子改进后的BP神经网络建立了铸坯质量判定模型，误差值在±10%以内时，命中率达97.2%5网 (3)连铸漏钢预报 连铸是实现高温钢水由液态向固态转变的工艺，同时由于该工序钢液处于动态过程，因此也是 最容易出现漏钢事故的环节。一旦发生漏钢事故，往往会造成设备损毁和人员伤亡的重大安全生产 责任事故，国内外学者为解决这一问题将深度学习模型引入到连铸漏钢预报中。范建东等利用RBF 神经网络结合漏钢温度特征曲线，建立了连铸漏钢预报模型，有效提高预报精度并且降低误报率 阿。杨琴等针对传统神经网络收敛速度和精度的问题，建立具有较强泛化能力的量子小波神经网络 模型，实现了快速准确的连铸漏钢预警I。Zhang等利用GA-BP神经网络预测连铸过程漏钢，预测 率为100%，准确率为97.56%刃。厉英等采用变步长的改进算法建立了BP神经网络模型， 并引入动 量项和防振荡项来避免局部极小值]。 3.深度学习在炼锅过程的优势与桃战 3.1优势 3.11特征提取简单 级出版 算法准确性高度依赖于数据特征提取，其可视房个数据降维过程，即将原始数据转化为具有 一定区分度和维度特征的数据。机器学习中人工提取特征的方法，例如过滤法、包裹法、嵌入法等， 存在过程复杂、计算量大的缺点。深度学习在没计k模拟了人脑，可以尽可能优化损失函数，自动挖 掘数据潜在特征，不需要确定性编程就可以赋予机器某项技能。炼钢过程提取的原始数据特征是影 响结果预报的重要因子，且由于钢铁生产是一个动态调整过程，原始数据特征除了初始含铁物料如： 废钢、生铁、矿石等加入量是固定的，其他一些信息如：温度、工序时间和成分、吹氧量、补加渣量、 合金加入量等都随生产实际随时变化，这就造成了实际炼钢过程数据呈现高维特征的问题。若将这 些原始数据全部作为输入参量进行传统过程模型计算，容易导致模型过于复杂甚至难以收敛。神经 网络以样本学习的我直接从炼钢过程的输入输出关系中提取信息，通过反复训练不断调整神经 元相互作用的凤道，而无需借鉴先验知识的积累或人工逻辑的归纳与推理。 3.1.2泛化能强 泛化能力是指训练后的神经网络正确预测和识别训练样本集外其他样本的能力。根据机器学习 的经典理论，模型参数量越大，模型的拟合程度越强，但同时泛化能力也会更差。然而在深度学习 中并没有观察到这种现象，深度学习的模型通常有着巨大的参数量，测试数据远多于训练数据，实 际应用中，在真实数据上训练的深度学习模型通常具有很好泛化性能，增大模型的参数量，并不会 使得泛化变差。在炼钢工业场景下应用，可将部分已有生产数据作为训练数据集，深度学习模型能子改进后的 BP 神经网络建立了铸坯质量判定模型，误差值在±10%以内时，命中率达 97.2%[54] （3）连铸漏钢预报 连铸是实现高温钢水由液态向固态转变的工艺，同时由于该工序钢液处于动态过程，因此也是 最容易出现漏钢事故的环节。一旦发生漏钢事故，往往会造成设备损毁和人员伤亡的重大安全生产 责任事故，国内外学者为解决这一问题将深度学习模型引入到连铸漏钢预报中。范建东等利用 RBF 神经网络结合漏钢温度特征曲线，建立了连铸漏钢预报模型，有效提高预报精度并且降低误报率 [55]。杨琴等针对传统神经网络收敛速度和精度的问题，建立具有较强泛化能力的量子小波神经网络 模型，实现了快速准确的连铸漏钢预警[56]。Zhang 等利用 GA-BP 神经网络预测连铸过程漏钢，预测 率为 100%，准确率为 97.56%[57]。厉英等采用变步长的改进算法建立了 BP 神经网络模型，并引入动 量项和防振荡项来避免局部极小值[58]。 3.深度学习在炼钢过程的优势与挑战 3.1 优势 3.1.1 特征提取简单 算法准确性高度依赖于数据特征提取，其可视作一个数据降维过程，即将原始数据转化为具有 一定区分度和维度特征的数据。机器学习中人工提取特征的方法，例如过滤法、包裹法、嵌入法等， 存在过程复杂、计算量大的缺点。深度学习在设计上模拟了人脑，可以尽可能优化损失函数，自动挖 掘数据潜在特征，不需要确定性编程就可以赋予机器某项技能。炼钢过程提取的原始数据特征是影 响结果预报的重要因子，且由于钢铁生产是一个动态调整过程，原始数据特征除了初始含铁物料如 ： 废钢、生铁、矿石等加入量是固定的，其他一些信息如：温度、工序时间和成分、吹氧量、补加渣量、 合金加入量等都随生产实际随时变化，这就造成了实际炼钢过程数据呈现高维特征的问题。若将这 些原始数据全部作为输入参量进行传统过程模型计算，容易导致模型过于复杂甚至难以收敛。神经 网络以样本学习的方式，直接从炼钢过程的输入输出关系中提取信息，通过反复训练不断调整神经 元相互作用的权值，而无需借鉴先验知识的积累或人工逻辑的归纳与推理。 3.1.2 泛化能力强 泛化能力是指训练后的神经网络正确预测和识别训练样本集外其他样本的能力。根据机器学习 的经典理论，模型参数量越大，模型的拟合程度越强，但同时泛化能力也会更差。然而在深度学习 中并没有观察到这种现象，深度学习的模型通常有着巨大的参数量，测试数据远多于训练数据，实 际应用中，在真实数据上训练的深度学习模型通常具有很好泛化性能，增大模型的参数量，并不会 使得泛化变差。在炼钢工业场景下应用，可将部分已有生产数据作为训练数据集，深度学习模型能 录用稿件，非最终出版稿