随着计算机软硬件高速发展,目前在商业、物流运输等领域大数据技术得到广泛应用,并取得显著成效。而工业生产中通过传感器所采集数据能够反映设备多种状态信息,其数据量远高于其它领域,由于其复杂性,完全依赖人工并没有充分有效挖掘其内在价值。本课题以某厂二次冷轧机组生产过程所采集的海量数据为研究对象,通过机器学习的方法实现板带轧机大数据分析。首先介绍了研究的二次冷轧机组,数据对象来源形式,主要是轧机PDA（Process Data Acquisition）数据,轧制规程信息和轧机报表数据等。为实现高效的对轧机某一工况数据分析,将轧机的生产过程细化为:穿带、加速、恒速、减速、停机五种工况,以组合信号时频图作为样本,应用卷积神经网络（CNN）对其进行工况识别。其次通过数据可视化方式对轧机生产过程数据进行小波时频变换,直观了解不同工况下信号变化情况。为衡量轧制过程数据间相关关系,针对传统相关系数方法在非周期时序数据分析上的不足,提出以最大互信息系数来计算冷轧机组各机架间不同工况下轧制力、张力、弯辊力等两两信号相关关系,对轧制力逐步回归分析,得到多信号耦合情况下影响轧制力的关键因素。最后针对每卷带钢仅在所设测点测定相应变形抗力值,难以把握整卷带钢变形抗力分布问题,对其值进行预测研究。结合现场实测数据计算出摩擦系数,以轧制力公式逆算方法得到变形抗力理论值,将理论值与实测值的误差作为预测目标,通过两层前馈神经网络对带钢变形抗力进行预测,与直接以变形抗力实测值作为神经网络预测目标相比,提高了预测精度。带钢变形抗力反映其物理特性,可作为带钢质量评价指标,结合轧机生产数据与预测的变形抗力值对带钢质量进行模糊评价。