连铸是钢铁工业生产过程中的重要环节,在连铸生产的浇注过程中,大包内的炉渣容易随钢液流入中间包,从而对生产效率和铸钢成品质量造成严重影响。因此,对钢包进行下渣检测是连铸生产的重要环节之一,它对改善铸钢质量、延长设备使用寿命等至关重要。针对目前的连铸钢包下渣预测方法造价高、识别准确性低的问题,根据钢包下渣时的状态特征,提出了一种结合深度学习理论的智能预测方法,开展了连铸钢包智能下渣预测系统的研究,完成的主要研究工作如下:1)基于浇注速率与钢包重量变化之间的动力学关系,建立下渣预测系统动力学模型,选取合适的数据模块对信号进行采集,利用Visual Basic编写钢包下渣预测软件平台。2)根据下渣过程的时序特性,采用LSTM与局部加权回归相结合的方法,进行下渣时刻的预测实验研究。将LSTM模型与ARIMA、RNN模型做对比实验,使用LSTM的下渣预测的准确性可以达到95%,在三种预测算法中准确性最高。结果表明深度学习方法在钢包下渣预测中具有实用价值。3)针对预测模型中存在的问题,结合下渣过程的采集数据特点,对LSTM模型进行了简化改进,提出了三种简化算法。对比标准LSTM与三种简化变体模型的测试结果,简化变体模型不仅减少了样本量的需求,提高了预测速率且保证了下渣预测的准确性。图28幅;表9个;参60篇。