漏钢事故是连铸过程中最典型的事故,它损坏设备,降低作业率,破坏生产组织的均衡。为了避免或减少漏钢事故的发生,国际上目前主要的研究方向有两个,漏钢机理的研究和漏钢预报技术的研究。论文首先阐述了连铸粘结性漏钢事故的产生机理,并由此引出进行漏钢预报的必要性。国内外漏钢预报系统的研究现状表明,神经网络漏钢预报系统替代早期的逻辑判断系统已成为一种趋势。作者对热电偶检测漏钢预报方法、预报原理进行了深入研究,粘结性漏钢预报的过程实际是运用神经网络对结晶器上热电偶检测的温度波形进行模式识别的过程——识别具有漏钢征兆的波形。为了提高漏钢预报系统波形模式识别的精确性,作者对传统神经网络进行了研究,提出了量子小波神经网络模型,实验证明该模型在模式识别方面有很大优势。量子小波神经网络模型的隐层量子神经元采用小波基函数的线性叠加作为激励函数,这样的隐层神经元既能表示更多的状态和量级,又能提高网络收敛精度和速度。它能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性。同时论文给出了量子小波神经网络的学习算法。本课题在研究的过程中主要取得了如下成果:1.在研究了量子神经网络和小波神经网络的基础上,提出了在模式识别方面比较有效的量子小波神经网络模型及算法,并通过在传动装置齿轮故障模式识别和漏钢预报波形模式识别中的应用,验证了该算法的有效性。2.漏钢预报系统的研究中,结晶器热电偶采集的样本温度数据不能直接作为神经网络的输入数据,论文结合漏钢事件发生时,温度变化过程的特殊性,提出了一种应用于漏钢预报的温度数据预处理方法,该方法将温度数据压缩为[0,1]内的6类值。3.为了提高漏钢预报系统的精确性,神经网络的训练需要大量的样本温度数据,但由于连铸现场环境极其复杂,加之漏钢过后,对漏钢事件发生时的温度数据的保存不够,以致难以获取大量的样本数据。结合论文中提出数据预处理方法,针对漏钢温度样本数据不足的问题,提出了一种基于概率统计的温度数据样本集获取方法。4.研究了预报系统的单偶网络、多偶网络预报模型,用Matlab6.5编程训练了基于量子小波神经网络的漏钢预报系统,并在Windows的操作平台上,采用简单、实用、编程方便的Visual C++软件进行界面的设计,开发了基于量子小波神经网络的可视化漏钢预报系统。实验证明,采用基于量子小波神经网络实现的漏钢预报系统进行漏钢预报,能够提高预报精度。