4 1991 Japan Yawata Steel mill Continuous casting Steel leakage forecast 5 1994 China Guangzhou Steel Mill Electric arc furnace Electrode control 6 1995 China Baoshan Steel Converters Dynamic model 7 1997 China Wuhan Steel Converters Endpoint control 2001 China Xingcheng Special Steel Electric arc furnace Temperature forecast 2.1.2初步结合阶段 上世纪末至本世纪初，炼钢技术迅速发展，深度学习模型也取得长足进步，完全由计算机控制 的全工序“一键炼钢”成为国内外治金从业者研究的热点。特别是以转炉动态控制为代表的实时响 应模型与深度学习模型结合能够在短时间内完成计算分析，并对生产状况做出正确判断。通过初步 结合应用，模型精度有所提升，转炉终点碳温双命中率可达95%， 连续动态调整连铸二冷配水，铸 坯表面实际温度与目标温度误差在±10C以内20-2。深度学习模型开始在全流都多立序点应用。 2.1.3融合发展阶段 近年来，得益于工业传感器和数据存储的技术进步，炼钢过程史更多的数据信号被采集记录， 例如初炼、精炼和连铸过程的物料加入、烟气信息、冷却水信息、设备本体状况、各工序的声音图像等， 为数据驱动的深度学习模型提供了更多可利用的素材。模型精度的大幅提升使得大量钢铁企业将深 度学习用于实际控制，实现了深度学习与炼钢过程搬 展与全工序多维度应用3，如图4为部 分案例。 Steelmaking Continuous casting Endpoint prediction Oven number identification Oxygen blowing Power feed control Surface defect detection Ingredient prediction Electrode con Steel leakage prediction Temperature control Flame re Castability forecast Consumption forecast Cooling water control 圆4深度学习型在修过覆中的部分应用 FPartial application ofthe deep leaming model in the stemaking process 22禄度学习在不同场景中的应用 2.2.1工艺过程预测及控制 钢液在熔融金属反应容器内发生影响因素多、过程复杂的多元多相高温物理化学反应，于整个 工艺过程结束时获得符合要求的温度和成分，期间会积累大量数据信息。但由于缺乏有效的数据分 析处理手段，这些数据资源未能得到充分解析利用，另一方面，熔池内实时信息无法获取，难以直 接对过程做出判断。通过引入深度学习方法，如BP神经网络、RBF神经网络、基于带外源输入的非
4 1991 Japan Yawata Steel mill Continuous casting Steel leakage forecast 5 1994 China Guangzhou Steel Mill Electric arc furnace Electrode control 6 1995 China Baoshan Steel Converters Dynamic model 7 1997 China Wuhan Steel Converters Endpoint control 8 2001 China Xingcheng Special Steel Electric arc furnace Temperature forecast 2.1.2 初步结合阶段 上世纪末至本世纪初，炼钢技术迅速发展，深度学习模型也取得长足进步，完全由计算机控制 的全工序“一键炼钢”成为国内外冶金从业者研究的热点。特别是以转炉动态控制为代表的实时响 应模型与深度学习模型结合能够在短时间内完成计算分析，并对生产状况做出正确判断。 通过初步 结合应用，模型精度有所提升，转炉终点碳温双命中率可达 95%，连续动态调整连铸二冷配水，铸 坯表面实际温度与目标温度误差在±10℃以内[20-22]。深度学习模型开始在全流程多工序点应用。 2.1.3 融合发展阶段 近年来，得益于工业传感器和数据存储的技术进步，炼钢过程中更多的数据信号被采集记录， 例如初炼、精炼和连铸过程的物料加入、烟气信息、冷却水信息、设备本体状况、各工序的声音图像等， 为数据驱动的深度学习模型提供了更多可利用的素材。模型精度的大幅提升使得大量钢铁企业将深 度学习用于实际控制，实现了深度学习与炼钢过程的融合发展与全工序多维度应用[23]，如图 4 为部 分案例。 图 4 深度学习模型在炼钢过程中的部分应用 Fig.4 Partial application of the deep learning model in the steelmaking process 2.2 深度学习在不同场景中的应用 2.2.1 工艺过程预测及控制 钢液在熔融金属反应容器内发生影响因素多、过程复杂的多元多相高温物理化学反应，于整个 工艺过程结束时获得符合要求的温度和成分，期间会积累大量数据信息。但由于缺乏有效的数据分 析处理手段，这些数据资源未能得到充分解析利用，另一方面，熔池内实时信息无法获取，难以直 接对过程做出判断。通过引入深度学习方法，如 BP 神经网络、RBF 神经网络、基于带外源输入的非 录用稿件，非最终出版稿
线性自回归神经网络等，可以在利用数据的同时实现工艺过程预测与判断。 (1)转炉终点预测 由于原料成分的波动，吹炼参数及辅料加入有差异，造成转炉治炼终点难以稳定控制，因此建 立预测模型对实际生产具有重要指导意义。利用已有物料信息和实时操作数据，建立终点预测模型， 有针对性地调整工艺，可实现对终点成分的控制。传统的BP模型存在收敛速度慢和容易陷入局部 极小值的问题，李长荣、艾立群等分别利用优化算法改进BP神经网络，以石灰量、铁水量、铁水温 度、萤石量、铁水碳含量、铁水磷含量、吹氧量等为评价参数对转炉终点磷含量进行了预测，误差值 为士0.008%时，命中率可达93.33%4,2。He等提出了一种基于主成分分析和BP神经网络对BOF终 点磷含量进行预测的深度学习模型，利用主成分分析减少影响因素维数，用结果表明， 预测误差 在±0.007%、±0.005%和±0.004%以内时，终点磷含量命中率分别为96.6个93.33%和86.67%2。高 放等提出了基于FA-ELM(因子分析法-超限学习机)的转炉终点磷预测模型， 较传统BP神经网络 模型具有更高的准确性和更强的泛化能力P。铉明涛等利用FOAX果蝇算法)优化后的GRNN(广 义回归神经网络)预报转炉终点碳和温度，使模型具有精 训练简单，计算时间短等优点， 更加适合反应速度快、数据量巨大的转炉治炼过程。祁 怡等采用k-均值聚类算法确定隐藏层中心， 最小二乘法调整RBF神经网络的权值，解决了RB经网络隐含层节点的个数及异类样本距离阈 值难以确定的问题，提升了终点预报精度24 张辉宜利用AP(近邻传播聚类算法)对RBF 神经网络进行训练，大幅提高了Q235B终点预测命中率3o。Wag等通过结合GA(遗传算法)与 BP神经网络的优点，建立了GA-BP神经网络组合模型用于转炉终点锰含量预测，预测误差在 ±0.03%和±0.025%以内时，命中率分别为90%和84%。 (2)电炉终点预测 电炉炼钢相较于转炉炼 过程废钢比更高，对于入炉原料把控显得更为重要，由于废钢成分的 差异性，造成电炉终点碳具有不稳定性。电炉熔池中发生的化学反应与加料、送电等操作间存在强耦 合作用，通过对操作过程进行有效学习，调整模型参数，可实现高命中率终点预报。刘志明等选择 电耗、氧耗、生铁量、废钢量、碳粉量、天然气耗量、石灰量和上一炉留在电弧炉内的C、P元素的质量 分数9个影响因素作为模型的输入，采用BP神经网络建立了终点碳预测模型，误差值为士0.004%时， 命中率可达94%。马戎等对100吨电弧炉建立RBF神经网络模型预测钢水主要成分，并与BP神 经网络对比发现该模型具有收敛速度快，可避免陷入局部极值的特点。刘锟等构建了网络结构简 单，训练量小的增量神经网络，以废钢、铁水、装料制度、通电时间、吨钢氧耗和电耗作为输入特征， 对电弧炉治炼终点的温度、碳和磷含量误差值为±10℃、0.02%和±0.004%时，命中率分别为 93%、75%和86%34
线性自回归神经网络等，可以在利用数据的同时实现工艺过程预测与判断。 （1）转炉终点预测 由于原料成分的波动，吹炼参数及辅料加入有差异，造成转炉冶炼终点难以稳定控制，因此建 立预测模型对实际生产具有重要指导意义。利用已有物料信息和实时操作数据，建立终点预测模型， 有针对性地调整工艺，可实现对终点成分的控制。传统的 BP 模型存在收敛速度慢和容易陷入局部 极小值的问题，李长荣、艾立群等分别利用优化算法改进 BP 神经网络，以石灰量、铁水量、铁水温 度、萤石量、铁水碳含量、铁水磷含量、吹氧量等为评价参数对转炉终点磷含量进行了预测，误差值 为±0.008%时，命中率可达 93.33%[24, 25]。He 等提出了一种基于主成分分析和 BP 神经网络对 BOF 终 点磷含量进行预测的深度学习模型，利用主成分分析减少影响因素维数，应用结果表明，预测误差 在±0.007%、±0.005%和±0.004%以内时，终点磷含量命中率分别为 96.67%、93.33%和 86.67%[26]。高 放等提出了基于 FA-ELM（因子分析法-超限学习机）的转炉终点磷预测模型，较传统 BP 神经网络 模型具有更高的准确性和更强的泛化能力[27]。铉明涛等利用 FOA（果蝇算法）优化后的 GRNN（广 义回归神经网络）预报转炉终点碳和温度，使模型具有精度高，训练简单，计算时间短等优点[28]， 更加适合反应速度快、数据量巨大的转炉冶炼过程。祁子怡等采用 k-均值聚类算法确定隐藏层中心， 最小二乘法调整 RBF 神经网络的权值，解决了 RBF 神经网络隐含层节点的个数及异类样本距离阈 值难以确定的问题，提升了终点预报精度[29]。同样，张辉宜利用 AP（近邻传播聚类算法）对 RBF 神经网络进行训练，大幅提高了 Q235B 终点预测命中率[30]。Wang 等通过结合 GA（遗传算法）与 BP 神经网络的优点，建立了 GA-BP 神经网络组合模型用于转炉终点锰含量预测，预测误差在 ±0.03%和±0.025%以内时，命中率分别为 90%和 84%[31]。 （2）电炉终点预测 电炉炼钢相较于转炉炼钢过程废钢比更高，对于入炉原料把控显得更为重要，由于废钢成分的 差异性，造成电炉终点碳具有不稳定性。电炉熔池中发生的化学反应与加料、送电等操作间存在强耦 合作用，通过对操作过程进行有效学习，调整模型参数，可实现高命中率终点预报。 刘志明等选择 电耗、氧耗、生铁量、废钢量、碳粉量、天然气耗量、石灰量和上一炉留在电弧炉内的 C、P 元素的质量 分数 9 个影响因素作为模型的输入，采用 BP 神经网络建立了终点碳预测模型，误差值为±0.004%时， 命中率可达 94%[32]。马戎等对 100 吨电弧炉建立 RBF 神经网络模型预测钢水主要成分，并与 BP 神 经网络对比发现该模型具有收敛速度快，可避免陷入局部极值的特点[33]。刘锟等构建了网络结构简 单，训练量小的增量神经网络，以废钢、铁水、装料制度、通电时间、吨钢氧耗和电耗作为输入特征， 对电弧炉冶炼终点的温度、碳和磷含量误差值为±10℃、±0.02%和±0.004%时，命中率分别为 93%、75%和 86%[34]。 录用稿件，非最终出版稿