，振動(dòng)劇烈時(shí)還容易造成堆鋼斷帶等運(yùn)行事故，嚴(yán)重威脅軋機(jī)設(shè)備安全，已經(jīng)成為一個(gè)急需解決的鋼鐵行業(yè)難題。
　　以往對(duì)軋機(jī)振動(dòng)的研究主要集中在機(jī)理分析、控制預(yù)防和振動(dòng)信號(hào)處理等方面，而對(duì)包含大量設(shè)備運(yùn)行狀態(tài)信息的過程監(jiān)測(cè)數(shù)據(jù)（PDA數(shù)據(jù)）關(guān)注較少。工業(yè)4.0時(shí)代，通過

2、對(duì)工業(yè)數(shù)據(jù)的分析和挖掘，實(shí)現(xiàn)生產(chǎn)過程的智能化，是未來生產(chǎn)制造的發(fā)展方向。本文將數(shù)據(jù)挖掘技術(shù)應(yīng)用于軋機(jī)振動(dòng)的研究中，通過對(duì)軋機(jī)運(yùn)行過程監(jiān)測(cè)數(shù)據(jù)（PDA數(shù)據(jù)）進(jìn)行分析和挖掘，實(shí)現(xiàn)基于數(shù)據(jù)驅(qū)動(dòng)的軋機(jī)振動(dòng)預(yù)測(cè)。
　　首先根據(jù)軋機(jī)PDA數(shù)據(jù)非線性、強(qiáng)耦合的特點(diǎn)，對(duì)兩種應(yīng)用較廣泛的數(shù)據(jù)挖掘算法：BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）進(jìn)行深入的分析研究，針對(duì)BP神經(jīng)網(wǎng)絡(luò)泛化能力弱的缺點(diǎn)，引入AdaBoost算法，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行集成，提高BP神經(jīng)

3、網(wǎng)絡(luò)算法的預(yù)測(cè)精度，建立基于BP-AdaBoost強(qiáng)預(yù)測(cè)器軋機(jī)振動(dòng)預(yù)測(cè)模型，針對(duì)支持向量機(jī)（SVM）算法中松弛系數(shù)和懲罰因子兩個(gè)關(guān)鍵參數(shù)選擇困難的特點(diǎn)，引入粒子群算法（PSO）對(duì)兩個(gè)參數(shù)進(jìn)行優(yōu)化選擇，建立基于PSO-SVM算法的軋機(jī)振動(dòng)預(yù)測(cè)模型。
　　其次利用現(xiàn)場(chǎng)測(cè)試數(shù)據(jù)對(duì)兩種軋機(jī)振動(dòng)預(yù)測(cè)模型進(jìn)行驗(yàn)證。結(jié)果表明：兩種算法都能夠?qū)崿F(xiàn)軋機(jī)振動(dòng)預(yù)測(cè)，PSO-SVM算法預(yù)測(cè)精度明顯優(yōu)于BP-AdaBoost算法；同時(shí)利用PSO-SVM軋機(jī)