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