连铸质量判定方法及装置、计算机可读存储介质、终端与流程

1.本发明涉及工业连铸技术领域，尤其涉及一种连铸质量判定方法及装置、计算机可读存储介质、终端。


背景技术：

2.连铸，即连续铸钢(continuous steel casting)的简称。在钢铁厂生产各类钢铁产品过程中，使钢水凝固成型通常有两种方法：传统的模铸法和连铸法。与传统的模铸方法相比，连铸技术具有大幅提高金属收得率和铸坯质量，以及节约能源等显著优势。连铸工艺流程主要包括：将装有精炼好钢水的钢包运至回转台，回转台转动到浇注位置后，将钢水注入中间包；中间包再由水口将钢水分配到各个结晶器中去；结晶器使钢水迅速凝固结晶成铸件；然后拉矫机与结晶振动装置共同作用，将结晶器内的铸件拉出，经冷却、电磁搅拌后，切割成一定长度的板坯。
3.上述工艺流程中的各道工序均可能对最终输出的成品质量产生影响。因此，通过对连铸工艺流程的连铸质量进行准确判定，有助于监控各个工艺段中的工艺参数是否设置合理。对不适当的工艺参数进行及时调整，可以有效提高输出的成品质量。
4.现有技术中，对连铸工艺流程的输出的板坯的质量进行有效判定仍然是一个较为复杂问题。已有方法中，通常依赖于人工现场勘查的方式进行质量分析与判定，成本较高且准确度不足。或者，通过获取特定工艺段的工艺参数，对该特定工艺段的可能出现的问题或缺陷进行检测或分析。这种方法未考虑全局的工艺流程，也难以准确判定最终成品的质量。或者，在连铸板坯切割完成之后，再启动连铸板坯质量判定模型，根据实际搜集的连铸浇铸过程中的异常信息，对连铸板坯质量进行判定。一方面，这种方法采用的模型较为单一；另一方面，异常分析及异常信息获取存在一定的滞后性，且异常信息可能本身不够完整或准确，因此也会影响最终判定结果的准确度和可靠度。


技术实现要素：

5.本发明实施例解决的技术问题是如何提高连铸质量判定结果的准确度。
6.为解决上述技术问题，本发明实施例提供一种连铸质量判定方法，包括以下步骤：确定多个连铸工艺段，所述连铸工艺段是对连铸工艺流程进行划分得到的；对于每个连铸工艺段，将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型，得到第一结果，其中，每个连铸工艺段具有各自的第一工艺参数集合以及对应的质量判定机理模型；将第二工艺参数集合中各个工艺参数的参数值输入质量判定神经网络模型，得到第二结果，其中，所述质量判定神经网络模型是采用所述第二工艺参数集合中各个工艺参数的历史参数值对预设的神经网络模型进行训练得到的；采用预设的权重值，对各个连铸工艺段得到的所述第一结果进行加权运算，得到加权运算结果；基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果；其中，所述第一工艺参数集合中的工艺参数选自所属连铸工艺段的工艺参数，所述第二工艺参数集合中的工
艺参数选自至少一部分连铸工艺段的工艺参数。
7.可选的，所述第二工艺参数集合满足以下任一项：所述第二工艺参数集合中的全部工艺参数选自所有第一工艺参数集合的并集；所述第二工艺参数集合中的至少一部分工艺参数与所有第一工艺参数集合的并集中的工艺参数不同。
8.可选的，所述连铸工艺段包括：钢包钢水工艺段、中间包工艺段、结晶器工艺段、二冷配水工艺段以及连铸板坯切割工艺段、成品输出工艺段。
9.可选的，在将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型之前，所述方法还包括：采用该连铸工艺段的第一工艺参数集合中的各个工艺参数，构建对应的质量判定机理模型；其中，每个连铸工艺段具有一个或多个质量判定机理模型，属于该连铸工艺段的第一工艺参数集合与质量判定机理模型一一对应。
10.可选的，所述连铸工艺段为钢包钢水工艺段，对应的质量判定机理模型为大包钢水重量变化模型，所述第一结果为大包内钢水的重量变化量；所述第一工艺参数集合中的工艺参数包括：大包内钢水的初始重量、大包内钢水的当前输出重量、中间包内钢水的当前输出重量以及大包内钢水注入中间包的钢水重量；所述大包钢水重量变化模型采用下述公式表示：
[0011][0012]
其中，δm
ld
表示大包内钢水的重量变化量，m
ld
表示大包内钢水的初始重量，m
ldout
表示大包内钢水的当前输出重量，m
tdfull
表示中间包内钢水的当前输出重量，m
cast
表示大包内钢水注入中间包的钢水重量。
[0013]
可选的，所述连铸工艺段为钢包钢水工艺段，对应的质量判定机理模型为大包钢水温度变化模型，所述第一结果为大包内钢水的温度变化量；所述第一工艺参数集合中工艺参数包括：大包内钢水的初始重量、钢包钢水比重、大包内钢水的温度、大包内钢水的重量变化量、大包内钢水的当前输出温度变化量、大包内钢水的当前输出温度、大包内钢水的当前输出重量以及大包的总数量；所述大包钢水温度变化模型采用下述公式表示：
[0014][0015]
其中，m
ld
表示大包内钢水的初始重量，c
p
表示钢包钢水比重，t
ld
表示大包内钢水的温度，dτ表示大包内钢水的重量变化量，dt
ld
表示大包内钢水的温度变化量，t
ldout
表示大包内钢水的当前输出温度，m
ldout
表示大包内钢水的当前输出重量，q表示温度变化系数，ai表示第i个大包内钢水的当前输出温度变化量，表示所有大包内钢水的温度变化量之和，n表示大包的总数量。
[0016]
可选的，所述连铸工艺段为中间包钢水工艺段，对应的质量判定机理模型为中间包钢水重量变化模型，所述第一结果为中间包内钢水的重量变化量；所述第一工艺参数集合中的工艺参数包括：中间包内钢水的初始重量、中间包内钢水的当前输出重量以及大包内钢水注入中间包的钢水重量；
[0017]
所述中间包钢水重量变化模型采用下述公式表示：
[0018][0019]
其中，δm
td
表示中间包内钢水的重量变化量，m
td
表示中间包内钢水的初始重量m
tdfull
表示中间包内钢水的当前输出重量，m
cast
表示大包内钢水注入中间包的钢水重量。
[0020]
可选的，所述连铸工艺段为结晶器工艺段，对应的质量判定机理模型为凝固传热数学模型，所述第一结果为铸坯的温度；所述第一工艺参数集合中的工艺参数包括：凝固传热横向位移、凝固传热纵向位移、凝固传热垂直方向位移、钢水凝固时间、钢水的密度、钢包钢水比重；所述凝固传热数学模型采用下述公式表示：
[0021][0022][0023]
其中，表示偏微分运算，x表示凝固传热横向位移，y表示凝固传热纵向位移，z表示凝固传热垂直方向位移，t表示钢水凝固时间，lambda表示无名函数，t表示铸坯的温度，ρ表示钢水的密度，c
p
表示钢包钢水比重，u表示凝固传热位移系数。
[0024]
可选的，所述连铸工艺段为二冷配水工艺段，对应的质量判定机理模型为动态二冷配水模型，所述第一结果为二冷水的配水量；所述第一工艺参数集合中的工艺参数包括：二冷水的配水体积的平均值、二冷水的配水比、计算温度值以及目标温度值；所述动态二冷配水模型采用下述公式表示：
[0025][0026]
q'＝k2
×vcal
；
[0027]
δt＝t
cal-t
aim
；
[0028]
δq＝k3
×
δt；
[0029]
q＝q'+δq；
[0030]
其中，k1表示二冷水的第一配水系数，表示二冷水的配水体积的平均值，表示二冷水的配水比，q'表示二冷水的配水量计算值，v
cal
表示二冷水的配水体积计算值，k2表示二冷水的第二配水系数，t
cal
表示计算温度值，t
aim
表示目标温度值，δt表示目标温度值和计算温度值的差值，k3表示二冷水的第三配水系数，δq表示二冷水的配水量变化量，q表示二冷水的配水量。
[0031]
可选的，所述连铸工艺段为二冷配水工艺段，对应的质量判定机理模型为坯壳厚度计算模型，所述第一结果为坯壳厚度；所述第一工艺参数集合中的工艺参数包括：拉速和时间；所述坯壳厚度计算模型采用下述公式表示：
[0032][0033]
其中，σ表示坯壳厚度，k1表示坯壳厚度计算系数，t表示钢水凝固时间，v表示拉速。
[0034]
可选的，所述连铸工艺段为连铸板坯切割工艺段，对应的质量判定机理模型为拉
速计算模型，所述第一结果为拉速；所述第一工艺参数集合中的工艺参数包括：拉速、铸坯横断面周长以及铸坯横断面面积；所述拉速计算模型采用下述公式表示：
[0035]
v＝k2×
l/s；
[0036]
其中，v表示拉速，k2表示拉速计算系数，l表示铸坯横断面周长，s表示铸坯横断面面积。
[0037]
可选的，所述连铸工艺段为成品输出工艺段，对应的质量判定机理模型为内部表面质量系数机理模型，所述第一结果为铸坯的内部表面质量系数；所述第一工艺参数集合中的工艺参数包括：铸坯的内部表面质量损失控制因子以及铸坯的内部表面质量调整因子；所述内部表面质量系数机理模型采用下述公式表示：
[0038][0039]
其中，q
in
表示铸坯的内部表面质量系数，c
in
(i)表示第i个内部表面质量损失控制因子，ε
in
(i)表示第i个内部表面质量损失控制因子的加权系数，ω
in
(i)表示第i个内部表面质量调整因子，m1表示非正常状态对内部表面质量产生影响内部表面质量损失控制因子的个数，n1表示非正常状态对内部表面质量产生影响的内部表面质量调整因子的个数，∑表示求和函数。
[0040]
可选的，所述连铸工艺段为成品输出工艺段，对应的质量判定机理模型为外部表面质量系数机理模型，所述第一结果为铸坯的外部表面质量系数；所述第一工艺参数集合中的工艺参数包括：铸坯的外部表面质量损失控制因子以及铸坯的外部表面质量调整因子；所述外部表面质量系数机理模型采用下述公式表示：
[0041][0042]
其中，q
sur
表示铸坯的外部表面质量系数，c
sur
(i)表示第i个外部表面质量损失控制因子，ε
sur
(i)表示第i个外部表面质量损失控制因子的加权系数，ω
sur
(i)表示第i个外部表面质量调整因子，m2表示非正常状态对外部表面质量产生影响外部表面质量损失控制因子的个数，n2表示非正常状态对外部表面质量产生影响的外部表面质量调整因子的个数。
[0043]
可选的，所述第二工艺参数集合包括连铸工艺过程参数集合与连铸工艺材料参数集合；所述质量判定神经网络模型是采用所述连铸工艺过程参数集合的不同历史参数值与所述连铸工艺材料参数集合的不同历史参数值的多种组合，以及每种组合对应的连铸质量判级，对所述神经网络模型进行训练得到的。
[0044]
可选的，所述基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果，包括：确定所述加权运算结果所属的数值子区间，确定所述连铸工艺流程的第一连铸质量判级；根据所述第二结果确定第二连铸质量判级；将所述第一连铸质量判级与所述第二连铸质量判级中的较高判级或较低判级作为所述连铸工艺流程的连铸质量判定结果；其中，所述数值子区间是对预设的数值区间进行区间划分得到的，不同的数值子区间与不同的连铸质量判级一一对应。
[0045]
本发明实施例还提供一种连铸质量判定装置，包括：连铸工艺段确定模块，用于确定多个连铸工艺段，所述连铸工艺段是对连铸工艺流程进行划分得到的；第一结果确定模
块，用于对于每个连铸工艺段，将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型，得到第一结果，其中，每个连铸工艺段具有各自的第一工艺参数集合以及对应的质量判定机理模型；第二结果确定模块，用于将第二工艺参数集合中各个工艺参数的参数值输入质量判定神经网络模型，得到第二结果，其中，所述质量判定神经网络模型是采用所述第二工艺参数集合中各个工艺参数的历史参数值对预设的神经网络模型进行训练得到的；加权融合模块，用于采用预设的权重值，对各个连铸工艺段得到的所述第一结果进行加权运算，得到加权运算结果；连铸质量判定结果确定模块，用于基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果；其中，所述第一工艺参数集合中的工艺参数选自所属连铸工艺段的工艺参数，所述第二工艺参数集合中的工艺参数选自至少一部分连铸工艺段的工艺参数。
[0046]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述连铸质量判定方法的步骤。
[0047]
本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述连铸质量判定方法的步骤。
[0048]
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
[0049]
在本发明实施例中，结合采用两种连铸质量判定模型(分别为质量判定机理模型和质量判定神经网络模型)对连铸工艺流程的输出的连铸坯质量进行判定。具体而言，对于每个连铸工艺段，将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型，得到第一结果；将第二工艺参数集合中各个工艺参数的参数值输入质量判定神经网络模型，得到第二结果；然后采用预设的权重值，对各个连铸工艺段得到的所述第一结果进行加权运算，得到加权运算结果；再基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果。
[0050]
由于在连铸工艺流程中，各道连铸过程工序(或各个连铸工艺段)均可能对后续输出的产品质量产生影响，因此，在本发明实施例中，不仅对连铸工艺流程中的多个连铸工艺段分别采用各自的第一工艺参数集合及预先构建的对应的质量判定机理模型确定各个连铸工艺段的第一结果(具体可以为各个连铸工艺段中与质量判定紧密相关的工艺参数值)，还结合采用质量判定神经网络模型，根据输入的至少一部分连铸工艺段的工艺参数的集合(即，所述第二工艺参数集合)的参数值输出第二结果(具体可以为连铸质量判级)。由于质量判定机理模型是根据所属连铸工艺段的内部运行机制或物质流的传递机理构建的较为准确的数学模型，而神经网络模型则可以基于实际的历史数据集进行训练学习到工艺参数与连铸质量之间的关联性，相较于现有技术采用单一模型进行判定，本实施方案从连铸工艺段的内部运行机理(对应理论层面)和神经网络(对应实际层面)两个维度进行判定，有助于提高判定结果的准确度和可靠性。进一步，第一工艺参数集合和第二工艺参数集合可以是从相应连铸工艺段实时获取的参数值，相较于现有技术仅基于单个工艺段的参数进行判定或基于历史的数据进行判定，本实施方案采用更具全局性、丰富性与实时性的参数，可以进一步提高判定结果的准确度。
[0051]
进一步，所述第二工艺参数集合包括连铸工艺过程参数集合与连铸工艺材料参数集合；所述质量判定神经网络模型是采用所述连铸工艺过程参数集合的不同历史参数值与
所述连铸工艺材料参数集合的不同历史参数值的多种组合，以及每种组合对应的连铸质量判级，对所述神经网络模型进行训练得到的。通过训练可以使得所述神经网络模型学习到连铸工艺过程参数集合的不同历史参数值与连铸工艺材料参数集合的不同历史参数值形成的不同组合，与连铸质量判级之间的映射关系。在实际应用中，通过采用训练后的神经网络模型，可以根据输入的连铸工艺过程参数集合的参数值与连铸工艺材料参数集合的参数值，快速的输出较为准确的质量判级。
附图说明
[0052]
图1是本发明实施例中一种连铸质量判定方法的流程图；
[0053]
图2是图1中步骤s15的一种具体实施方式的流程图；
[0054]
图3是本发明实施例中一种连铸质量判定装置的结构示意图。
具体实施方式
[0055]
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细说明。
[0056]
参照图1，图1是本发明实施例中一种连铸质量判定方法的流程图。所述连铸质量判定方法可以应用于具有数据处理功能的终端，所述终端可以包括但不限于：计算机、手机、平板电脑，还可以为服务器、云平台等。
[0057]
所述方法可以包括步骤s11至步骤s15：
[0058]
步骤s11：确定多个连铸工艺段，所述连铸工艺段是对连铸工艺流程进行划分得到的；
[0059]
步骤s12：对于每个连铸工艺段，将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型，得到第一结果，其中，每个连铸工艺段具有各自的第一工艺参数集合以及对应的质量判定机理模型；
[0060]
步骤s13：将第二工艺参数集合中各个工艺参数的参数值输入质量判定神经网络模型，得到第二结果，其中，所述质量判定神经网络模型是采用所述第二工艺参数集合中各个工艺参数的历史参数值对预设的神经网络模型进行训练得到的；
[0061]
步骤s14：采用预设的权重值，对各个连铸工艺段得到的所述第一结果进行加权运算，得到加权运算结果；
[0062]
步骤s15：基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果。
[0063]
其中，所述第一工艺参数集合中的工艺参数选自所属连铸工艺段的工艺参数，所述第二工艺参数集合中的工艺参数选自至少一部分连铸工艺段的工艺参数。
[0064]
在步骤s11的具体实施中，所述多个连铸工艺段可以选自对连铸工艺流程进行工序划分得到的连铸工艺段的部分或全部。所述连铸工艺流程可以指将精炼后的钢水连续铸造成钢坯的生产工序，其主要流程包括：钢包
→
中间包
→
结晶器
→
二次冷却
→
拉坯矫直
→
切割
→
辊道输送
→
移坯车(推钢机)
→
铸坯(或称为连铸板坯)。
[0065]
具体而言，在连铸工艺流程中，首先将装有精炼好钢水的钢包运至回转台，回转台转动到浇注位置后，将钢水注入中间包，中间包再由水口将钢水分配到各个结晶器中去。结
晶器是连铸机的核心设备之一，它使铸件成形并迅速凝固结晶。拉矫机与结晶振动装置共同作用，将结晶器内的铸件拉出，经冷却、电磁搅拌后，切割成一定长度的板坯。
[0066]
非限制性地，本实施例所述多个连铸工艺段可以包括：钢包钢水工艺段、中间包工艺段、结晶器工艺段、二冷配水工艺段以及连铸板坯切割工艺段、成品输出工艺段。
[0067]
在步骤s12的具体实施中，每个连铸工艺段可以具有一个或多个第一工艺参数集合。所述第一工艺参数集合中的工艺参数选自所属连铸工艺段的工艺参数，不同的第一工艺参数集合中可以包含不同的工艺参数。属于同一连铸工艺段的各个第一工艺参数集合分别用于构建各自对应的质量判定机理模型。
[0068]
进一步地，在将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型之前，所述方法还包括：采用该连铸工艺段的第一工艺参数集合中的各个工艺参数，构建对应的质量判定机理模型；其中，每个连铸工艺段具有一个或多个质量判定机理模型，属于该连铸工艺段的第一工艺参数集合与质量判定机理模型一一对应。
[0069]
其中，所述第一工艺参数集合中各个工艺参数的参数值可以是连铸工艺现场实时获取的参数值。相较于现有技术仅基于单个工艺段的参数进行判定，本实施方案采用从多个连铸工艺段的工艺参数分别构建各自对应的质量判定机理模型，更具全局性与丰富性。进一步，输入质量判定机理模型的数据为实时获取的工艺参数值，相较于现有技术基于历史数据进行质量判定，采用本实施方案得到的模型输出结果更具实时性，可以更加准确地表征工艺现场的当前实际情况，有助于在满足质量判定的实时性需求的基础上，提高判定结果的准确度。
[0070]
其中，机理模型，也可以称为白箱模型，是根据对象、生产过程的内部机制或者物质流的传递机理建立的精确数学模型。它是基于质量平衡方程、能量平衡方程、动量平衡方程、相平衡方程以及某些物性方程、化学反应定律、电路基本定律等而获得对象或过程的数学模型。机理模型可以为生产提供理论模型基础。
[0071]
本实施例中，所述质量判定机理模型则是根据所属连铸工艺段的内部运行机理或者物质流(主要指钢水)的传递机理，从所属连铸工艺段选取若干工艺参数形成第一工艺参数集合，然后基于所述第一参数集合建立的数学模型。
[0072]
以下对分别对每个连铸工艺段对应的质量判定机理模型、第一工艺参数集合、模型输出结果(即，所述第一结果)以及模型数学表达式进行详细说明。
[0073]
1、钢包钢水工艺段，对应的质量判定机理模型可以包括大包钢水重量变化模型和大包钢水温度变化模型。
[0074]
(1)大包钢水重量变化模型
[0075]
具体地，用于构建所述大包钢水重量变化模型的第一工艺参数集合中的工艺参数可以包括：大包内钢水的初始重量、大包内钢水的当前输出重量、中间包内钢水的当前输出重量以及大包内钢水注入中间包的钢水重量；
[0076]
所述大包钢水重量变化模型输出的第一结果为：大包内钢水的重量变化量；
[0077]
所述大包钢水重量变化模型采用下述公式表示：
[0078][0079]
其中，δm
ld
表示大包内钢水的重量变化量，m
ld
表示大包内钢水的初始重量，m
ldout
表示大包内钢水的当前输出重量，m
tdfull
表示中间包内钢水的当前输出重量，m
cast
表示大包内钢水注入中间包的钢水重量。
[0080]
具体地，所述大包内钢水的当前输出重量，也即大包内钢水的当前实际重量，所述中间包内钢水的当前输出重量，也即中间包内钢水的当前实际重量，所述大包内钢水注入中间包的钢水重量，也即中间包的浇铸重量。
[0081]
(2)大包钢水温度变化模型
[0082]
具体地，用于构建所述大包钢水温度变化模型的第一工艺参数集合中的工艺参数可以包括：大包内钢水的初始重量、钢包钢水比重、大包内钢水的温度、大包内钢水的重量变化量、大包内钢水的当前输出温度变化量、大包内钢水的当前输出温度、大包内钢水的当前输出重量以及大包的总数量；
[0083]
所述大包钢水温度变化模型输出的第一结果为：大包内钢水的温度变化量；
[0084]
所述大包钢水温度变化模型采用下述公式表示：
[0085][0086]
其中，m
ld
表示大包内钢水的初始重量，c
p
表示钢包钢水比重，t
ld
表示大包内钢水的温度，δm
ld
表示大包内钢水的重量变化量，δt
ld
表示大包内钢水的温度变化量(也称为温度变化量的理论值)，t
ldout
表示大包内钢水的当前输出温度，m
ldout
表示大包内钢水的当前输出重量，q表示温度变化系数，ai表示第i个大包内钢水的当前输出温度变化量，表示所有大包内钢水的当前输出温度变化量之和，n表示大包的总数量。
[0087]
具体地，所述钢包钢水比重，也即大包内钢水的重量与大包总重量的比值；所述大包内钢水的当前输出温度，也即大包内钢水的当前实际测量温度；所述大包内钢水的当前输出温度变化量，也即大包内钢水的实际测量温度的变化量。所述温度变化系数可以结合实际应用场景需要进行设置，不同大包的温度变化系数可以相同或不同。非限制性地，各个大包的温度变化系数可以在区间[0.5,1]中选取适当数值。
[0088]
2、中间包钢水工艺段，对应的质量判定机理模型可以包括中间包钢水重量变化模型。
[0089]
具体地，用于构建所述中间包钢水重量变化模型的第一工艺参数集合中的工艺参数可以包括：中间包内钢水的初始重量、中间包内钢水的当前输出重量以及大包内钢水注入中间包的钢水重量。
[0090]
所述中间包钢水重量变化模型输出的第一结果为：中间包内钢水的重量变化量；
[0091]
所述中间包钢水重量变化模型采用下述公式表示：
[0092][0093]
其中，δm
td
表示中间包内钢水的重量变化量，m
td
表示中间包内钢水的初始重量，mtdfull
表示中间包内钢水的当前输出重量，m
cast
表示大包内钢水注入中间包的钢水重量。
[0094]
3、结晶器工艺段，对应的质量判定机理模型可以包括凝固传热数学模型。
[0095]
具体地，用于构建所述凝固传热数学模型的第一工艺参数集合中的工艺参数可以包括：凝固传热横向位移、凝固传热纵向位移、凝固传热垂直方向位移、钢水凝固时间、钢水的密度、钢包钢水比重；
[0096]
所述凝固传热数学模型输出的第一结果为铸坯的温度；
[0097]
所述凝固传热数学模型采用下述公式表示：
[0098][0099][0100]
其中，表示偏微分运算，x表示凝固传热横向位移，y表示凝固传热纵向位移，z表示凝固传热垂直方向位移，t表示钢水凝固时间，lambda表示无名函数，t表示铸坯的温度，ρ表示钢水的密度，c
p
表示钢包钢水比重，u表示凝固传热位移系数。
[0101]
具体地，所述横向位移具体可以指在x轴方向上的凝固传热位移，所述纵向位移具体可以指在y轴方向上的凝固传热位移，所述垂直方向的位移具体可以指在z轴方向上的凝固传热位移。其中，所述x轴、y轴、z轴可以是预设三维空间坐标系中相互垂直的三个方向轴。非限制性地，所述凝固传热位移系数可以采用在x轴、y轴、z轴形成空间坐标系中的凝固传热空间位移值。
[0102]
4、二冷配水工艺段，对应的质量判定机理模型可以包括动态二冷配水模型和坯壳厚度计算模型。
[0103]
(1)动态二冷配水模型
[0104]
具体地，用于构建所述动态二冷配水模型的第一工艺参数集合中的工艺参数可以包括：二冷水的配水体积的平均值、二冷水的配水比、计算温度值以及目标温度值；
[0105]
所述动态二冷配水模型输出的第一结果为二冷水的配水量；
[0106]
所述动态二冷配水模型采用下述公式表示：
[0107][0108]
q'＝k2
×vcal
；
[0109]
δt＝t
cal-t
aim
；
[0110]
δq＝k3
×
δt；
[0111]
q＝q'+δq；
[0112]
其中，k1表示二冷水的第一配水系数，表示二冷水的配水体积的平均值，表示二冷水的配水比，v
cal
表示二冷水的配水体积计算值，k2表示二冷水的第二配水系数，q'表示二冷水的配水量计算值，t
cal
表示计算温度值，t
aim
表示目标温度值，δt表示目标温度值和计算温度值的差值，k3表示二冷水的第三配水系数，δq表示二冷水的配水量变化量，q表示二冷水的配水量(或称为二冷水的配水量实际值)。
[0113]
(2)坯壳厚度计算模型
[0114]
具体地，用于构建所述坯壳厚度计算模型的第一工艺参数集合中的工艺参数可以
包括：拉速和时间；
[0115]
所述坯壳厚度计算模型输出的第一结果为：坯壳厚度；
[0116]
所述坯壳厚度计算模型采用下述公式表示：
[0117][0118]
其中，σ表示坯壳厚度，k1表示坯壳厚度计算系数，t表示钢水凝固时间(或称为钢水冷却凝固时间)，v表示拉速。
[0119]
5、连铸板坯切割工艺段，对应的质量判定机理模型包括：拉速计算模型；
[0120]
具体地，用于构建所述拉速计算模型的第一工艺参数集合中的工艺参数可以包括：拉速、铸坯横断面周长以及铸坯横断面面积；
[0121]
所述拉速计算模型输出的第一结果为拉速；
[0122]
所述拉速计算模型采用下述公式表示：
[0123]
v＝k2×
l/s；
[0124]
其中，v表示拉速，k2表示拉速计算系数，l表示铸坯横断面周长，s表示铸坯横断面面积。
[0125]
具体地，上述动态二冷配水模型中的各个配水系数、坯壳厚度计算模型中的坯壳厚度计算系数、拉速计算模型中的拉速计算系数均可以结合实际应用场景需要进行适当设置。其中，所述动态二冷配水模型中的各个配水系数可以相同或不同。
[0126]
6、成品输出工艺段，对应的质量判定机理模型可以包括内部表面质量系数机理模型和外部表面质量系数机理模型。
[0127]
(1)内部表面质量系数机理模型
[0128]
具体地，用于构建所述内部表面质量系数机理模型的第一工艺参数集合中的工艺参数可以包括：铸坯的内部表面质量损失控制因子以及铸坯的内部表面质量调整因子；
[0129]
所述内部表面质量系数机理模型输出的第一结果为：铸坯的内部表面质量系数；
[0130]
所述内部表面质量系数机理模型采用下述公式表示：
[0131][0132]
其中，q
in
表示铸坯的内部表面质量系数，c
in
(i)表示第i个内部表面质量损失控制因子，ε
in
(i)表示第i个内部表面质量损失控制因子的加权系数，ω
in
(i)表示第i个内部表面质量调整因子，m1表示非正常状态对内部表面质量产生影响内部表面质量损失控制因子的个数，n1表示非正常状态对内部表面质量产生影响的内部表面质量调整因子的个数，∑表示求和函数。
[0133]
在一些实施例中，所述内部表面质量损失控制因子可以选自：保护渣粘度系数、碱度系数等物理特性系数，振痕、振频、振幅等振动相关参数、结晶器软水流量、二冷区连铸坯表面回温、浇铸过程中的异常状态参数，但不限于此。所述内部表面质量调整因子可以选自：内部表面裂纹参数，中心偏析参数等。
[0134]
(2)外部表面质量系数机理模型
[0135]
具体地，用于构建所述外部表面质量系数机理模型的第一工艺参数集合中的工艺
参数可以包括：铸坯的外部表面质量损失控制因子以及铸坯的外部表面质量调整因子；
[0136]
所述外部表面质量系数机理模型输出的第一结果为：铸坯的外部表面质量系数；
[0137]
所述外部表面质量系数机理模型采用下述公式表示：
[0138][0139]
其中，q
sur
表示铸坯的外部表面质量系数，c
sur
(i)表示第i个外部表面质量损失控制因子，ε
sur
(i)表示第i个外部表面质量损失控制因子的加权系数，ω
sur
(i)表示第i个外部表面质量调整因子，m2表示非正常状态对外部表面质量产生影响外部表面质量损失控制因子的个数，n2表示非正常状态对外部表面质量产生影响的外部表面质量调整因子的个数。
[0140]
在一些实施例中，所述外部表面质量损失控制因子可以选自：二冷区铸坯表面矫直温度，钢种的裂纹敏感性参数，二冷区连铸坯表面目标温度、浇铸过程中的异常状态参数，但不限于此。所述内部表面质量调整因子可以选自：外部表面氧化物相关参数(例如，外部表面氧化铁皮参数，具体可以包括氧化铁皮的厚度、面积等)，外部表面夹渣参数等，但不限于此。
[0141]
在具体实施中，所述内部表面质量损失控制因子、内部表面质量调整因子及其各自的数量、外部表面质量损失控制因子、外部表面质量调整因子及其各自的数量，以及内部表面质量系数、外部表面质量系数均可以结合实际应用场景需要进行适当地设定。
[0142]
在步骤s13的具体实施中，将第二工艺参数集合中各个工艺参数的参数值输入质量判定神经网络模型，得到第二结果。所述第二工艺参数集合中的工艺参数选自至少一部分连铸工艺段的工艺参数。
[0143]
在一些实施例中，所述第二工艺参数集合中的全部工艺参数选自所有第一工艺参数集合的并集。具体又可以包括两种情形：(1)所述第二工艺参数集合与所有第一工艺参数集合的并集相同。(2)所述第二工艺参数集合为所有第一工艺参数集合的并集的子集。
[0144]
在本发明实施例中，通过设置第二工艺参数集合中的全部工艺参数全部来源于所有第一工艺参数集合的并集，可以对相同的工艺参数分别从机理和实践维度进行连铸质量判定，有助于更加高效地定位设置不合理或不准确的工艺参数，进而更加有针对性地进行参数调整，提高连铸质量。
[0145]
在另一些实施例中，所述第二工艺参数集合中的至少一部分工艺参数与所有第一工艺参数集合的并集中的工艺参数不同。具体又可以包括两种情形：(1)所述第二工艺参数集合中的工艺参数与所有第一工艺参数集合的并集中的工艺参数一部分相同、另一部分不同。(2)所述第二工艺参数集合中的工艺参数与所有第一工艺参数集合的并集中的工艺参数完全不同。
[0146]
在本发明实施例中，通过设置第二工艺参数集合中的工艺参数与所有第一工艺参数集合的并集中的工艺参数部分或完全不同，可以基于更加丰富、全面的工艺参数对连铸质量进行多维度判定，有助于对连铸工艺流程中涉及的各个工艺参数进行更加全面的监控与分析，避免遗漏问题，以提高连铸质量。
[0147]
进一步地，所述第二工艺参数集合包括连铸工艺过程参数集合与连铸工艺材料参数集合；所述质量判定神经网络模型是采用所述连铸工艺过程参数集合的不同历史参数值与所述连铸工艺材料参数集合的不同历史参数值的多种组合，以及每种组合对应的连铸质
量判级，对所述神经网络模型进行训练得到的。
[0148]
其中，所述过程参数可以选自：冷却剂增加量、大包处理时间、板坯宽度、结晶器内的板坯温度；所述材料参数可以选自：铝元素含量、非金属元素含量、金属元素总含量、硅含量、钛含量、浇铸过程中的氮元素含量。但不限于此，在具体实施中，可以结合不同应用场景需要，选择其他适当参数作为过程参数或材料参数。
[0149]
在具体实施中，所述连铸工艺过程参数集合的不同历史参数值与所述连铸工艺材料参数集合的不同历史参数值的多种组合具体可以指：各个过程参数的不同历史参数值区间与各个材料参数的不同历史参数值区间形成的多种组合。
[0150]
作为一个非限制性实施例，连铸工艺过程参数集合a{a1,a2,a3,a4,a5}，连铸工艺材料参数集合b{b1,b2,b3}。
[0151]
过程参数a1的历史参数值区间可以包括4个数值区间：[i0,i1)，[i1,i2)，[i2,i3)，[i3,i4]；
[0152]
过程参数a2的历史参数值区间可以包括3个数值区间：[j0,j1)，[j1,j2)，[j2,j3]；
[0153]
过程参数a3的历史参数值区间可以包括3个数值区间：[n0,n1)，[n1,n2)，[n2,n3)，[n3,n4]；
[0154]
过程参数a4的历史参数值区间可以包括5个数值区间：[m0,m1)，[m1,m2)，[m2,m3)，[m3,m4)，[m4,m5]；
[0155]
过程参数a5的历史参数值区间包括4个数值区间：[p0,p1)，[p1,p2)，[p2,p3)，[p3,p4]；
[0156]
材料参数b1的历史参数值区间包括3个数值区间：[q0,q1)，[q1,q2)，[q2,q3]；
[0157]
材料参数b2的历史参数值区间包括5个数值区间：[h0,h1)，[h1,h2)，[h2,h3)，[h3,h4)，[h4,h5]；
[0158]
材料参数b3的历史参数值区间包括3个数值区间：[g0,g1)，[g1,g2)，[g2,g3]；
[0159]
在上述例子中，过程参数的历史参数值区间与材料参数的历史参数值区间形成的组合一共有4
×3×3×5×4×3×5×
3＝32400种。例如，其中一种组合可以为：a1：[i0,i1)，a2：[j0,j1)，a3[n0,n1)，a4：[p0,p1)，b1：[q0,q1)，b2：[h0,h1)，b3：[g0,g1)。
[0160]
对于每种组合，可以确定对应的连铸质量判级，将该连铸质量判级作为该组合的标注数据；然后将所得到的全部或部分组合作为训练数据集，每种组合各自对应的连铸质量判级作为训练数据集的标注数据，输入所述神经网络模型进行训练，可以使得神经网络模型学习到不同的历史参数值区间组合与连铸质量判级之间的映射关系。其中，每种历史参数值区间组合对应的连铸质量判级，可以是经过多次预先实验获得的经验判级。
[0161]
其中，所述神经网络模型可以选择单维度的长短期记忆(long short-term memory，lstm)网络。
[0162]
作为标注数据的连铸质量判级的级别可以包括但不限于：合格坯、非稳态坯、警告坯、怀疑坯、降级坯、废品坯等。
[0163]
在本发明实施例中，采用训练后的神经网络模型，输入连铸工艺过程参数集合中各个过程参数的参数值(所述参数值可以是现场实时获取的)，以及连铸工艺材料参数集合中各个材料参数的参数值(所述参数值可以是现场实时获取的)，可以快速地获得较为准确的连铸质量判级(即，所述第二结果)。基于训练后的神经网络模型输出的质量判级结果，可
以弥补直接基于机理模型输出的结果进行质量判定的准确度不足问题(例如，可能因建模采用的系数不准确而导致的误差)。
[0164]
在步骤s14的具体实施中，采用预设的权重值，对各个连铸工艺段得到的所述第一结果进行加权运算，得到加权运算结果。
[0165]
其中，所述预设的权重值可以结合实际应用场景需要进行适当设置。具体地，对输出的成品质量影响较大的连铸工艺段输出的第一结果可以设置较大的权重值，相反地，对输出的成品质量影响较小的连铸工艺段输出的第一结果可以设置较小的权重值。例如，结晶器工艺段作为连铸工艺流程中重要程度很高的工艺段，其对应的凝固传热数学模型输出的第一结果(铸坯的温度)可以设置较高的权重。
[0166]
在具体实施中，可以采用所述预设的权重，对各个连铸工艺段得到的所述第一结果的原始数值进行加权运算，也可以对各个第一结果进行预处理(例如，转换为相同数量级的数值)后再进行加权运算。
[0167]
在步骤s15的具体实施中，基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果。
[0168]
参照图2，图2是图1中步骤s15的一种具体实施方式的流程图。所述步骤s15中基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果，可以包括步骤s21至步骤s23。
[0169]
在步骤s21中，确定所述加权运算结果所属的数值子区间，确定所述连铸工艺流程的第一连铸质量判级。
[0170]
其中，所述第一连铸质量判级的级别可以与上述步骤s13中描述的作为标注数据的连铸质量判级的级别划分方式一致，具体而言，也可以包括：合格坯、非稳态坯、警告坯、怀疑坯、降级坯、废品坯等。
[0171]
在步骤s22中，根据所述第二结果确定第二连铸质量判级。
[0172]
其中，所述第二结果，即，训练后的所述神经网络模型输出的连铸质量判级。
[0173]
在步骤s23中，将所述第一连铸质量判级与所述第二连铸质量判级中的较高判级或较低判级作为所述连铸工艺流程的连铸质量判定结果。
[0174]
其中，所述数值子区间是对预设的数值区间进行区间划分得到的，不同的数值子区间与不同的连铸质量判级一一对应。
[0175]
在本发明实施例中，不仅对连铸工艺流程中的多个连铸工艺段分别采用各自的第一工艺参数集合及预先构建的对应的质量判定机理模型确定各个连铸工艺段的第一结果(具体可以为各个连铸工艺段中与质量判定紧密相关的工艺参数值)，还结合采用质量判定神经网络模型，根据输入的至少一部分连铸工艺段的工艺参数的集合(即，所述第二工艺参数集合)的参数值输出第二结果(具体可以为连铸质量判级)。
[0176]
由于质量判定机理模型是根据所属连铸工艺段的内部运行机制或物质流的传递机理构建的较为准确的数学模型，而神经网络模型则可以基于实际的历史数据集进行训练学习到工艺参数与连铸质量之间的关联性，相较于现有技术采用单一模型进行判定，本实施方案从连铸工艺段的内部运行机理(理论层面)和神经网络(实际层面)两个维度进行判定，有助于提高判定结果的准确度和可靠性。
[0177]
参照图3，图3是本发明实施例中一种连铸质量判定装置的结构示意图。所述装置
可以包括：
[0178]
连铸工艺段确定模块31，用于确定多个连铸工艺段，所述连铸工艺段是对连铸工艺流程进行划分得到的；
[0179]
第一结果确定模块32，用于对于每个连铸工艺段，将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型，得到第一结果，其中，每个连铸工艺段具有各自的第一工艺参数集合以及对应的质量判定机理模型；
[0180]
第二结果确定模块33，用于将第二工艺参数集合中各个工艺参数的参数值输入质量判定神经网络模型，得到第二结果，其中，所述质量判定神经网络模型是采用所述第二工艺参数集合中各个工艺参数的历史参数值对预设的神经网络模型进行训练得到的；
[0181]
加权融合模块34，用于采用预设的权重值，对各个连铸工艺段得到的所述第一结果进行加权运算，得到加权运算结果；
[0182]
连铸质量判定结果确定模块45，用于基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果；
[0183]
其中，所述第一工艺参数集合中的工艺参数选自所属连铸工艺段的工艺参数，所述第二工艺参数集合中的工艺参数选自至少一部分连铸工艺段的工艺参数。
[0184]
关于该连铸质量判定装置的原理、具体实现和有益效果请参照前文及图1至图2示出的关于连铸质量判定方法的相关描述，此处不再赘述。
[0185]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述图1至图2示出的连铸质量判定方法的步骤。所述计算机可读存储介质可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器，还可以包括光盘、机械硬盘、固态硬盘等。
[0186]
具体地，在本发明实施例中，所述处理器可以为中央处理单元(central processing unit，简称cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0187]
还应理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称rom)、可编程只读存储器(programmable rom，简称prom)、可擦除可编程只读存储器(erasable prom，简称eprom)、电可擦除可编程只读存储器(electrically eprom，简称eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，简称ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称ram)可用，例如静态随机存取存储器(static ram，简称sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，简称sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，简称ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，简称esdram)、同步连接动态随机存取存储器(synchlink dram，简称sldram)和直接内存总线随机存取存储器(direct rambus ram，简称dr ram)。
[0188]
本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述图1至图2示出的连铸质量判定方法的步骤。
[0189]
所述终端可以包括但不限于手机、计算机、平板电脑等终端设备，还可以为服务器、云平台等。
[0190]
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
[0191]
本技术实施例中出现的“多个”是指两个或两个以上。
[0192]
本技术实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本技术实施例中对设备个数的特别限定，不能构成对本技术实施例的任何限制。
[0193]
需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
[0194]
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

技术特征：
1.一种连铸质量判定方法，其特征在于，包括：确定多个连铸工艺段，所述连铸工艺段是对连铸工艺流程进行划分得到的；对于每个连铸工艺段，将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型，得到第一结果，其中，每个连铸工艺段具有各自的第一工艺参数集合以及对应的质量判定机理模型；将第二工艺参数集合中各个工艺参数的参数值输入质量判定神经网络模型，得到第二结果，其中，所述质量判定神经网络模型是采用所述第二工艺参数集合中各个工艺参数的历史参数值对预设的神经网络模型进行训练得到的；采用预设的权重值，对各个连铸工艺段得到的所述第一结果进行加权运算，得到加权运算结果；基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果；其中，所述第一工艺参数集合中的工艺参数选自所属连铸工艺段的工艺参数，所述第二工艺参数集合中的工艺参数选自至少一部分连铸工艺段的工艺参数。2.根据权利要求1所述的方法，其特征在于，所述第二工艺参数集合满足以下任一项：所述第二工艺参数集合中的全部工艺参数选自所有第一工艺参数集合的并集；所述第二工艺参数集合中的至少一部分工艺参数与所有第一工艺参数集合的并集中的工艺参数不同。3.根据权利要求1所述的方法，其特征在于，所述连铸工艺段包括：钢包钢水工艺段、中间包工艺段、结晶器工艺段、二冷配水工艺段以及连铸板坯切割工艺段、成品输出工艺段。4.根据权利要求1所述的方法，其特征在于，在将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型之前，所述方法还包括：采用该连铸工艺段的第一工艺参数集合中的各个工艺参数，构建对应的质量判定机理模型；其中，每个连铸工艺段具有一个或多个质量判定机理模型，属于该连铸工艺段的第一工艺参数集合与质量判定机理模型一一对应。5.根据权利要求1所述的方法，其特征在于，所述连铸工艺段为钢包钢水工艺段，对应的质量判定机理模型为大包钢水重量变化模型，所述第一结果为大包内钢水的重量变化量；所述第一工艺参数集合中的工艺参数包括：大包内钢水的初始重量、大包内钢水的当前输出重量、中间包内钢水的当前输出重量以及大包内钢水注入中间包的钢水重量；所述大包钢水重量变化模型采用下述公式表示：其中，δm
ld
表示大包内钢水的重量变化量，m
ld
表示大包内钢水的初始重量，m
ldout
表示大包内钢水的当前输出重量，m
tdfull
表示中间包内钢水的当前输出重量，m
cast
表示大包内钢水注入中间包的钢水重量。
6.根据权利要求1所述的方法，其特征在于，所述连铸工艺段为钢包钢水工艺段，对应的质量判定机理模型为大包钢水温度变化模型，所述第一结果为大包内钢水的温度变化量；所述第一工艺参数集合中工艺参数包括：大包内钢水的初始重量、钢包钢水比重、大包内钢水的温度、大包内钢水的重量变化量、大包内钢水的当前输出温度变化量、大包内钢水的当前输出温度、大包内钢水的当前输出重量以及大包的总数量；所述大包钢水温度变化模型采用下述公式表示：其中，m
ld
表示大包内钢水的初始重量，c
p
表示钢包钢水比重，t
ld
表示大包内钢水的温度，δm
ld
表示大包内钢水的重量变化量，δt
ld
表示大包内钢水的温度变化量，t
ldout
表示大包内钢水的当前输出温度，m
ldout
表示大包内钢水的当前输出重量，q表示温度变化系数，a
i
表示第i个大包内钢水的当前输出温度变化量，表示所有大包内钢水的温度变化量之和，n表示大包的总数量。7.根据权利要求1所述的方法，其特征在于，所述连铸工艺段为中间包钢水工艺段，对应的质量判定机理模型为中间包钢水重量变化模型，所述第一结果为中间包内钢水的重量变化量；所述第一工艺参数集合中的工艺参数包括：中间包内钢水的初始重量、中间包内钢水的当前输出重量以及大包内钢水注入中间包的钢水重量；所述中间包钢水重量变化模型采用下述公式表示：其中，δm
td
表示中间包内钢水的重量变化量，m
td
表示中间包内钢水的初始重量，m
tdfull
表示中间包内钢水的当前输出重量，m
cast
表示大包内钢水注入中间包的钢水重量。8.根据权利要求1所述的方法，其特征在于，所述连铸工艺段为结晶器工艺段，对应的质量判定机理模型为凝固传热数学模型，所述第一结果为铸坯的温度；所述第一工艺参数集合中的工艺参数包括：凝固传热横向位移、凝固传热纵向位移、凝固传热垂直方向位移、钢水凝固时间、钢水的密度、钢包钢水比重；所述凝固传热数学模型采用下述公式表示：所述凝固传热数学模型采用下述公式表示：其中，表示偏微分运算，x表示凝固传热横向位移，y表示凝固传热纵向位移，z表示凝固传热垂直方向位移，t表示钢水凝固时间，lambda表示无名函数，t表示铸坯的温度，ρ表示钢水的密度，c
p
表示钢包钢水比重，u表示凝固传热位移系数。9.根据权利要求1所述的方法，其特征在于，所述连铸工艺段为二冷配水工艺段，对应
的质量判定机理模型为动态二冷配水模型，所述第一结果为二冷水的配水量；所述第一工艺参数集合中的工艺参数包括：二冷水的配水体积的平均值、二冷水的配水比、计算温度值以及目标温度值；所述动态二冷配水模型采用下述公式表示：q'＝k2
×vcal
；δt＝t
cal-t
aim
；δq＝k3
×
δt；q＝q'+δq；其中，k1表示二冷水的第一配水系数，表示二冷水的配水体积的平均值，表示二冷水的配水比，q'表示二冷水的配水量计算值，v
cal
表示二冷水的配水体积计算值，k2表示二冷水的第二配水系数，t
cal
表示计算温度值，t
aim
表示目标温度值，δt表示目标温度值和计算温度值的差值，k3表示二冷水的第三配水系数，δq表示二冷水的配水量变化量，q表示二冷水的配水量。10.根据权利要求1所述的方法，其特征在于，所述连铸工艺段为二冷配水工艺段，对应的质量判定机理模型为坯壳厚度计算模型，所述第一结果为坯壳厚度；所述第一工艺参数集合中的工艺参数包括：拉速和时间；所述坯壳厚度计算模型采用下述公式表示：其中，σ表示坯壳厚度，k1表示坯壳厚度计算系数，t表示钢水凝固时间，v表示拉速。11.根据权利要求1所述的方法，其特征在于，所述连铸工艺段为连铸板坯切割工艺段，对应的质量判定机理模型为拉速计算模型，所述第一结果为拉速；所述第一工艺参数集合中的工艺参数包括：拉速、铸坯横断面周长以及铸坯横断面面积；所述拉速计算模型采用下述公式表示：v＝k2×
l/s；其中，v表示拉速，k2表示拉速计算系数，l表示铸坯横断面周长，s表示铸坯横断面面积。12.根据权利要求1所述的方法，其特征在于，所述连铸工艺段为成品输出工艺段，对应的质量判定机理模型为内部表面质量系数机理模型，所述第一结果为铸坯的内部表面质量系数；所述第一工艺参数集合中的工艺参数包括：铸坯的内部表面质量损失控制因子以及铸坯的内部表面质量调整因子；所述内部表面质量系数机理模型采用下述公式表示：其中，q
in
表示铸坯的内部表面质量系数，c
in
(i)表示第i个内部表面质量损失控制因子，ε
in
(i)表示第i个内部表面质量损失控制因子的加权系数，ω
in
(i)表示第i个内部表面质量
调整因子，m1表示非正常状态对内部表面质量产生影响内部表面质量损失控制因子的个数，n1表示非正常状态对内部表面质量产生影响的内部表面质量调整因子的个数，∑表示求和函数。13.根据权利要求1所述的方法，其特征在于，所述连铸工艺段为成品输出工艺段，对应的质量判定机理模型为外部表面质量系数机理模型，所述第一结果为铸坯的外部表面质量系数；所述第一工艺参数集合中的工艺参数包括：铸坯的外部表面质量损失控制因子以及铸坯的外部表面质量调整因子；所述外部表面质量系数机理模型采用下述公式表示：其中，q
sur
表示铸坯的外部表面质量系数，c
sur
(i)表示第i个外部表面质量损失控制因子，ε
sur
(i)表示第i个外部表面质量损失控制因子的加权系数，ω
sur
(i)表示第i个外部表面质量调整因子，m2表示非正常状态对外部表面质量产生影响外部表面质量损失控制因子的个数，n2表示非正常状态对外部表面质量产生影响的外部表面质量调整因子的个数。14.根据权利要求1所述的方法，其特征在于，所述第二工艺参数集合包括连铸工艺过程参数集合与连铸工艺材料参数集合；所述质量判定神经网络模型是采用所述连铸工艺过程参数集合的不同历史参数值与所述连铸工艺材料参数集合的不同历史参数值的多种组合，以及每种组合对应的连铸质量判级，对所述神经网络模型进行训练得到的。15.根据权利要求1所述的方法，其特征在于，所述基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果，包括：确定所述加权运算结果所属的数值子区间，确定所述连铸工艺流程的第一连铸质量判级；根据所述第二结果确定第二连铸质量判级；将所述第一连铸质量判级与所述第二连铸质量判级中的较高判级或较低判级作为所述连铸工艺流程的连铸质量判定结果；其中，所述数值子区间是对预设的数值区间进行区间划分得到的，不同的数值子区间与不同的连铸质量判级一一对应。16.一种连铸质量判定装置，其特征在于，包括：连铸工艺段确定模块，用于确定多个连铸工艺段，所述连铸工艺段是对连铸工艺流程进行划分得到的；第一结果确定模块，用于对于每个连铸工艺段，将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型，得到第一结果，其中，每个连铸工艺段具有各自的第一工艺参数集合以及对应的质量判定机理模型；第二结果确定模块，用于将第二工艺参数集合中各个工艺参数的参数值输入质量判定神经网络模型，得到第二结果，其中，所述质量判定神经网络模型是采用所述第二工艺参数集合中各个工艺参数的历史参数值对预设的神经网络模型进行训练得到的；
加权融合模块，用于采用预设的权重值，对各个连铸工艺段得到的所述第一结果进行加权运算，得到加权运算结果；连铸质量判定结果确定模块，用于基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果；其中，所述第一工艺参数集合中的工艺参数选自所属连铸工艺段的工艺参数，所述第二工艺参数集合中的工艺参数选自至少一部分连铸工艺段的工艺参数。17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至15任一项所述连铸质量判定方法的步骤。18.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至15任一项所述连铸质量判定方法的步骤。

技术总结
一种连铸质量判定方法及装置、计算机可读存储介质、终端，所述方法包括：确定多个连铸工艺段，所述连铸工艺段是对连铸工艺流程进行划分得到的；对于每个连铸工艺段，将该连铸工艺段的第一工艺参数集合中各个工艺参数的参数值输入对应的质量判定机理模型，得到第一结果；将第二工艺参数集合中各个工艺参数的参数值输入质量判定神经网络模型，得到第二结果；采用预设的权重值，对各个连铸工艺段得到的所述第一结果进行加权运算，得到加权运算结果；基于所述加权运算结果与所述第二结果，确定所述连铸工艺流程的连铸质量判定结果。采用上述方案，可以提高连铸质量判定结果的准确度。可以提高连铸质量判定结果的准确度。可以提高连铸质量判定结果的准确度。


技术研发人员：余炯
受保护的技术使用者：华院计算技术（上海）股份有限公司
技术研发日：2023.04.28
技术公布日：2023/8/13