随着板带材在高新工程领域的应用,对板带材产品质量要求也日益提高,这就要求生产板带材的关键设备轧机能有较高的运行稳定性。轧机振动是轧机运行不平稳的最直观表现,会导致板带表面产生振纹,严重时产生堆钢、轧辊爆辊等现象,降低轧制产品质量稳定性和生产效率。因此对于轧机振动的研究具有重要意义。传统的轧制工艺优化方法一般基于最小能耗,而没有考虑轧机运行稳定性的影响。本文综合考虑轧制过程力能参数与轧机系统振动机理之间的复杂关系,针对某厂1580mm热连轧机组F2轧机设备状态与轧制工艺匹配度较低的问题,对F2轧机进行了多测点振动测试及工艺参数采集,并对关键工艺参数进行了优化。具体研究内容如下:首先,以该厂1580mm热连轧机组F2轧机为研究对象,课题组采集了轧机传动系统、机架、轴承座等位置振动数据,提取了与之实时匹配的工艺参数数据。本文选择F2轧机振动较为明显的一道次数据进行分析。为提高优化模型的准确性,将工艺参数数据与振动数据集成后进行异常值处理、聚类处理和归一化处理。其次,分别基于BP神经网络、RBF神经网络、Kriging模型建立轧机关键工艺参数与振动数据的关系模型,通过比较各模型的预测性能发现RBF预测模型和Kriging预测模型准确性相对BP预测模型较高,但预测精度仍然较低。因此,提出基于差分进化算法的RBF-Kriging集成模型,预测效果较为理想。将RBF-Kriging集成模型作为适应度函数,以该轧机3个测点振动值为优化目标,采用NSGAⅢ算法对3个振动目标进行优化,得到Pareto最优解集,并在此基础上以三个优化目标的振动值之和最小为衡量标准,得到一组解作为最佳工艺参数。最后,考虑到优化后的新工艺无法在1580mm热连轧机组F2轧机的实际生产过程中进行调试验证,同时也很难找到生产能力可与其匹配的中式平台测试新工艺。本文基于四辊轧机系统动力学机理,通过建立板带轧机多体系统耦合动力学仿真模型,对优化前后的工艺参数进行了仿真对比。结果表明,优化后工艺参数能有效的降低轧机的振动。本文结合机器学习相关理论对轧机运行过程关键工艺参数与振动数据进行数据挖掘,提出基于轧机振动的轧制过程工艺参数深度优化方法,并对优化结果进行了仿真验证。为板带轧机工艺参数深度优化提供了理论指导。