提高了预处理脱硫效率。为优化辅料加入量，张华等首先使用具有适应时变能力的DRNN(对角 递归神经网络)进行终点预测，而后利用改进的SLS-PSO算法对优化模型求解，使得终点控制过 程辅料节约量为15%左右41。欧青立对LF炉利用常规PID算法加料进行改造，设计了一种PS0 (微粒群优化算法)的BP神经网络应用于配料称重系统，实现了快速精准配料的目标。 2.2.3异常预报与质量评价 炼钢过程存在异常状况研判依据不强，精准预测和防控难度高，产品质量实时在线检测困难等 问题。利用广义回归神经网络、卷积神经网络和残差神经网络等深度学习方法能够根据大数据挖掘提 取预警阈值，并基于设定标准及时判定生产过程的质量问题，对炼钢工序过程形成具有自学习能力 的异常状况预报及产品质量评价系统。 (1)火焰识别 钢液治炼过程中的物理化学变化无法直接观测，技术工人通常采角观测火焰的方法判断反应情 况，但存在主观性强、火焰物性变化大等问题7。随着深度学习研完的化，对治炼炉火焰图像进行 特征提取，数字化之后利用神经网络完成分类预测的相关研完成果不断涌现。Ma等人以AOD治炼 的喷溅过程为研究对象，利用B神经网络建立了喷溅预测模型， 可实现对喷溅的准确判断并能有 效控制4别。庞殊杨等采用抗干扰能力强、检测速度esNt(残差神经网络)对转炉火焰数据集 进行有监督的训练，训练完成后可对正常、轻微跳渣、跳渣、轻微固体喷溅、固液喷溅、液体喷溅、黑 烟和火焰等8种状态火焰进行高准确性实时监测，达到异常情况预报的目的。李超等对转炉终点 时刻炉口火焰图像利用改进的多趋势二进制编码彩色纹理特征表述方法进行特征提取，并选用 GRNN建立预测模型，该模型的收敛速度快，但空间复杂度高，当误差值为0.O2%时，命中率为 95.7%501。 (2)连铸坯表面缺陷检 连铸坯生产中卷渣偏析保护渣性能、结晶器锥度和震动不合理均会造成表面缺陷，生产企业 一般采用人工观察和设备探伤相结合的检测方式，成本高且效率较低。如何满足现场环境快速实时 检测要求是各生色企业面临的难题，将深度学习模型应用于铸坯图像识别中，既能避免人工造成的 误判，又能快速发现并解决问题。毛欣翔等通过gRPC(谷歌远程过程调用)框架构建了基于 YOLO3模型的板坯表面缺陷检测系统，并搭建了基于循环式卷积生成对抗网络的缺陷数据生成平 台，在完成检测要求前提下对表面缺陷图像进行有效扩充BJ。Konovalenko等开发了一种利用 ResNet神经网络进行连铸坯缺陷分类的深度学习模型，对缩孔、裂纹和翘皮三种缺陷识别精度为 96.91%s网。安波等通过传统BP和具有自组织功能的Kohonen两种神经网络并行运算，实际测试中 数据采集、运算和判定总耗时小于3s,铸坯质量判断准确率能够达到92%5)。韩舟利用增加动量因提高了预处理脱硫效率[44]。为优化辅料加入量，张华等首先使用具有适应时变能力的 DRNN（对角 递归神经网络）进行终点预测，而后利用改进的 SLS-PSO 算法对优化模型求解，使得终点控制过 程辅料节约量为 15%左右[45]。欧青立对 LF 炉利用常规 PID 算法加料进行改造，设计了一种 PSO （微粒群优化算法）的 BP 神经网络应用于配料称重系统，实现了快速精准配料的目标[46]。 2.2.3 异常预报与质量评价 炼钢过程存在异常状况研判依据不强，精准预测和防控难度高，产品质量实时在线检测困难等 问题。利用广义回归神经网络、卷积神经网络和残差神经网络等深度学习方法能够根据大数据挖掘提 取预警阈值，并基于设定标准及时判定生产过程的质量问题，对炼钢工序过程形成具有自学习能力 的异常状况预报及产品质量评价系统。 （1）火焰识别 钢液冶炼过程中的物理化学变化无法直接观测，技术工人通常采用观测火焰的方法判断反应情 况，但存在主观性强、火焰物性变化大等问题[47]。随着深度学习研究的深化，对冶炼炉火焰图像进行 特征提取，数字化之后利用神经网络完成分类预测的相关研究成果不断涌现。Ma 等人以 AOD 冶炼 的喷溅过程为研究对象，利用 BP 神经网络建立了喷溅预测模型，可实现对喷溅的准确判断并能有 效控制[48]。庞殊杨等采用抗干扰能力强、检测速度快的 ResNet（残差神经网络）对转炉火焰数据集 进行有监督的训练，训练完成后可对正常、轻微跳渣、跳渣、轻微固体喷溅、固液喷溅、液体喷溅、黑 烟和火焰等 8 种状态火焰进行高准确性实时监测，达到异常情况预报的目的[49]。李超等对转炉终点 时刻炉口火焰图像利用改进的多趋势二进制编码彩色纹理特征表述方法进行特征提取，并选用 GRNN 建立预测模型，该模型的收敛速度快，但空间复杂度高，当误差值为±0.02%时，命中率为 95.7%[50]。 （2）连铸坯表面缺陷检测 连铸坯生产中卷渣、偏析、保护渣性能、结晶器锥度和震动不合理均会造成表面缺陷，生产企业 一般采用人工观察和设备探伤相结合的检测方式，成本高且效率较低。如何满足现场环境快速实时 检测要求是各生产企业面临的难题，将深度学习模型应用于铸坯图像识别中，既能避免人工造成的 误判，又能快速发现并解决问题。毛欣翔等通过 gRPC（谷歌远程过程调用）框架构建了基于 YOLOv3 模型的板坯表面缺陷检测系统，并搭建了基于循环式卷积生成对抗网络的缺陷数据生成平 台，在完成检测要求前提下对表面缺陷图像进行有效扩充 [51]。Konovalenko 等开发了一种利用 ResNet 神经网络进行连铸坯缺陷分类的深度学习模型，对缩孔、裂纹和翘皮三种缺陷识别精度为 96.91%[52]。安波等通过传统 BP 和具有自组织功能的 Kohonen 两种神经网络并行运算，实际测试中 数据采集、运算和判定总耗时小于 3s，铸坯质量判断准确率能够达到 92%[53]。韩舟利用增加动量因 录用稿件，非最终出版稿