带钢轧机是冶金工业的重要设备,在生产运行过程中易于发生异常振动现象。异常振动的产生往往会导致机械设备零部件的损伤,甚至停工停产影响生产效益。因此找到一种切实可行的轧机异常振动诊断方法显得尤为重要。本文针对带钢轧机机组异常振动的振动程度、振动类型诊断分类问题,提出了三种新的基于信息融合智能诊断监测方法,从决策层进行融合诊断,并在轧机实验平台设计实验,采集轧机机架不同位置振动信号进行诊断监测,验证了所提方法的可行性。首先,介绍了信息融合技术的基本原理、模型。同时介绍了三种本文所采用的诊断算法,分别为贝叶斯网络、D-S证据理论和概率神经网络,并对这三种算法的理论知识与结构模型进行介绍。其次,针对变工况下轧机异常振动难以准确监测问题,提出了一种基于动态贝叶斯网络和D-S证据理论的轧机振动监测方法。该方法预选多个时域和频域的特征参数表征轧机不同工况下振动信号的不同特征,利用稳定判别率方法筛选敏感度高的特征参数;之后,利用动态贝叶斯网络与D-S证据理论建立轧机振动状态监测系统,此外,将3个连续的速度载荷时间片作为D-S证据理论的证据体,同时运用所提信任度算法优化证据体;最后在轧机实验平台设计实验,检验了该方法的有效性。然后,针对当振动信号包含噪声时所导致难以对轧机振动类型监测问题,提出了一种基于鲁棒概率主成分分析和动态贝叶斯网络的轧机振动类型监测方法。该方法采用鲁棒概率主成分分析方法对从加速度信号提取的时域、频域特征参数进行预处理,以减少噪声及特征参数异常值对诊断分类结果的影响;之后将构成的特征向量输入到动态贝叶斯监测模型中进行动态监测;最后在轧机实验平台进行实验,验证了该方法的可行性。最后,针对单一传感器可能存在的损坏及包含的信息不能全面的反映轧机振动类型状态问题,提出了一种基于多传感器信息融合诊断模型,用于对轧机振动类型进行诊断分类。首先,采用集成经验模态分解方法对多个传感器采集的加速度信号进行重构,并将改进样本熵、相关系数作为重构指标;之后,提取重构信号的特征参数输入到概率神经网络;然后,将概率神经网络累加层输出结果作为D-S证据理论的证据体进行融合诊断;最后在轧机实验平台进行实验,验证了该方法的有效性。