CN115239618A - 一种连铸坯高精度定尺在线预测方法及系统 - Google Patents

Abstract

本发明提供一种连铸坯高精度定尺在线预测方法及系统，包括：通过高精度红外摄像机远距离提取现场红坯图像数据；对提取的现场红坯图像数据进行处理，将处理后的数据作为训练样本；构建定尺预测模型，并将训练样本数据送入模型中，对模型进行训练；将训练好的定尺预测模型应用到实际生产设备中，基于生产过程中连铸坯的实时数据信息，实现定尺长度的自动校正。本发明的技术方案通过视觉识别技术进行红热坯的在线、非接触式长度测量，同时通过称重装置自动校正定尺长度，实现智能切割闭环控制，并且加入机器学习计算，将拉速、温度的影响纳入影响因素实时调整定重切割长度，定尺运行稳定，标定简单、精度高、定重有效避免坯料重量误差，减少浪费。

Description

一种连铸坯高精度定尺在线预测方法及系统

技术领域

本发明涉及连铸生产技术领域，具体而言，尤其涉及一种连铸坯高精度定尺在线预测方法。

背景技术

现代炼钢生产流程中的连铸工序，大多数是以定尺来定重，即采用定尺系统生产下一道工序轧钢所要求重量的连铸坯。在实际生产过程中，受中间包温度、中间包液位、滑动水口开度、结晶器钢水液位、结晶器使用役期、钢水成分、冷却水温度和流量、拉速的变化、铸坯表面氧化铁皮程度、切割质量等因素的影响，切割后的铸坯重量波动大，即使同钢种、同拉速、同定尺、不同流号的铸坯，重量经常存在较大差别，导致连铸坯的实际重量与轧钢要求的重量偏差较多。若连铸坯超重造成轧制后余料过多，坯料浪费；若过轻则造成次品，成材率降低，连铸坯料重量的精度影响了轧钢成材率和企业的经济效益。

连铸定尺定重在线控制技术，大多是基于摄像定尺、称重反馈补偿的模式进行控制，即在生产过程中，轧钢厂根据成材规格，将钢坯重量提供给炼钢厂作为目标重量，系统依据目标重量自动设定坯长对铸坯进行切割，然后对切割后的钢坯进行称重，称出的重量与目标重量进行比较，得出偏差，进而对下次要切割铸坯的长度进行补偿，依次循环(连续称量、连续调节)，逐次逼近(不同工况下，采用不同的调节系数)，最终达到连铸机生产的钢坯外形尺寸有差别，但具有相同的重量(重量波动≤±2％)，为下一道工序提供稳定的坯料。但由于连铸坯的重量受结晶器磨损、拉速变化、过热度变化以及钢水成分变化影响较大，而此种控制系统可以弥补结晶器铜管磨损等设备因素导致的定尺偏差，但没有考虑连铸坯凝固过程中的历程信息(拉速波动、换钢包等)对重量的影响，此类定重定尺系统只有连铸机恒拉速、恒温度以及钢水成分波动较小时，才能取得较好的精度。而实际生产中，做到连铸机恒拉速、恒温度和恒钢水成分浇注是非常理想的状态，因此，此类连铸坯定重定尺技术的控制精度受到制约。

发明内容

根据上述提出的技术问题，提供一种连铸坯高精度定尺在线预测方法。以解决运行维护效率低，运行维护成本过高，连铸坯料重量精度不足，定尺自动调整不准确的技术问题。

本发明采用的技术手段如下：

一种连铸坯高精度定尺在线预测方法，包括：

S1、通过高精度红外摄像机远距离提取现场红坯图像数据；

S2、对提取的现场红坯图像数据进行处理，将处理后的数据作为训练样本；

S3、构建定尺预测模型，并将训练样本数据送入模型中，对模型进行训练；

S4、将训练好的定尺预测模型应用到实际生产设备中，基于生产过程中连铸坯的实时数据信息，实现定尺长度的自动校正。

进一步地，所述步骤S1中，提取的现场红坯图像数据包括：

通过红外摄像机提取图像的分辨率、调节图像帧率、图像曝光值、图像数字增益、图像饱和度；

通过PLC控制器提取钢坯温度、拉速、二冷水温度及流量信息；

通过称重传感器提取钢坯实际称重重量信息；

通过实际测量获取相机照射范围间的高度与宽度信息；

读取化验室对应炉次数据。

进一步地，所述步骤S2中，对提取的现场红坯图像数据进行处理，处理过程包括：

S21、在提取的图像上标注出感兴趣区域，通过图像处理以及图像的分辨率划分独立出感兴趣区域图像；

S22、基于高斯滤波、二值化、检测物体轮廓、边缘检测方法对感兴趣区域图像进行处理，获取钢坯图像坐标数据，即得到图像换算后的钢坯实际长度；

S23、根据摄像机与现场实际比例进行比例换算，得到像素与实际距离比例；

S24、根据实际需求在距离之间建立刻度，根据现场具体需求，多次测量距离提高比例精度；

S25、根据生产产品规格要求，设定定尺长度，并换成刻度位置绘制出切割设定线；

S26、记录前一次钢坯切割时间到本次钢坯切割时间，即钢坯生产时间；

S27、根据设定的定尺长度对应的设定重量；

S28、确定钢坯的钢种信息；

S29、将经过上述步骤处理后的数据作为训练样本。

进一步地，所述步骤S3中，采用简化代码机器学习库pycaret，构建定尺预测模型。

进一步地，所述步骤S4中，将训练好的定尺预测模型应用到实际生产设备中，基于生产过程中连铸坯的实时数据信息，实现定尺长度的自动校正具体过程如下：

S41、采集连铸实际生产数据；

S42、对采集的连铸实际生产数据进行过滤及清洗，剔除异常数据，得到预测数据样本；

S43、将预测数据样本分别输入到定尺预测模型中进行多次学习且进行参数调优，并对调优后的定尺预测模型进行保存；

S44、实际生产过程中，根据连铸坯的实时过程数据信息，调用调优后的定尺预测模型，对连铸坯定尺进行在线实时预测，实时调整切割线设定值。

进一步地，所述步骤S41中，采集的连铸实际生产数据包括铸坯的钢种成分、中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、钢坯生产时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯实际定尺、连铸坯实际重量、连铸坯基准定尺、连铸坯基准重量。

本发明还提供了一种基于上述连铸坯高精度定尺在线预测方法的连铸坯高精度定尺系统，包括：

视觉检测单元，包括红外工业相机，设置在连铸坯的侧前方，并与工控机相连接，用于检测连铸坯端面的相对位置，经过对图像进行处理判断定尺的长度；

称重单元，包括称重龙门架和吊坯称重装置，用于获取钢坯重量；

PLC单元，用于处理钢坯重量信号，并与设定重量偏差的部分转换成定尺长度，反馈给定尺单元；

定尺单元，用于接收定尺长度，并对定尺长度进行修正，控制连铸机辊道及火焰切割机使得铸坯的重量控制在合理范围内；

计算单元，用于通过连铸中的关键数据累积，进行数据模型分析，预测优化修正参数，并将修正参数转化成连铸坯的实际长度。

较现有技术相比，本发明具有以下优点：

1、本发明提供的连铸坯高精度定尺在线预测方法及系统，通过视觉识别技术进行红热坯的在线、非接触式长度测量，同时通过称重装置自动校正定尺长度，实现智能切割闭环控制，并且加入机器学习计算，将拉速、温度的影响纳入影响因素实时调整定重切割长度，定尺运行稳定，标定简单、精度高、定重有效避免坯料重量误差，减少浪费。整体提高了定尺率、成材率，降低了废品率。

2、本发明提供的连铸坯高精度定尺在线预测方法及系统，综合考虑结晶器使用役期、钢水成分、冷却水温度和流量、拉速的变化对连铸坯重量的影响，能够实时对生产的连铸坯进行重量和最优定尺的预测。及时发现异常重量的连铸坯，并提高连铸机飞稳态下的连铸坯定重定尺的控制精度，从而提高轧钢成材率和企业的经济效益。

基于上述理由本发明可在连铸生产等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

图2为本发明系统框图。

图3为本发明系统运行流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

如图1所示，本发明提供了一种连铸坯高精度定尺在线预测方法，包括：

S1、通过高精度红外摄像机远距离提取现场红坯图像数据；

S2、对提取的现场红坯图像数据进行处理，将处理后的数据作为训练样本；

S3、构建定尺预测模型，并将训练样本数据送入模型中，对模型进行训练；

S4、将训练好的定尺预测模型应用到实际生产设备中，基于生产过程中连铸坯的实时数据信息，实现定尺长度的自动校正。

具体实施时，作为本发明优选的实施方式，所述步骤S1中，提取的现场红坯图像数据包括：

通过红外摄像机提取图像的分辨率、调节图像帧率、图像曝光值、图像数字增益、图像饱和度；

通过PLC控制器提取钢坯温度、拉速、二冷水温度及流量信息；

通过称重传感器提取钢坯实际称重重量信息；

通过实际测量获取相机照射范围间的高度与宽度信息；

读取化验室对应炉次数据。

具体实施时，作为本发明优选的实施方式，所述步骤S2中，对提取的现场红坯图像数据进行处理，处理过程包括：

S21、在提取的图像上标注出感兴趣区域，通过图像处理以及图像的分辨率划分独立出感兴趣区域图像；

S22、基于高斯滤波、二值化、检测物体轮廓、边缘检测方法对感兴趣区域图像进行处理，获取钢坯图像坐标数据，即得到图像换算后的钢坯实际长度；

S23、根据摄像机与现场实际比例进行比例换算，得到像素与实际距离比例；如①:10米、③:11米、⑤:12米、⑦:13米。

S24、根据实际需求在距离之间建立刻度，如图像中的1米＝50刻度，1刻度约等于2厘米。根据现场具体需求，多次测量距离提高比例精度；

S25、根据生产产品规格要求，设定定尺长度，并换成刻度位置绘制出切割设定线；

S26、记录前一次钢坯切割时间到本次钢坯切割时间，即钢坯生产时间；

S27、根据设定的定尺长度对应的设定重量；

S28、确定钢坯的钢种信息；

S29、将经过上述步骤处理后的数据作为训练样本。

具体实施时，作为本发明优选的实施方式，所述步骤S3中，采用简化代码机器学习库pycaret，构建定尺预测模型。简化代码机器学习库pycaret作为一个开源机器学习库，为用于在低代码环境中训练和部署有监督和无监督的机器学习模型。

具体实施时，作为本发明优选的实施方式，所述步骤S4中，将训练好的定尺预测模型应用到实际生产设备中，基于生产过程中连铸坯的实时数据信息，实现定尺长度的自动校正具体过程如下：

S41、采集连铸实际生产数据；

S42、对采集的连铸实际生产数据进行过滤及清洗，剔除异常数据，得到预测数据样本；

S43、将预测数据样本分别输入到定尺预测模型中进行多次学习且进行参数调优，并对调优后的定尺预测模型进行保存；

S44、实际生产过程中，根据连铸坯的实时过程数据信息，调用调优后的定尺预测模型，对连铸坯定尺进行在线实时预测，实时调整切割线设定值。

具体实施时，作为本发明优选的实施方式，所述步骤S41中，采集的连铸实际生产数据包括铸坯的钢种成分、中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、钢坯生产时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯实际定尺、连铸坯实际重量、连铸坯基准定尺、连铸坯基准重量。如下表1所示：

输入参数	输出参数
		C含量	预测铸坯定尺重量
Si含量
		Mn含量
中包钢水温度
		结晶器水流量
结晶器水温差
		二冷总水流量
拉速
		设定重量
设定定尺
		实际定尺
铸坯尺寸
		钢种类型
铸坯温度
		中间包液面
钢坯生产时间
		结晶器内平均有效停留时间
二冷区内平均有效停留时间

本发明还提供了一种基于上述连铸坯高精度定尺在线预测方法的连铸坯高精度定尺系统，如图2所示，包括：

视觉检测单元，包括红外工业相机，设置在连铸坯的侧前方，并与工控机相连接，用于检测连铸坯端面的相对位置，经过对图像进行处理判断定尺的长度；

称重单元，包括称重龙门架和吊坯称重装置，用于获取钢坯重量；

PLC单元，用于处理钢坯重量信号，并与设定重量偏差的部分转换成定尺长度，反馈给定尺单元；

定尺单元，用于接收定尺长度，并对定尺长度进行修正，控制连铸机辊道及火焰切割机使得铸坯的重量控制在合理范围内；在本实施例中，当定尺单元的程序软件切换到开环状态，系统进行定长方式切割，依照钢坯长度进行微调。定长切割模式下，系统将标准图象信息存入系统中控单元。实际生产后，红外工业相机远距离提取现场红坯图象后，传输至系统中控图象采集单元，系统工控部分进而对该信息与原标准信息进行处理比较，得出正确定尺位置，最后通过信号输出单元输出数字控制信号，经定尺切割控制器转换为开关量信号至PLC单元，控制切割执行机构正常进行切割。正常生产过程中，现场对实际切割长度测量后，如发现存在偏差，可通过系统微调功能进行调整，以保证实际切割的准确性。当定尺单元的程序切换到闭环状态，系统进行定重方式切割。当钢坯由输送辊道运至电子秤位置时，人工或自动停止辊道运转。启动液压系统控制升降油缸，油缸将钢坯提升到位后停止在一个固定位置，称重单元将重量信息传输给称重仪表，仪表将称重数值传送给定尺单元进行闭环运算；将钢坯落下到传输辊道上，启动辊道将钢坯运走，系统进入下一个各种循环。称重数值闭环返回系统进行数据各运行状态数据进行积累，构建训练模型，在下一根时进行，实时在线预测定重结果，并及时进行自动优化调整。实际称重过程中每只液压油缸升降；以保证下支铸坯到来前称重完毕并闭环调整。

计算单元，用于通过连铸中的关键数据累积，进行数据模型分析，预测优化修正参数，并将修正参数转化成连铸坯的实际长度。

如图3所示，本发明提供的连铸坯高精度定尺系统，其运行流程如下：

当各连铸机自动称重运行时，各流需要转换到自动状态(辊道、升降挡板和各流自动称重自动控制)；

当热金属检测器检测到铸坯信号后，给出挡板升起信号将升降挡板升起，等待钢坯到位后自动称重(称重区域无钢坯)。

当连铸坯到达升降挡板前时，热金属检测器检测到铸坯信号后，发出到位信号给称重PLC，称重PLC给辊道PLC一个辊道停止信号，辊道停止转动。

铸坯停止并延时2-3秒稳定后，称重PLC升起液压缸。

在液压缸上升3秒后，称重PLC给辊道PLC一个辊道启动信号，保证其它流的坯子可以继续前进。

当液压缸到达顶部后，延时5秒(为了让铸坯稳定称出一个准确的数值)称重PLC给定重软件信号，读取重量信号，称重软件给出称重完成信号到称重PLC。

称重PLC接到读取重量信号后(读取数据失败后用时间控制)，称重PLC给辊道PLC一个辊道停止信号(为了保护称重设备)，辊道停止转动，延时2秒后，液压缸下降。

液压缸到达底部且移坯小车回归原点后，称重PLC给升降挡板下降信号、给辊道PLC一个辊道启动信号(若移坯小车未回到原点则挡板不下降，等待小车回归原点后，升降挡板下降，放行钢坯)，称重过程结束。

如果在称重开始时，热检检测到有下一根坯子到来，称重PLC不启动自动称重过程，维持称重液压缸低位，并且报警提示，不进行称重；如果在称重上升到位后热检检测到有下一根坯子到来，称重PLC不自动下降，维持称重液压缸高位，并且报警提示，放过下一根钢坯后，再自动下降。

具体实施时，作为本发明优选的实施方式，在自动情况下，钢坯检测和升降挡板控制都由称重PLC来完成，称重PLC根据实际需要，协调钢坯到位信号和升降挡板的控制信号，保证生产的连续性。

具体实施时，作为本发明优选的实施方式，为了保证称重辊道在频繁启动情况下，有效保护机械设备、电器设备，避免造成电机烧损，需要对现有辊道增加变频器控制，称重轨道在变频改造后，能够实现启动电流小，节省电能，优化设备使用寿命，便于维护等特点。

具体实施时，作为本发明优选的实施方式，为了避免由于称重系统控制辊道由于变频控制而影响炼钢连铸生产，将原工频辊道控制系统保留，增加工频变频转换切换柜，在连铸手动或者变频器出现故障时，能够及时将辊道切换到工频运行，保证连铸生产。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种连铸坯高精度定尺在线预测方法，其特征在于，包括：

S1、通过高精度红外摄像机远距离提取现场红坯图像数据；

S2、对提取的现场红坯图像数据进行处理，将处理后的数据作为训练样本；

S3、构建定尺预测模型，并将训练样本数据送入模型中，对模型进行训练；

S4、将训练好的定尺预测模型应用到实际生产设备中，基于生产过程中连铸坯的实时数据信息，实现定尺长度的自动校正。

2.根据权利要求1所述的连铸坯高精度定尺在线预测方法，其特征在于，所述步骤S1中，提取的现场红坯图像数据包括：

通过红外摄像机提取图像的分辨率、调节图像帧率、图像曝光值、图像数字增益、图像饱和度；

通过PLC控制器提取钢坯温度、拉速、二冷水温度及流量信息；

通过称重传感器提取钢坯实际称重重量信息；

通过实际测量获取相机照射范围间的高度与宽度信息；

读取化验室对应炉次数据。

3.根据权利要求1所述的连铸坯高精度定尺在线预测方法，其特征在于，所述步骤S2中，对提取的现场红坯图像数据进行处理，处理过程包括：

S21、在提取的图像上标注出感兴趣区域，通过图像处理以及图像的分辨率划分独立出感兴趣区域图像；

S22、基于高斯滤波、二值化、检测物体轮廓、边缘检测方法对感兴趣区域图像进行处理，获取钢坯图像坐标数据，即得到图像换算后的钢坯实际长度；

S23、根据摄像机与现场实际比例进行比例换算，得到像素与实际距离比例；

S24、根据实际需求在距离之间建立刻度，根据现场具体需求，多次测量距离提高比例精度；

S25、根据生产产品规格要求，设定定尺长度，并换成刻度位置绘制出切割设定线；

S26、记录前一次钢坯切割时间到本次钢坯切割时间，即钢坯生产时间；

S27、根据设定的定尺长度对应的设定重量；

S28、确定钢坯的钢种信息；

S29、将经过上述步骤处理后的数据作为训练样本。

4.根据权利要求1所述的连铸坯高精度定尺在线预测方法，其特征在于，所述步骤S3中，采用简化代码机器学习库pycaret，构建定尺预测模型。

5.根据权利要求1所述的连铸坯高精度定尺在线预测方法，其特征在于，所述步骤S4中，将训练好的定尺预测模型应用到实际生产设备中，基于生产过程中连铸坯的实时数据信息，实现定尺长度的自动校正具体过程如下：

S41、采集连铸实际生产数据；

S42、对采集的连铸实际生产数据进行过滤及清洗，剔除异常数据，得到预测数据样本；

S43、将预测数据样本分别输入到定尺预测模型中进行多次学习且进行参数调优，并对调优后的定尺预测模型进行保存；

S44、实际生产过程中，根据连铸坯的实时过程数据信息，调用调优后的定尺预测模型，对连铸坯定尺进行在线实时预测，实时调整切割线设定值。

6.根据权利要求5所述的连铸坯高精度定尺在线预测方法，其特征在于，所述步骤S41中，采集的连铸实际生产数据包括铸坯的钢种成分、中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、钢坯生产时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯实际定尺、连铸坯实际重量、连铸坯基准定尺、连铸坯基准重量。

7.一种基于上述权利要求1-6中任意一项权利要求所述连铸坯高精度定尺在线预测方法的连铸坯高精度定尺系统，其特征在于，包括：

视觉检测单元，包括红外工业相机，设置在连铸坯的侧前方，并与工控机相连接，用于检测连铸坯端面的相对位置，经过对图像进行处理判断定尺的长度；

称重单元，包括称重龙门架和吊坯称重装置，用于获取钢坯重量；

PLC单元，用于处理钢坯重量信号，并与设定重量偏差的部分转换成定尺长度，反馈给定尺单元；

定尺单元，用于接收定尺长度，并对定尺长度进行修正，控制连铸机辊道及火焰切割机使得铸坯的重量控制在合理范围内；

计算单元，用于通过连铸中的关键数据累积，进行数据模型分析，预测优化修正参数，并将修正参数转化成连铸坯的实际长度。

Images