随着我国钢铁自动化技术的迅速发展,人们对轧制过程的可靠性与安全性的要求越来越高,对产品质量的要求越来越严格,对轧制过程进行故障诊断已经成为过程自动化领域的重要研究方向之一。在实际的轧制生产线中,各设备所处的生产环境恶劣,故障机理复杂多样,单一传感器获得的故障特征参数往往是模糊的、不确定的,有时甚至是错误的。因此,需要综合利用多源故障信息,才能实现对轧制过程全面而准确的故障诊断。本文采用信息融合方法,重点对精轧机组的活套系统、监控AGC和动态轧制温度控制系统的故障诊断进行研究。通过组建有效的传感器网络,综合利用活套角度、轧制力等故障过程变量,结合轧制过程的故障特点设计了一个三级信息融合故障诊断系统。数据层提取了能够表征轧制过程故障特征信息的咬钢时段的故障数据,并进行了归一化处理；特征层通过构建4个并行的自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System, ANFIS)融合诊断中心进行局部诊断；决策层利用改进的D-S证据理论将各融合诊断中心的局部诊断结果进行决策融合,最终实现了准确的故障诊断。在特征层局部诊断中,针对典型的前馈型自适应模糊神经网络ANFIS中使用的误差反向传播(Error Back Propagation, BP)算法收敛速度慢、易陷入局部极值的缺点,本文采用F-R共轭梯度法对其进行了改进,并通过仿真分析验证了改进后的ANFIS的训练收敛速度更快,精度更高。在决策层融合诊断中,针对D-S证据理论不能有效处理高度冲突证据这一问题,本文在分析了现有改进算法的基础上,从证据源本身着手,依据少数服从多数的决策思想,提出了一种新的基于证据权重的D-S改进算法。算例仿真表明该方法能高效地融合冲突证据,且与其它改进算法相比,该方法的收敛速度更快,证据组合结果更理想。