随着当前钢铁生产自动化技术的迅速发展,日渐复杂的轧制过程容易出现重大的安全事故。为了保障生产进程可以连续稳定的运行,及时预警故障并确定故障类型显得格外重要。由于带钢过程运行产生数据量大,故障发生时依赖于主观经验,特别是面临大规模数据分析时,并不能高效精确处理。因此提出了基于神经网络的轧制过程故障诊断方法,以完成对复杂设备的高效、准确的诊断。提取热轧精轧部分轧制力、弯辊力等21个变量的信息,针对数据噪声信号大,使用小波包对轧制过程数据进行处理,经过小波包分解、对小波分解系数进行阈值处理和小波包重构得到去噪数据。针对轧制过程数据量大,变量种类多,使用主成分分析对数据进行处理,去除主成分贡献率低于92%的主成分,最终将21维变量降至6维轧制特征主成分。仿真结果表明,处理后轧制数据的噪声信号明显降低,并且轧制特征主成分保留了原始数据的95%信息,可以提高轧制过程网络的训练速度。针对轧制过程故障诊断效率低,处理速度慢,不能及时找到故障原因,提出了主成分分析（PCA）和长短时记忆神经网络（LSTM）的轧制过程诊断模型。采用轧制特征主成分对PCA-LSTM诊断模型进行训练,以故障类别为输出构建诊断模型。结果表明,与BP、PCA-BP、LSTM诊断模型相比,PCA-LSTM诊断模型迭代次数大大减少,网络训练速度更快,且诊断误差低于1%,诊断效果最佳。针对带钢热轧过程复杂,故障点不易快速排查,提出了基于神经网络线性回归的轧制过程溯源方法。使用最小二乘法寻找最优网络参数,通过对比实际输出和网络输出的相对误差,确定轧制数据中的异常点坐标,快速锁定故障点。通过仿真表明,该方法可以实现轧制过程溯源,正确率达到99%,具有工艺实用性。图30幅;表13个;参52篇。