高拉速连铸技术发展过程中,高的通钢量造成结晶器热负荷显著增加,高负荷浇铸引发的漏钢和纵裂等各类缺陷和异常层出不穷,成为影响连铸顺行和铸坯质量的瓶颈性因素。高效连铸技术的发展对铸坯质量和过程控制提出了更高的要求,迫切需要发展与之相适应的检测技术和集成装备。近些年,连铸过程的系统规模随检测技术的发展迅速膨胀,运用传统方法对缺陷和异常进行监控变得愈发困难,因此,有必要将适用于海量数据的机器学习（Machine Learning）和价值挖掘方法引入连铸过程,为掌控复杂的连铸过程寻找适宜的应对策略和手段。本文基于国内某钢厂连铸生产过程中实测的数据和过程参数,以黏结漏钢和铸坯表面纵裂纹为对象,综合运用聚类、降维及分类等机器学习方法,围绕黏结漏钢和纵裂的检测和预报方法进行研究,探索和构建针对特定缺陷的算法组合与实现方法,为开发连铸过程检测技术的开发和应用提供参考。主要研究内容包括:（1）基于实测的漏钢及纵裂纹影响因素分析。基于国内某钢厂弧形板坯连铸机的生产浇铸数据,对黏结漏钢、结晶器铜板热电偶温度以及浇铸工艺进行统计和分析,考察板坯黏结时工艺因素的变化特征,从铸坯尺寸、拉速、结晶器摩擦力以及热流等方面分析影响黏结漏钢的主要因素。此外,调查和分析铸坯表面纵裂纹记录,结合实测的结晶器铜板热电偶温度检测数据,重点考察纵裂发生及其扩展时热电偶温度典型变化趋势和特征,为铸坯黏结漏钢和表面纵裂纹的预报方法开发提供基础。（2）基于层次聚类的黏结漏钢预报方法研究。黏结漏钢发生时结晶器内摩擦力通常都能够做出及时反映,提取了包括结晶器摩擦压力均值、摩擦拉力均值、摩擦压力最大值、摩擦拉力最大值4个主要特征,运用机器学习中的层次聚类（Hierarchical Clustering）方法,对正常工况和黏结漏钢样本进行识别,在此基础上开发出基于层次聚类的黏结漏钢预报方法。利用生产过程中检测的摩擦力数据对模型进行训练和测试,模型对黏结识别的准确率为100%,证实了结晶器摩擦力应用于黏结漏钢预报的可行性。（3）基于随机森林和K均值聚类的铸坯表面纵裂纹预报方法研究。针对铸坯表面纵裂纹形成和扩展过程中的一维传播特性,梳理和提取了描述纵裂纹温度“下降-回升”变化趋势的16维特征,通过随机森林特征重要度计算及特征相关性分析,将特征降至6维,去除特征间的冗余信息,减小纵裂纹检测模型输入的数据体量。采用机器学习中的K均值聚类算法,对降维后的纵裂和正常工况温度特征进行训练,计算样本与类簇质心间的欧氏距离,在此基础上提出了基于随机森林和K均值聚类的纵裂纹检测模型。对由20例纵裂和20例正常工况构成的样本集进行测试,模型对于纵裂识别的准确率为100%,为铸坯表面纵裂预报方法开发提供了新的思路。