冷连轧过程具有多工况、多变量、非线性、大数据等特点,板形缺陷成因复杂,基于机理模型的方法难以胜任板形缺陷的在线预测和诊断。本文以宝钢2030mm冷轧过程DSR板形控制系统为应用对象,采取多元统计分析、数据挖掘等数据驱动技术,研究多工况下冷轧过程的板形预测及缺陷识别问题。针对DSR动态板形控制系统的多工况以及某些工况下的产品缺陷数据具有小样本的特点,提出了一种基于支持向量机(SVM)的板形在线监测方法。首先,将过程变量进行主成分分析(PCA),所得到的主成分作为支持向量机的输入,将板形变量正交分解后作为支持向量机的输出,通过迭代计算、训练,最终得到多输入单输出的板形回归预测模型;然后,利用贝叶斯准则优化支持向量机的系数,更新支持向量机回归模型,克服不确定性信息对板形预测精度的影响。实验结果表明,该方法可以有效解决多工况下的快速板形建模问题,板形预测精度高。针对DSR动态板形控制系统的多工况、海量数据等特点,改进了传统的频繁模式挖掘算法——Apriori算法,实现多工况下板形缺陷数据的频繁模式挖掘。首先,利用主成分分析(PCA)进行过程变量降维;然后,利用PCA方法中的SPE统计量界限设置阈值,挑选故障数据;再用改进的Apriori算法对板形缺陷的关联性特征进行挖掘;最终得到每种缺陷的频繁项,形成相应的诊断知识用于故障原因的识别。实验结果表明,此方法诊断结果和现场专家的诊断结果吻合,方法可信度高,具有良好的工程应用前景。