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,高负荷浇铸引发的鼓肚、纵裂和漏钢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和高品质铸坯的需求,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。随着连铸的系统结构、仪器仪表和数据体量的快速增加,沿用传统方法监测生产过程已变得愈发困难,因此有必要引入基于机器学习（Machine Learning）的数据价值挖掘方法,为掌控复杂的连铸过程寻找适宜的应对策略和手段。本文以连铸生产过程的典型缺陷和异常为对象,综合运用降维、分类与聚类等机器学习方法,重点围绕鼓肚、纵裂和黏结漏钢的检测和预报方法进行研究,探索和构架针对特定异常的算法组合与实现方法,为提升连铸过程监控的智能化水平提供支持和参考。主要研究内容包括:（1）连铸坯鼓肚定位和变形量预测方法研究。运用希尔伯特-黄变换（Hilbert-Huang Transform,HHT）方法对结晶器液位信号的周期性波动规律和特征进行解析,分析了不同工况下液位信号分解结果及希尔伯特时频谱特征的差异。鼓肚发生时,液位信号波动分量的变化幅度是正常工况的5～6倍,希尔伯特幅值谱、能量谱和边际谱数值是正常工况的3～10倍。以此为基础,通过提取和匹配希尔伯特边际谱峰值频率、拉速和辊间距的对应关系,确定鼓肚的发生频率,同时利用分离出的鼓肚液位分量及其波动幅度,依据结晶器内液位波动的体积与液芯内腔容积变化的等量关系预测变形量,提出了基于希尔伯特-黄变换的铸坯鼓肚定位及变形量预测方法。通过对生产中多个鼓肚实例进行预测,鼓肚的发生频率在0.043 Hz～0.056 Hz,鼓肚液位分量的波动幅度为3.21 mm～5.85 mm,变形量在0.123 mm～0.201 mm,鼓肚变形随铸坯宽度和拉速的增加呈增大趋势。（2）连铸坯表面纵裂纹预测方法研究。针对表面纵裂纹形成与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17个相关特征,利用主元成分分析（Principal Component Analysis,PCA）将特征降至6维,去除特征间的冗余信息,压缩纵裂纹检测模型的输入参数。采用机器学习中的支持向量机（Support Vector Machine,SVM）分类算法,对降维后的纵裂和正常工况温度特征进行训练,得到了区分不同工况温度变化模式的分隔超平面及分类决策函数,在此基础上提出了基于主元成分分析和支持向量机的纵裂纹检测模型。对由50例纵裂和50例正常工况温度构成的样本集进行测试,模型的平均测试准确率为92%～96%,在准确率达到96%时纵裂纹样本被全部检出。（3）基于密度聚类的黏结漏钢预报方法研究。通过对黏结漏钢时序温度进行速率、差值和标准化处理,提取单偶温度“上升-下降”趋势和同列电偶温度的“时滞”和“倒置”特征,获得热电偶时序温度预处理样本。之后,采用动态时间规整（Dynamic Time Warping,DTW）度量时序温度样本间的距离,结合机器学习中的密度聚类（DBSCAN）算法,对温度样本集进行聚类,以识别不同工况下的时序温度,开发出基于动态时间规整和密度聚类的黏结漏钢预报模型。测试结果表明,黏结样本全部都被聚集为一个类簇,模型能够正确区分黏结和正常工况,初步证实了聚类方法应用于黏结漏钢预报的可行性。（4）基于K均值聚类的黏结漏钢预报方法研究。针对黏结漏钢纵向传播时同列热电偶、横向传播时邻列热电偶温度的联动变化和“V”型传播特征,提取了包括温度、温度速率与时滞等9个主要特征。运用包裹式特征选择（Wrapper Feature Selection）和皮尔逊相关性分析（Pearsoncorrelationcoefficient,PCC）方法,筛选了表征同列、邻列热电偶温度变化的4个典型特征,构造出典型特征向量（Typical Feature Vector,TFV）。之后,采用机器学习中的K均值聚类（K-Means）算法,对正常工况和黏结漏钢温度TFV进行聚类,得到黏结漏钢温度TFV集中分布的漏钢样本聚集区,在此基础上开发出基于特征选择和K均值聚类算法的黏结漏钢预报方法。利用某钢厂近三年的历史数据进行了测试和分析,模型对真黏结的报出率为100%,误报次数与国外某预报系统相比大幅降低,展现出良好的应用潜力。