CN118095091A - 一种板坯铸坯质量预测准确度的提升方法、装置及介质 - Google Patents

Abstract

本发明提出的一种板坯铸坯质量预测准确度的提升方法、装置及介质，所述方法包括：建立轧制缺陷与铸坯缺陷的对应关系；收集轧制缺陷信息，并对轧制缺陷信息进行分级判定；采集炼钢过程中的铸坯质量关联信息，并存储到冶金数据库中；按照轧制缺陷种类分类确定铸坯质量的影响因素，建立板坯铸坯质量预测模型的输入层和输出层；选取样本数据并进行数据清洗；基于BP神经网络模型建立板坯铸坯质量预测模型，并进行模型训练；对板坯铸坯质量预测模型进行模型测试，根据预测效果进行模型调整，并运行调整后的铸坯质量预测模型。本发明解决了铸坯质量缺陷数据量少及数据不完整的问题，提升了铸坯质量预测的准确性。

Description

一种板坯铸坯质量预测准确度的提升方法、装置及介质

技术领域

本发明涉及炼钢连铸技术领域，更具体的说是涉及一种板坯铸坯质量预测准确度的提升方法、装置及介质。

背景技术

连铸坯质量控制一直以来都是连铸生产工艺控制的重点，也是技术人员研究的核心内容，对于铸坯质量缺陷产生原因及危害的理论研究已经比较深入，在控制和提升铸坯质量方面取得了较为显著的成效，但由于铸坯凝固过程非常复杂，涉及钢水流场、传热、传质、应力等多种因素影响，铸坯质量缺陷问题仍没有得到完全解决，质量缺陷仍时有发生。另外在铸坯质量感知方面检测手段非常有限，整个连铸过程仍是处于“黑箱”状态，如能实现具有较高预测精度的铸坯质量预测方法，将为钢铁企业质量控制提供重要指导。

为此，相关研究机构开发了多种形式的铸坯质量预测系统，包括基于规则编辑的质量判定评级系统、基于经验机理的专家系统等，随着大数据及机器学习的广泛应用，近年来部分研究机构开展了利用决策树、神经网络、支持向量机等机器学习算法开发铸坯质量预测模型的研究与应用，取得了一定的实际效果。

基于大数据及机器学习的铸坯质量预测模型的核心是以连铸及其前道工序(转炉、精炼)的工艺、操作、设备等参数作为输入条件，以铸坯质量缺陷结果作为输出结果，通过历史数据进行模型训练建立输入条件与输出结果的关联关系，并对实时数据进行采集从而实现对铸坯质量的预测。作为输入条件的工艺、操作、设备等参数数据均可实现实时采集或线下采集存储，但作为输出结果铸坯质量缺陷数据量偏少，对铸坯质量的分析手段基本是抽样质检，对于表面质量目前多数连铸机无在线表面质量检测系统，仅靠人工检查，误检漏检情况较多；内部质量靠取低倍样进行内部质量评价，而取低倍样一个浇次只能取1-2块，数据量偏少，且仅能代表取样部位的质量情况，不能代表全部铸坯质量情况。完整的铸坯表面质量、内部质量反馈数据缺失，难以形成闭环，有缺陷铸坯的数据与输入数据对比悬殊，这对于学习算法的训练有较大影响，导致目前铸坯质量预测系统在现场实际应用中的预测准确性受到较大影响。

发明内容

针对以上问题，本发明的目的在于提供一种板坯铸坯质量预测准确度的提升方法、装置及介质，能够以轧制缺陷为输出结果进行机器学习训练，大幅度增加质量缺陷数据量；在输入数据方面加强线下数据的采集，如保护渣耗量、钢水流动性、浸入式水口插入深度及对中情况、结晶器寿命、二冷喷嘴堵塞情况、扇形段顺弧情况等，解决了铸坯质量缺陷数据量少及数据不完整的问题，提升了铸坯质量预测的准确性。

本发明为实现上述目的，通过以下技术方案实现：

第一方面，本发明公开了一种板坯铸坯质量预测准确度的提升方法，包括：建立轧制缺陷与铸坯缺陷的对应关系；

收集轧制缺陷信息，并对轧制缺陷信息进行分级判定，将判定结果作为板坯铸坯质量预测模型的输出项；

采集炼钢过程中的铸坯质量关联信息，并存储到冶金数据库中，作为板坯铸坯质量预测模型的输入项；

按照轧制缺陷种类分类确定铸坯质量的影响因素，建立板坯铸坯质量预测模型的输入层和输出层；

选取样本数据并进行数据清洗；

基于BP神经网络模型建立板坯铸坯质量预测模型，并进行模型训练；

对板坯铸坯质量预测模型进行模型测试，根据预测效果进行模型调整，并运行调整后的铸坯质量预测模型。

进一步，所述建立轧制缺陷与铸坯缺陷的对应关系，包括：

在预设的轧钢系统中的在线表面检测系统中获取钢板表面质量信息，在探伤检测系统中获取钢板内部质量信息；

根据轧制缺陷与铸坯缺陷的对应规则和分级标准，建立轧制缺陷与铸坯缺陷的对应关系。

进一步，所述收集轧制缺陷信息，并对轧制缺陷信息进行分级判定，包括：当出现钢板轧制缺陷后，收集缺陷长度、面积和数量信息；

根据收集的信息对轧制缺陷进行分级判定，并将相关的判断数据记录值MES系统中。

进一步，所述采集炼钢过程中的铸坯质量关联信息，包括：

采集炼钢过程中的保护渣耗量、钢水流动性信息、浸入式水口对中状态信息及插入深度、二冷喷嘴堵塞状态信息和扇形段顺弧状态信息。

进一步，所述铸坯缺陷种类包括：纵裂、横裂、网状裂纹、皮下夹渣、皮下气泡、中心偏析、中心疏松、内部夹杂。

进一步，所述选取样本数据并进行数据清洗，包括：

获取归属于炼钢原因的轧制缺陷作为模型训练的输出项样本，根据输出项样本对应的铸坯号查询相应的炼钢过程中的铸坯质量关联信息作为输入项样本，并生成样本数据；

去除样本数据中缺陷等级最大和最小数据；

对样本数据进行噪声去除处理。

进一步，所述基于BP神经网络模型建立板坯铸坯质量预测模型，并进行模型训练，包括：

根据铸坯缺陷种类及对应的轧制缺陷，基于BP神经网络模型对每个分类分别进行模型建立和训练；

训练时，设定预设数量的隐含层，确定网络结构，并对选取的样本数据使用MATLAB进行样本输入项的归一化处理；设定模型的学习速率，利用样本数据执行模型训练，并输出轧制缺陷。

进一步，所述对板坯铸坯质量预测模型进行模型测试，根据预测效果进行模型调整，并运行调整后的坯铸坯质量预测模型，包括：

选取炼钢过程中的实际生产数据及出现的轧制缺陷测试板坯铸坯质量预测模型；

收集测试结果，从中确定最佳的预测效果，并获取相应模型的隐含层数量；根据获取的隐含层数量调整板坯铸坯质量预测模型的隐含层数量，并运行调整后的坯铸坯质量预测模型。

第二方面，本发明还公开了一种板坯铸坯质量预测准确度的提升装置，包括：

存储器，用于存储板坯铸坯质量预测准确度的提升程序；

处理器，用于执行所述板坯铸坯质量预测准确度的提升程序时实现如上文任一项所述板坯铸坯质量预测准确度的提升方法的步骤。

第三方面，本发明还公开了一种可读存储介质，所述可读存储介质上存储有板坯铸坯质量预测准确度的提升程序，所述板坯铸坯质量预测准确度的提升程序被处理器执行时实现如上文任一项所述板坯铸坯质量预测准确度的提升方法的步骤。

对比现有技术，本发明有益效果在于：本发明公开了一种板坯铸坯质量预测准确度的提升方法、装置及介质，通过建立轧制缺陷与铸坯缺陷的对应关系，以轧制缺陷为输出结果进行机器学习训练，因铸坯低倍及人工观测不能完全反馈铸坯质量实际情况，而轧制缺陷可几乎完整的反映铸坯质量控制实际情况，增加了机器学习训练的有效性；且采用此种方法可在较短时间内收集较多轧制缺陷数据，避免了因数据量偏少导致的模型预测准确率低的问题。另外在输入数据方面加强线下数据的采集，找出铸坯质量有关键性影响线下因素，解决影响因素数据不完整的问题，进一步提升铸坯质量预测的准确性，通过模型的应用及时对在线铸坯做出处置意见，对工艺设备参数做出及时的调整改进，有利于不断提高铸坯质量控制水平，减少轧制缺陷退废量。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。

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作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本发明具体实施方式的方法流程图。

图2是本发明具体实施方式的板坯铸坯质量预测模型的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。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。

参见图1所示，本实施例提供了一种板坯铸坯质量预测准确度的提升方法，包括如下步骤：

S1：建立轧制缺陷与铸坯缺陷的对应关系。

具体的，首先在预设的轧钢系统中的在线表面检测系统中获取钢板表面质量信息，在探伤检测系统中获取钢板内部质量信息；然后根据轧制缺陷与铸坯缺陷的对应规则和分级标准，建立轧制缺陷与铸坯缺陷的对应关系。

在具体实施方式中，铸坯质量缺陷具有很强的遗传性，因铸坯经轧制后原有铸坯的缺陷将在钢板上几乎完整的反馈出来，轧钢系统大多具有在线表面检测系统，表面质量检测及反馈十分及时准确，宽厚板轧制中近50％以上需进行探伤检测，可反馈出铸坯内部质量情况，因此可建立轧制缺陷与铸坯缺陷的对应关系，依据下表建立规则及分级库。

轧制缺陷与铸坯缺陷的对应关系及分级表

S2：收集轧制缺陷信息，并对轧制缺陷信息进行分级判定，将判定结果作为板坯铸坯质量预测模型的输出项。

具体来说，当出现钢板轧制缺陷后，收集缺陷长度、面积和数量信息；然后根据收集的信息对轧制缺陷机箱内分级判定，并将相关的判断数据记录值MES系统中。相关的判断数据作为板坯铸坯质量预测模型的输出项。

在具体实施方式中，轧制缺陷种类较多，在出现钢板轧制缺陷后，可由质检人员根据经验和判定规则确认缺陷责任属于炼钢或轧钢，对缺陷长度、面积、数量等严重程度对轧制缺陷进行分级判定，并将相关缺陷判定数据记录至MES系统。在应用机器学习模型训练收集数据时，首先根据判定结果将属于炼钢工序的轧制缺陷筛选出来，作为模型输出项。

S3：采集炼钢过程中的铸坯质量关联信息，并存储到冶金数据库中，作为板坯铸坯质量预测模型的输入项。

其中，炼钢过程中的铸坯质量关联信息包括：保护渣耗量、钢水流动性信息、浸入式水口对中状态信息及插入深度、二冷喷嘴堵塞状态信息和扇形段顺弧状态信息。

在具体实施方式中，尽管随着炼钢工序自动化水平的提升，大多数的生产、工艺、设备数据可实现实时采集，但也存在少部分对铸坯质量有显著影响的数据无法实现实时采集，为提升预测模型准确度，需对这部分数据进行线下采集训练，主要的线下数据采集方法如下：

保护渣耗量的采集：同一钢种系列同一种保护渣每4小时人工测量记录一次，更换钢种系列或更换保护渣后立即进行人工测量记录。

钢水流动性信息的采集：以塞棒是否出现涨行程判断钢水流动性是否良好，根据塞棒涨行程多少记录钢水流动性的优劣程度。

浸入式水口对中状态信息及插入深度的采集：更换浸入式水口后测量对中情况，可以调整的调整对中，不能调整的如实记录水口偏斜方向；更换水口后测量记录插入深度，每次调整插入深度做好记录。

二冷喷嘴堵塞状态信息的采集：每浇次停机检查记录喷嘴堵塞情况，对未能及时清理的做好记录，生产过程中关注各段水压、流量、阀门开度情况，发现堵塞情况及时记录相应位置及堵塞严重程度。

扇形段顺弧状态信息的采集：在生产允许情况下每次停机使用辊缝仪测量记录顺弧及辊缝情况，更换新设备调整设备参数后，使用辊缝仪测量记录顺弧及辊缝情况，重点记录顺弧与辊缝值偏差较大的具体位置和偏差量。

以上参数及数据需人工及时输入模型系统，模型可随时自动调取相关数据进行模型训练或质量预测。线下数据与可实时采集的线上数据共同建立冶金数据库，供预测模型在训练和实际应用中调用。

S4：按照铸坯缺陷种类分类确定铸坯质量的影响因素，建立板坯铸坯质量预测模型的输入层和输出层。

其中，铸坯缺陷种类包括：纵裂、横裂、网状裂纹、断面裂纹、皮下夹渣、皮下气泡、中心偏析/中心疏松、内部夹杂。

在具体实施方式中，按缺陷种类分类建立神经网络模型输入层、输出层：输入层节点数选取并非越多越好，通过综合冶金机理、实践经验及运用Pearson相关系数分析等手段对各种影响因素做出充分的分析和严格的筛选，最终确定了铸坯各类缺陷的输入层节点，具体如下表所示：

不同轧制缺陷种类模型的输入层和输出层信息对照表

S5：选取样本数据并进行数据清洗。

在具体实施方式中，首先获取归属于炼钢原因的轧制缺陷作为模型训练的输出项样本，根据输出项样本铸坯号查询到预测模型输入项所涉及炼钢工序生产、工艺、设备参数数据作为输入项样本，因轧制缺陷可几乎完整的反映铸坯质量控制实际情况，且其数据量较大，故以轧制缺陷作为输出项训练样本能够使模型预测精度得到大幅提升。在模型训练前需对选取的样本数据进行数据清洗，去除边界和明显的噪声数据，边界数据指在样本中缺陷等级最大和最小的少数数据；噪声数据指除了训练模型选取的主要影响因素(如输入项节点)外，明显是由于其他因素影响造成的轧制缺陷数据。

S6：基于BP神经网络模型建立板坯铸坯质量预测模型，并进行模型训练。

具体的，根据铸坯缺陷种类及对应的轧制缺陷，基于BP神经网络模型对每个分类分别进行模型建立和训练。训练时，设定预设数量的隐含层，确定网络结构，并对选取的样本数据使用MATLAB进行样本输入项的归一化处理；设定模型的学习速率，利用样本数据执行模型训练，并输出轧制缺陷。

在具体实施方式中，根据铸坯缺陷种类及对应的轧制缺陷，对每个分类分别进行模型建立和训练，设定一定的隐含层数量，确定网络结构，对选取的样本使用MATLAB实现样本输入项的归一化，选择较小的学习速率以保障学习的稳定性，每个缺陷类别均需选取大量数据进行模型训练，由于输出项轧制缺陷的级别分别一一对应铸坯缺陷的级别，训练时采用轧制缺陷作为输出项，实际测试和应用时预测模型输出项为铸坯缺陷级别,预测模型的结构如图2所示。

在图2中，x1，x2,…，xn表示它的n个输入(以纵裂缺陷为例：x1＝C含量、x2＝锰硫比、x3＝钢水过热度、x4＝铸机拉速、x5＝浸入式水口插入深度、x6＝浸入式水口对中情况、x7＝保护渣耗量、x8＝二冷喷嘴堵塞情况)wi1，wi2，…，win表示与它相连的n个突触的连接强度，或称其为权值；Σwijxj称为激活值，表示这个人工神经元的输入总和，对应于生物神经细胞的膜电位；y表示这个人工神经元的输出(以纵裂缺陷为例：y＝钢板纵裂级别＝铸坯纵裂级别)；θ表示这个人工神经元的阈值。如果输入信号的权值和超过θ，则人工神经元被激活。

这样，人工神经元的输出可描述为：

y＝f(Σwijxj-θ)

式中，f表示神经元输入－输出关系的函数，称为激活函数。

S7：对板坯铸坯质量预测模型进行模型测试，根据预测效果进行模型调整，并运行调整后的坯铸坯质量预测模型。

具体来说，首先选取炼钢过程中的实际生产数据及出现的轧制缺陷测试板坯铸坯质量预测模型；然后收集测试结果，从中确定最佳的预测效果，并获取相应模型的隐含层数量；最后，根据获取的隐含层数量调整板坯铸坯质量预测模型的隐含层数量，并运行调整后的坯铸坯质量预测模型。

在具体实施方式中，选取300mm断面铸机近一个月出现的轧制缺陷及其对应的实际生产数据进行模型测试，通过模型测试选择确定预测效果最好的隐含层数量。将模型投入生产实践，实现炼钢各工序输入项数据的自动采集和线下数据的输入与采集，通过预测模型在铸坯未切割前实现直接预测出铸坯缺陷种类及级别。操作人员根据预测结果对铸坯进行相应的处置(直接红送、下线检查清理缺陷、是否可用于生产有探伤要求的钢板等)，也可根据预测结果调整优化工艺设备参数，提高铸坯质量控制水平。

可见，本发明提供了一种板坯铸坯质量预测准确度的提升方法，能够以轧制缺陷为输出结果进行机器学习训练，大幅度增加质量缺陷数据量；在输入数据方面加强线下数据的采集，如保护渣耗量、钢水流动性、浸入式水口插入深度及对中情况、结晶器寿命、二冷喷嘴堵塞情况、扇形段顺弧情况等，解决了铸坯质量缺陷数据量少及数据不完整的问题，提升了铸坯质量预测的准确性。

本发明还公开了一种板坯铸坯质量预测准确度的提升装置，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的板坯铸坯质量预测准确度的提升程序时实现如上文任一项所述板坯铸坯质量预测准确度的提升方法的步骤。

进一步的，本实施例中的板坯铸坯质量预测准确度的提升装置，还可以包括：

输入接口，用于获取外界导入的板坯铸坯质量预测准确度的提升程序，并将获取到的板坯铸坯质量预测准确度的提升程序保存至所述存储器中，还可以用于获取外界终端设备传输的各种指令和参数，并传输至处理器中，以便处理器利用上述各种指令和参数展开相应的处理。本实施例中，所述输入接口具体可以包括但不限于USB接口、串行接口、语音输入接口、指纹输入接口、硬盘读取接口等。

输出接口，用于将处理器产生的各种数据输出至与其相连的终端设备，以便于与输出接口相连的其他终端设备能够获取到处理器产生的各种数据。本实施例中，所述输出接口具体可以包括但不限于USB接口、串行接口等。

通讯单元，用于在板坯铸坯质量预测准确度的提升装置和外部服务器之间建立远程通讯连接，以便于板坯铸坯质量预测准确度的提升装置能够将镜像文件挂载到外部服务器中。本实施例中，通讯单元具体可以包括但不限于基于无线通讯技术或有线通讯技术的远程通讯单元。

键盘，用于获取用户通过实时敲击键帽而输入的各种参数数据或指令。

显示器，用于运行板坯铸坯质量预测准确度的提升过程的相关信息进行实时显示。

鼠标，可以用于协助用户输入数据并简化用户的操作。

本发明还公开了一种可读存储介质，这里所说的可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动硬盘、CD-ROM或技术领域内所公知的任意其他形式的存储介质。可读存储介质中存储有板坯铸坯质量预测准确度的提升程序，所述板坯铸坯质量预测准确度的提升程序被处理器执行时实现如上文任一项所述板坯铸坯质量预测准确度的提升方法的步骤。

综上所述，本发明解决了铸坯质量缺陷数据量少及数据不完整的问题，提升了铸坯质量预测的准确性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的板坯铸坯质量预测准确度的提升方法、装置及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种板坯铸坯质量预测准确度的提升方法，其特征在于，包括：

建立轧制缺陷与铸坯缺陷的对应关系；

收集轧制缺陷信息，并对轧制缺陷信息进行分级判定，将判定结果作为板坯铸坯质量预测模型的输出项；

采集炼钢过程中的铸坯质量关联信息，并存储到冶金数据库中，作为板坯铸坯质量预测模型的输入项；

按照轧制缺陷种类分类确定铸坯质量的影响因素，建立板坯铸坯质量预测模型的输入层和输出层；

选取样本数据并进行数据清洗；

基于BP神经网络模型建立板坯铸坯质量预测模型，并进行模型训练；

对板坯铸坯质量预测模型进行模型测试，根据预测效果进行模型调整，并运行调整后的铸坯质量预测模型。

2.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法，其特征在于，所述建立轧制缺陷与铸坯缺陷的对应关系，包括：

在预设的轧钢系统中的在线表面检测系统中获取探伤检测信息；

根据探伤检测信息确定轧制缺陷信息和铸坯缺陷信息；

根据轧制缺陷与铸坯缺陷的对应规则和分级标准，建立轧制缺陷与铸坯缺陷的对应关系。

3.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法，其特征在于，所述收集轧制缺陷信息，并对轧制缺陷信息进行分级判定，包括：

当出现钢板轧制缺陷后，收集缺陷长度、面积和数量信息；

根据收集的信息对轧制缺陷进行分级判定，并将相关的判断数据记录至MES系统中。

4.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法，其特征在于，所述采集炼钢过程中的铸坯质量关联信息，包括：

采集炼钢过程中的保护渣耗量、钢水流动性信息、浸入式水口对中状态信息及插入深度、二冷喷嘴堵塞状态信息和扇形段顺弧状态信息。

5.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法，其特征在于，所述铸坯缺陷种类包括：纵裂、横裂、网状裂纹、皮下夹渣、皮下气泡、中心偏析、中心疏松、内部夹杂。

6.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法，其特征在于，所述选取样本数据并进行数据清洗，包括：

获取归属于炼钢原因的轧制缺陷作为模型训练的输出项样本，根据输出项样本对应的铸坯号查询相应的炼钢过程中的铸坯质量关联信息作为输入项样本，并生成样本数据；

去除样本数据中缺陷等级最大和最小数据；

对样本数据进行噪声去除处理。

7.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法，其特征在于，所述基于BP神经网络模型建立板坯铸坯质量预测模型，并进行模型训练，包括：根据铸坯缺陷种类及对应的轧制缺陷，基于BP神经网络模型对每个分类分别进行模型建立和训练；

训练时，设定预设数量的隐含层，确定网络结构，并对选取的样本数据使用MATLAB进行样本输入项的归一化处理；设定模型的学习速率，利用样本数据执行模型训练，并输出轧制缺陷。

8.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法，其特征在于，所述对板坯铸坯质量预测模型进行模型测试，根据预测效果进行模型调整，并运行调整后的坯铸坯质量预测模型，包括：

选取炼钢过程中的实际生产数据及出现的轧制缺陷测试板坯铸坯质量预测模型；

收集测试结果，从中确定最佳的预测效果，并获取相应模型的隐含层数量；

根据获取的隐含层数量调整板坯铸坯质量预测模型的隐含层数量，并运行调整后的坯铸坯质量预测模型。

9.一种板坯铸坯质量预测准确度的提升装置，其特征在于，包括：

存储器，用于存储板坯铸坯质量预测准确度的提升程序；

处理器，用于执行所述板坯铸坯质量预测准确度的提升程序时实现如权利要求1至8任一项权利要求所述的板坯铸坯质量预测准确度的提升方法的步骤。

10.一种可读存储介质，其特征在于：所述可读存储介质上存储有板坯铸坯质量预测准确度的提升程序，所述板坯铸坯质量预测准确度的提升程序被处理器执行时实现如权利要求1至8任一项权利要求所述的板坯铸坯质量预测准确度的提升方法的步骤。