研究以建立能反映一般轧机主传动系统接轴扭振状态的神经网络模型为目的，从而精细辨识轧机接轴在典型工况载荷下发生的扭振状态，进而识别扭振信号所携带的本源振动特征，为故障诊断和监测控制提供精确的输入。在对国内外研究现状进行深入分析的基础上，本课题开展了以下研究工作： 首先论文介绍了激光多普勒扭振传感器的基本测量原理，并对通过激光多普勒扭振传感器测得的轧机接轴的稳态扭振信号和瞬态扭振信号进行了分析。 其次针对轧机接轴的扭振信号的特点构造了一种新的适合于轧机接轴扭振状态辨识的混合递阶遗传算法优化小波神经网络模型，并通过对这种神经网络模型的优化仿真，证明了该法在解决多输入多输出的非线性逼近及缓解多输入多输出的“维数灾”问题上的有效性。 最后把经过有效处理的实际轧钢现场测试数据输入构造的混合递阶遗传小波神经网络扭振状态识别模型，对网络模型进行训练，使智能识别模型具有监控知识的自动获取和对工况变化的自适应能力，从而实现现代高速轧制条件下轧机主传动系统不同工况条件下的扭振状态的学习和自适应判断，结果验证了该辨识模型的可靠性。