连铸是钢铁生产的重要环节，其工艺参数直接影响铸坯质量和企业经济效益。然而，连铸生产中涉及复杂的非线性传热与传质过程，传统的数值模拟和实验室试验优化方法效率低，难以满足现代钢铁企业高效生产的需求。
目前，连铸生产的优化方法多依赖传统的物理模型，这些方法无法处理多变量的非线性耦合关系。此外，由于数据工程能力不足，企业难以有效利用生产数据，导致资源浪费。
最近，中南大学的周乐君教授及其团队通过系统分析机器学习在连铸工艺中的应用研究，总结了机器学习在异常预测、质量检测和工艺优化领域的最新进展。他们提出了基于机器学习的智能化生产框架，从而显著提高了铸坯质量和生产效率。研究工作还重点探讨了如何结合物理模型与机器学习方法，创建混合预测框架以提升模型的可靠性和泛化能力。
相关研究成果以“机器学习在连铸过程应用研究进展”为题目发表于《中国冶金》2024年第34卷第11期，论文作者为：周乐君，王万林，计熠*，陈佳希。
研究结果与结论:
机器学习方法可显著提高连铸异常事件的预测精度，包括黏结漏钢、水口堵塞和液面波动等关键问题。
使用视觉检测与工艺参数预测相结合的策略，解决了人工检测效率低、主观性强的问题。
提出通过结合机器学习与物理模型的混合框架，使得模型在连铸异常预报、铸坯缺陷检测及工艺优化中表现出更高的稳定性和灵活性。
数据驱动的优化策略显著提升了连铸工艺参数调整的效率，并降低了生产过程中的不确定性。
该论文中共有图片4张，部分图片如下：
图1. 基于黏结区域几何特点与传播特点的特征提取
图2. 钢种的堵塞指数可视化
图3. 基于结晶器液面波动时间序列的预测方法
图４. 图片采集和预处理环节中采用的手段
图5. 基于YOLOv5-SFA算法用于铸坯角部裂纹的快速检测流程
如果您需要论文原文，请在本页最下方留言“2501”。您想看哪方面的文献资料，也请给小编留言。
您可以点击下方“#连续铸钢”，然后“订阅”该合集，系统将更精准地向您推荐相关资讯。
欢迎投稿，欢迎“点赞、在看”！
