漏钢事故是连铸生产中危害性很大的生产事故。漏钢事故的发生，不仅影响连铸生产，严重损害结晶器、辊道，增加连铸设备的维修量和维修成本，造成巨大的经济损失，还会带来巨大的安全隐患。据估计，一次“常规”的漏钢事故直接或间接导致的经济损失将达到200000美元。
为了减少漏钢发生，人们一直致力于开发漏钢预报系统。通过在结晶器上装入传感器，人们已能利用自动化控制系统来有效降低漏钢率。
最早的漏钢预报有：(1)测算结晶器水温差;(2)检测结晶器与铸坯间的摩擦力;(3)埋入热流传感器进行局部热监控;(4)在结晶器铜板中埋入热电偶对铜板进行热监控。此方法现在已被广泛使用，被证实为更有效地检测和预报粘结漏钢的技术。基于温度检测进行漏钢预报的原理为：由于漏钢往往伴随着结晶器铜板温度的变化，通过监控安装在铜板上热电偶的温度变化，依据一定的方法做出漏钢判断。
总观基于温度的漏钢预报预测方法，主要有3种技术方法。它们分别是逻辑判断方法，神经网络方法以及多元统计方法。
我国大多钢厂近年新上铸机采用的漏钢预报系统就是基于逻辑判断方法的。该预报方法的实现不需要大量的原始数据，特别适合新建铸机。但是其逻辑条件参数的设定与钢的种类、工艺和环境有很大的关系，模型有一定局限性。
神经元网络漏钢预报方法利用神经元网络技术对现场的漏钢数据进行学习，再加上必要的工艺条件，用于辨别具有漏钢特征的热电偶温度变化曲线，进而做出漏钢预报。完善的神经网络系统必然能显著增加漏钢预报的准确率，但是神经元网络在漏钢预报中存在它的局限性。完善的神经网络必须大量的训练样本，样本不全面将导致网络功能不全。其次，由于连铸机工作条件复杂，影响因素很多，对获取的样本数据有严重的干扰，要想得到完全排除含有噪音的样本几乎是不可能的。在一些特殊的连铸情况下，比如开浇、换包和终浇等，神经元网络系统变得极不稳定;对于新建连铸机，神经网络不可行，必须与其它方式结合。
多元统计过程控制(MSPC)方法是基于主元分析(PCA)和偏最小二乘(PLS)方法对连续过程进行监控控制的方法。在连铸过程中，特别是在漏钢预报过程中，MSPC方法应用极少。
中冶连铸漏钢预报模型采用模式识别算法。该方法鲁棒性强，抗干扰能力强，不需要大量的训练样本。
正常浇铸时，结晶器铜板上热电偶的温度维持不变。当粘结发生时，该处第一行热电偶的温度上升，一段时间后同列第二行热电偶的温度上升，而后第一行的温度下降，第二行的温度下降。同时，由于粘结点的扩张，该列热电偶周围的热电偶列会有同样趋势。
模型采用模式识别技术来发现上述温度模式，并经过一定的逻辑判断来确定是否报警。模式识别是基于动态线性逼近的在线波形识别诊断方法，能实现动态时域时序波形的自动识别。模型考虑了粘钢发生时热电偶温度在时间、空间上的传递，对热偶温度分布进行分析和模式识别，通过对模式识别结果进行特征值分析，产生粘钢报警;对于没有历史数据的铸机，依据大量的来自其它类似现场的实际漏钢数据，预先训练权值，尽量保证漏钢预报的可靠性。并根据应用后产生的历史数据不断进行参数修正。
为了使系统具有更强的适应性，降低工程应用中系统维护与跟踪难度，模型支持算法参数自适应，自适应后的算法参数可以涵盖铜板厚度变化、保护渣类型变化以及浇注钢种变化导致的系统参数的调整。
中冶连铸充分考虑各种方法的优缺点，模型采用模式识别方法，综合先进的计算机技术、数学技术、传感器技术、自动化控制技术，推出了产业化自适应强的漏钢预报系统。面对高拉速连铸技术的挑战，预报更准确，反映速度更高，使撕裂的坯壳能尽快愈合。
基于温度检测的漏钢预报方法对于粘结漏钢以外的漏钢报警有一定局限。未来的漏钢预报系统应该集合热电偶温度检测、结晶器摩擦力检测、甚至结晶器液面检测值来进行综合判断。
