漏钢是连铸过程中最具危害性的生产事故,一旦发生将导致停产进而影响生产过程的顺行,对作业的稳定性、产品的质量、人身安全及设备的寿命都有不良的影响。初生坯壳与结晶器壁黏结是造成漏钢的主要原因。为了避免或减少漏钢事故的发生,目前主要有两个方面的工作,其一是深入研究黏结性漏钢的形成机理,以便在生产过程中杜绝产生黏结性漏钢的工艺条件；其二就是开发连铸漏钢预报系统,检测结晶器在生产浇注过程中出现的漏钢征兆,然后采取减速等措施达到避免漏钢的目的。本文对黏结性漏钢形成机理、检测方法及预报原理进行了分析,并在此基础上研究了基于热电偶测温法的神经网络漏钢预报技术,以寻求一种有效的漏钢预报模型。本文以国内某钢厂技术创新项目《高品质板坯连铸生产技术集成与创新》为依托,以构建板坯连铸漏钢预报系统为目标,通过对BP(Back Propagation)神经网络和GA(Genetic Algorithm)算法的研究以及黏结性漏钢产生时热电偶温度的变化特征分析,将热电偶的温度变化作为识别特征进行漏钢判断,建立了基于GA-BP神经网络的漏钢预报模型。本模型由单偶时序网络和组偶空间网络组合而成,时序网络用来识别同一热电偶时间方向上的温度变化特征,空间网络用来识别不同热电偶空间(横向和纵向)方向上的温度传播特征,然后再由空间网络的输出经过综合判断给出漏钢报警信息。本文通过Visual Basic和Matlab程序语言混合编程实现了漏钢预报系统的可视化设计,并结合现场实测数据,将标准BP神经网络和本文建立的GA-BP神经网络模型应用于漏钢预报的过程中。测试本样本共58组,其中包括34组漏钢报警样本,26组正常浇注样本和8组非稳态温度波动样本。仿真测试结果表明,GA-BP神经网络模型能更准确地对黏结性漏钢过程中典型温度模式进行辨识,预报率97.4%,报出率为100%,其预报性能更好、能更有效地预测拉漏事故。通过对仿真测试结果的分析,发现误报警主要发生在连铸开浇和快换中间包后升拉速的非稳态过程中,其原因可能是上述过程中结晶器内的温度变化行为与黏结性漏钢过程相似,从而对模型的预报产生了干扰。