随着现代工业的发展,各行业对板带材的需求量不断增加,同时也对板带质量提出了更高的要求,轧机振动不仅造成板带厚度波动、轧辊和轧件表面振痕,而且限制了轧制速度,大大降低生产效率,振动剧烈时还容易造成堆钢断带等运行事故,严重威胁轧机设备安全,已经成为一个急需解决的钢铁行业难题。以往对轧机振动的研究主要集中在机理分析、控制预防和振动信号处理等方面,而对包含大量设备运行状态信息的过程监测数据(PDA数据)关注较少。工业4.0时代,通过对工业数据的分析和挖掘,实现生产过程的智能化,是未来生产制造的发展方向。本文将数据挖掘技术应用于轧机振动的研究中,通过对轧机运行过程监测数据(PDA数据)进行分析和挖掘,实现基于数据驱动的轧机振动预测。首先根据轧机PDA数据非线性、强耦合的特点,对两种应用较广泛的数据挖掘算法:BP神经网络和支持向量机(SVM)进行深入的分析研究,针对BP神经网络泛化能力弱的缺点,引入AdaBoost算法,对BP神经网络进行集成,提高BP神经网络算法的预测精度,建立基于BP-AdaBoost强预测器轧机振动预测模型,针对支持向量机(SVM)算法中松弛系数和惩罚因子两个关键参数选择困难的特点,引入粒子群算法(PSO)对两个参数进行优化选择,建立基于PSO-SVM算法的轧机振动预测模型。其次利用现场测试数据对两种轧机振动预测模型进行验证。结果表明:两种算法都能够实现轧机振动预测,PSO-SVM算法预测精度明显优于BP-AdaBoost算法;同时利用PSO-SVM轧机振动预测模型定量分析了工艺参数变化对振动强度的影响,对影响较大的参数进行优化,明显降低了振动现象的发生。