1.研究背景

在连铸技术高效化、智能化的发展背景下，铸坯缺陷等问题层出不穷，迫切需要开发有效的连铸工艺优化方法，以实现连铸过程的智能控制和高效生产。连铸坯表面纵裂纹是常见的铸坯表面缺陷，通过合理控制和优化连铸工艺参数，降低纵裂纹发生风险，对于提高铸坯质量和铸机产量有着重要意义。纵裂的影响因素十分复杂，是涉及多因素的非线性问题。基于数据分析方法获得的工艺参数优化结果，多依赖于人工数据统计，优化结果可能存在人为的主观性与片面性，且存在优化效率较低和优化策略适应性不强等不足之处，亟待寻求智能化的连铸坯表面纵裂纹优化方法。

为此，这项研究设计了一种集成机器学习和改进粒子群算法的连铸坯表面纵裂纹工艺参数智能优化框架，以实现降低纵裂纹发生风险的目的。相关研究成果以“Intelligent Optimization Method to Reduce Longitudinal Cracks of Continuous Casting Slabs”为题目发表于Metallurgical and Materials Transactions B期刊2025年第56卷，文章通讯作者为王旭东教授，第一作者为博士生王齐灿。

论文链接：https://doi.org/10.1007/s11663-025-03575-y

2.铸坯纵裂纹智能优化框架

集成机器学习和改进粒子群算法的连铸坯表面纵裂纹工艺参数智能优化框架如图2所示，主要包括两个部分：基于机器学习构建纵裂纹预测模型和运用改进粒子群算法优化连铸工艺参数。在第一部分中，在钢厂浇铸历史数据基础上，利用相关性分析与层次聚类相结合的方法，对工艺参数进行选择与降维。然后，针对关键工艺参数，分别采用4种常用算法建立纵裂纹预测模型，通过对比4种模型的预测效果，确定最优的铸坯纵裂纹预测模型。在第二部分中，基于纵裂纹最优分类预测模型，提取模型对应的决策函数，定义纵裂纹非线性映射函数，评估纵裂纹的发生倾向。然后，将非线性映射函数作为改进粒子群算法适应度函数，通过适应度函数的最优解，最终完成对纵裂纹工艺参数的智能优化。

原文图2 铸坯表面纵裂纹智能优化框架

3.工艺参数选择与降维

实验基于弧型板坯连铸机，主要浇铸宽度1000~1600mm和厚度235mm规格的板坯。以实际生产中纵裂敏感性较高的中碳钢（C含量 0.16%~0.19%）为研究对象，从连铸坯表面纵裂纹形成的机理出发，选取了19个工艺参数作为纵裂的待优化参数。这些工艺参数都在不同程度上影响着结晶器内铸坯冷却的强度与均匀性。针对当前钢种和对应的保护渣类型，回溯钢厂历史数据，结合铸坯生产质量报表，构建包含正常工况及纵裂工况的历史样本数据库。样本数据库共采集到919块板坯的工艺信息，包含正常板坯815块，纵裂板坯104块。

连铸是复杂的工艺流程，工艺参数之间存在着耦合和相互作用，参数间的冗余信息将加重智能优化的负担，导致无法有效控制和优化工艺参数。针对工艺参数之间的相互作用，利Spearman相关系数量化19个工艺参数之间的相关关系。同时，为了更好地把握19个工艺参数之间的关系，采用凝聚型层次聚类可视化工艺参数的相关关系，如图4所示。相关性较强表明工艺参数之间存在交叉耦合，这将影响后续的工艺优化。因此，对相关性较强的工艺参数组合进行选择，只保留其中一个工艺参数，以此达到工艺参数选择与降维的目的。

原文图4 工艺参数选择与降维结果

4.机器学习预测模型构建

以降维后的11个工艺参数为输入，构建基于工艺参数的机器学习分类模型，以预测铸坯纵裂纹的发生情况。分别采用BP神经网络、支持向量机、随机森林、极限梯度提升树等算法建立纵裂纹预测模型，通过对比4种模型的预测效果，确定最优的铸坯纵裂纹预测模型。由建立的样本数据库可知，原始铸坯纵裂样本与正常样本之间的比例约为1:8，这种数据类别的极不平衡将会导致分类效果不理想，最终影响模型的预测效率和精度。为减少数据类别不平衡对训练结果的影响，对样本数据库进行随机欠采样处理。为此，保留所有的104例纵裂样本，以保证尽量不丢失原始数据集的重要信息，同时随机采样正常样本，控制纵裂样本与正常样本之间的比例为1:3，构建新的数据集，各特征在样本数据集中的分布情况如图5所示。

原文图5 各特征在样本数据集中的分布情况：(a) 过热度，(b) 液位波动最大值，(c) 水口浸入深度，(d) 铜板进水温度，(e) 板坯宽度，(f) 结晶器锥度，(g) 冷却水总水量，(h) 热流四面均值，(i) 外弧与内弧热流差值，(j) 右侧与左侧热流差值，(k) 窄面与宽面热流差值

利用相同测试集对构建的4种机器学习模型进行测试，通过对比4种机器学习分类模型的预测结果，以获得最优的纵裂纹预测模型。为更好地度量和比较4种分类模型的性能，分别计算各个模型在测试集的准确率和F1分数，结果如图7所示。4种模型的准确率取值范围为89.3%～94%，F1分数的取值范围为0.73～0.88，准确率和F1分数的排序均为BO-RF< BO-SVM< BO-BP< BO-XGB。对比4种分类模型的预测结果，发现BO-XGB模型在纵裂纹预测中表现出最优的性能，能够更好地预测纵裂纹的发生情况。

原文图7 各机器学习模型测试结果：(a) 准确率，(b) F1 分数

5.纵裂纹工艺参数智能优化

将最优纵裂纹预测模型BO-XGB的原始决策函数视为非线性映射函数，用于评估纵裂纹的发生倾向，绝对值越大的正决策值代表着纵裂倾向越大，绝对值越大的负决策值代表着正常工况的倾向越大。非线性映射函数的自变量为工艺参数数据样本，因变量为最优纵裂纹预测模型的决策值。通过引入混沌映射初始化、动态惯性权重调整和精英个体保存策略，对粒子群优化算法(PSO)进行改进，以提升PSO算法在高维度复杂问题上的收敛速度与全局搜索能力。利用改进粒子群算法搜寻纵裂纹非线性映射函数的最优解，经过改进PSO算法150次迭代，种群的最优个体适应度函数值基本稳定在-12.8，此时种群中500个粒子的适应度函数值区间为[-12.8, -9.8]。提取当前种群中500个粒子每个决策变量的取值区间，将其作为决策变量优化的建议区间。以浇铸典型板坯宽度1540mm为例，表4列出了此时各个工艺参数的具体优化情况。

原文表4. 典型板坯宽度1540 mm情况下的工艺参数控制策略

根据定义的纵裂纹非线性映射函数，通过输入某钢厂生产的中碳钢板坯工艺参数，计算了815块未发生纵裂板坯的适应度函数值。将这一结果与改进粒子群算法优化的最优种群适应度函数值分布情况进行对比，如图9(a)所示。对比结果显示，改进粒子群算法有效减小了非线性映射函数的适应度函数值，显著降低了纵裂纹发生倾向，验证了该优化方法的有效性。为进一步评估上述智能优化方法的有效性，将智能优化方法得到的工艺参数控制策略应用于某钢厂中碳钢板坯生产的实际连铸过程中，统计结果如图9(b)所示。工艺参数优化前，浇铸919块板坯，有104块板坯清检到纵裂纹，发生率为11.3%。按照表4所示工艺参数控制策略进行优化后，现场浇铸157块板坯，有2块板坯清检到纵裂纹，纵裂发生率为1.3%。工艺优化前后，纵裂发生率显著下降，连铸坯质量得到明显提升。

原文图9 工艺参数优化前后对比：(a) 适应度函数值, (b) 纵裂发生率

6.结论

该项研究设计了一种集成机器学习和改进粒子群算法的连铸坯表面纵裂纹智能工艺优化方法，为降低纵裂发生风险和改善铸坯质量提供参考和指导。通过相关性分析、层次聚类、极限梯度提升树模型相结合的方法，建立了最优纵裂纹分类预测模型。在此基础上，定义了能够评估纵裂纹发生倾向的纵裂纹非线性映射函数，并利用改进粒子群算法实现了对11个关键工艺参数的智能优化。通过对比优化前后效果，改进粒子群算法将非线性映射函数的平均适应度值由-3.6降至-12.5，有效减小了适应度函数值，显著降低了纵裂纹发生倾向。经过连铸现场实验，结果表明，通过本文所提出的连铸工艺参数智能优化方法，可将纵裂发生概率由11.3%降至1.3%，有效降低了铸坯表面纵裂纹发生风险，显著改善了铸坯表面质量。