Page 51 - 国外钢铁技术信息内参（2022年8月）

ᇏݓࣁඋ࿐߶

SEN 以免浇铸中断并将质量问题降至最低。如果出现严重堵塞则可能需要中断

浇铸，不仅会导致长时间停机，还会对产品质量造成负面影响。因此，开发一款

能够有效监测铝镇静钢连铸过程中塞棒行为的预测模型至关重要。

铝酸盐的不断沉积是复杂的流体动力学和热质传递的结果。因此，很难定义

单一参数对堵塞的影响。为了有效监测和减少/防止 SEN 堵塞，必须通过多个工

艺参数明确量化堵塞严重程度。以往许多研究人员已经对水口堵塞做过量化研究，
ᇏݓࣁඋ࿐߶
McKague 和 Kemeny 曾提出一项与塞棒动作相关的堵塞指数，将堵塞程度定义为

塞棒位置提升量与塞棒位置下降量之比。但是，该研究无法根据所记录的塞棒动 ᇏݓࣁඋ࿐߶

作对由操作参数和由堵塞堆积所引起的塞棒位置变化进行区分，因此，该堵塞指

数在预测连铸夹杂物堆积方面作用有限。Girase 则提出可以将实际/理论浇铸速

度与零堵塞堆积之比作为堵塞程度指数。以往的研究证明，可以通过中间包几何

形状、中间包重量和浇铸速度有效量化堵塞程度。最后，Rajendra 提出将中间包

中塞棒的理论/实际提升量与最大开口度之比作为堵塞指数。在本文研究中，将

利用 Girase 和 Rajendra 提出的堵塞指数对堵塞累积程度进行量化。
ᇏݓࣁඋ࿐߶
为了通过上述指数预测堵塞发生率，本文在模型开发时引入了机器学习法。

由于具有超强的学习能力，机器学习已经在炼钢工艺中得到广泛应用。Ma 等人

已经构建出能够成功预测炉渣硫化物容量的人工神经网络；高、沈等人开发的双
ᇏݓࣁඋ࿐߶
支持向量回归机则能高精度、稳定预测终点碳与终点温度。目前，大量研究已经

开发出用于各种目的的静态机器学习模型。长短期记忆（LSTM，一种时间序列

模型）在连铸中的应用属于新领域。本文的目的是对利用 LSTM 预测连铸堵塞

指数变化的可行性进行研究和评估。

2. 方法

(1) 堵塞指数的计算

堵塞指数是沉积物堆积程度量化的必要条件，通过量化可以有效监测堆积程

度，有利于采取改善措施避免潜在堵塞。所以，需能通过该指数对由于操作参数
ᇏݓࣁඋ࿐߶
（如浇铸速度）变化所引起的堵塞和结晶器变化进行区分。本研究通过三种不同

堵塞指数监测 SEN 的沉积物堆积情况。

CSM 中国金属学会 CMISI 冶金工业信息标准研究院
48