连铸生产过程中,漏钢是最具危害性的生产事故,对作业的稳定性、产品的质量及设备的寿命等都有不良影响,严重制约了连铸的高效化生产,其中结晶器内黏结漏钢是造成漏钢的主要原因。目前,绝大部分漏钢预报系统都是在热电偶测温法的基础上利用逻辑判断模型或神经网络模型来对漏钢进行预报,但逻辑判断模型预报效果不是很理想,因此基于神经网络的漏钢预报模型成为近年来的主要研究方向。本文以国内某钢厂技术创新项目《高拉速连铸机结晶器技术集成研究开发》为依托,对其中漏钢和铸坯黏结预报尤其是漏钢预报系统的核心预报模型进行了深入研究,主要内容及获得结果如下：(1)结合连铸漏钢预报的总体流程,提出了有效的数据预处理方案,从而较好地区分了稳定的和具有漏钢特征的温度序列,并最大限度地反映了温度波形的特征。(2)贴近度属于模糊模式识别的范畴,通过将其引入FCM和Conditional FCM模糊聚类算法,实现了对上述算法中度量方式的优化,提出了基于贴近度的改进FCM和Conditional FCM算法,从而获得了更满意的聚类效果和模型预报精度。(3)通过将基于贴近度的改进FCM和Conditional FCM算法分别引入到两阶段的训练过程中以初步确定聚类中心和对聚类中心作进一步调整,有效地优化了学习算法,建立了基于改进模糊RBF神经网络的漏钢预报模型,从而获得了更好的辨识效果和更满意的预报性能。(4)通过对仿真测试结果的分析,发现误报警主要发生在连铸开浇和快换中间包后升拉速的过程中,其原因可能是上述过程中结晶器内的温度变化行为与黏结漏钢过程相似,从而对模型的预报产生了干扰。(5)结合国内某钢厂连铸现场采集的历史数据,将模糊RBF网络和本研究建立的改进网络模型应用于漏钢预报的过程中。仿真测试结果表明,改进网络模型能更准确地对黏结漏钢过程中典型温度模式1和2进行辨识,对两者的预报率分别达到94.9%和98.3%,报出率都为100%,其预报性能更好、能更有效地预测拉漏事故。