在连铸过程中，提高铸速可显著提升生产效率，这一直是钢铁企业的重要目标。然而，高铸速也伴随着更高的结晶器粉耗与热传导不均匀的问题，易导致板坯壳体变薄甚至发生漏钢事故。粘结漏钢是其中主要的事故类型，对连铸的稳定运行和操作人员的安全构成威胁。有效的粘结漏钢预测方法因此具有重要的生产价值。
目前的漏钢预测方法主要基于结晶器温度监测的逻辑判断和智能算法，如神经网络和支持向量机等。然而，由于单一预测模型在处理复杂连铸过程中的局限性，其预测准确度较低。为克服这一问题，多分类器组合模型逐步受到关注，但尚未在粘结漏钢预测中得到深入应用。
最近，东北电力大学的刘宇教授及其团队通过构建一种基于堆叠多分类器的识别模型，提出了粘结漏钢识别的新方法。该团队采集了粘结漏钢过程中的温度特征和温度速度，通过结合这些特征，开发了融合多种单一分类器的堆叠多分类器模型，并通过五折交叉验证优化模型性能。
相关研究成果以“Sticker breakout recognition based on temperature characteristics and stacking multi-classifier model”为题目发表于Ironmaking & Steelmaking 期刊2024年第51卷第7期。论文作者为：Yu Liu*, Zhixin Ma, Xudong Wang, Man Yao。
该论文的主要研究结果与结论如下：
所有61个实际粘结漏钢事件均被堆叠多分类器模型准确识别，预测准确率达到98.3%。
与决策树（96.0%）、支持向量分类（91.6%）、k-近邻（91.6%）和逻辑回归（85.4%）相比，堆叠多分类器表现最佳，具有更高的预测准确性。
ROC曲线结果表明，堆叠多分类器不仅能准确识别粘结漏钢事件，还显著降低了误报率，展示出较强的适应性和推广能力。
本研究证明了温度上升幅度、标准差等温度特征及温度速度差异对粘结漏钢识别的重要作用，为连铸过程提供了有效的事故预警手段。
论文中的主要图片和表格如下：
图1. 热电偶布置示意图
图2. 粘结漏钢过程中的第一排和第二排热电偶温度
图3. 粘结漏钢过程中的第一排和第二排热电偶温度速度
图4. 粘结漏钢过程中的温度速度差异
图5. 堆叠多分类器模型流程图
图6. 堆叠多分类器的五折交叉验证流程图
图7. 基于初始和最优超参数的堆叠多分类器预测结果
图8. 堆叠多分类器与四种单一分类器的准确率
图9. 堆叠多分类器和其他单一分类器的混淆矩阵
图10. 堆叠多分类器和四种单一分类器的ROC曲线
表1. 弧形连铸机参数
表2. 粘结漏钢的温度特征和温度速度
如果您需要论文原文，请在本页最下方留言“2411”。您想看哪方面的文献资料，也请给小编留言。
欢迎“点赞、在看”！
点击下方“#连续铸钢”，然后“订阅”该合集，系统将更精准地向您推送相关资讯。
