够用于对结果做出预报。且随着生产数据积累，神经元之间的权值不断调整，通过自学习进一步提 高模型泛化能力。这主要是由于平滑简单的函数比振荡复杂的函数有更好的泛化能力。深度学习模型 从数据特征的低频成分开始学习，当达到数据的最高频率时，频率空间误差等于实域空间误差，所 以模型学习也就此停止。因此，训练数据能够限制深度学习的拟合函数，对于低频的初始化，激活 函数平滑性较好，从而使深度学习模型具有更好的泛化能力。 3.13模型可塑性高 深度学习的网络结构和模型功能具有良好的可塑性，针对纷繁复杂的使用场景呈现出强大的智 能化特性和普适能力。神经网络作为一种通用模型，可视为高维特征变换器，能够对任意非线性变 化进行最优拟合，通过强化、竞争和代谢等机制自动寻找输入特征数据中的肉在规律和控制属性， 神经网络节点数以及各节点对应的权值都可以在运行中进行自适应调整 现代炼钢工艺主要有长流 程和短流程两种路线，但各企业生产装备千差万别，操作制度也不尽相同。若用传统模型解决生产 实际问题，只能应用于当前场景下，迁移至其他环境时，由于物料级设备的不同，需要重新建立模 型，增加了改进成本。一机一模型的模式是影响智能制造在钢铁行业落地并可持续发展的关键环节。 深度学习模型只需要输入特征数据重新训练， 就能自动调整模型参数， 以适应新的使用场景。这使 得它具有很强的可塑性，同一个模型可以持续自我优化 在不同生产单位取得相似的使用效果。 3.2挑战 32.1数据依赖性高 深度学习模型的参数选择不依靠理论基础和先验知识，纯粹为数据驱动，这既是神经网络的优 点，但同时也意味着其对数据质量和总量存在高度依赖。但实际生产中，一方面，钢铁企业通常不 愿意对数据质量进行验证，因为这会额外增加生产成本。以炼钢厂的LF炉为例，即使做出使用的安 全性模型，在预测到电极可能在问题时，需要企业配合验证，甚至要停炉检查，这对炼钢厂是不 小的成本。因此，冶金领域通过验证的标签数据极其宝贵。对于一些钢铁企业而言，工序过程台账是 靠人工录入， 记录信急可能存在偏差，即使通过在线系统采集，工艺发生的问题也往往记录不准确： 同时工艺数据记绿的好坏也不直接与基层工人的绩效考核关联，在不发生质量问题前提下，此类岗 位没有足够动力去重视数据记录质量。另一方面，相比互联网场景下PB级大数据，钢铁行业搜集 的数据量级较小，面向炼钢过程特定任务建模，很难获取足够的数据。以转炉终点预测模型为例， 终点成分和温度是关键的检测指标，在对转炉治炼流程建模时，其中最难的点在于连续治炼中，如 何准确地对将物料信息实时更新到模型，尤其是频繁加料操作过程。这也意味着，必须要有冶炼状 态下的异常数据，才能验证模型是否可靠。此时相比生产数据有多大规模，数据能否覆盖完整覆盖 所有生产状况显得更为关键。然而治炼过程的异常数据往往很少，因为一旦出现不合格产品，钢厂够用于对结果做出预报。且随着生产数据积累，神经元之间的权值不断调整，通过自学习进一步提 高模型泛化能力。这主要是由于平滑简单的函数比振荡复杂的函数有更好的泛化能力。深度学习模型 从数据特征的低频成分开始学习，当达到数据的最高频率时，频率空间误差等于实域空间误差，所 以模型学习也就此停止。因此，训练数据能够限制深度学习的拟合函数，对于低频的初始化，激活 函数平滑性较好，从而使深度学习模型具有更好的泛化能力。 3.1.3 模型可塑性高 深度学习的网络结构和模型功能具有良好的可塑性，针对纷繁复杂的使用场景呈现出强大的智 能化特性和普适能力。神经网络作为一种通用模型，可视为高维特征变换器，能够对任意非线性变 化进行最优拟合，通过强化、竞争和代谢等机制自动寻找输入特征数据中的内在规律和控制属性， 神经网络节点数以及各节点对应的权值都可以在运行中进行自适应调整。现代炼钢工艺主要有长流 程和短流程两种路线，但各企业生产装备千差万别，操作制度也不尽相同。若用传统模型解决生产 实际问题，只能应用于当前场景下，迁移至其他环境时，由于物料及设备的不同，需要重新建立模 型，增加了改进成本。一机一模型的模式是影响智能制造在钢铁行业落地并可持续发展的关键环节。 深度学习模型只需要输入特征数据重新训练，就能自动调整模型参数，以适应新的使用场景。这使 得它具有很强的可塑性，同一个模型可以持续自我优化，在不同生产单位取得相似的使用效果。 3.2 挑战 3.2.1 数据依赖性高 深度学习模型的参数选择不依靠理论基础和先验知识，纯粹为数据驱动，这既是神经网络的优 点，但同时也意味着其对数据质量和总量存在高度依赖。但实际生产中，一方面，钢铁企业通常不 愿意对数据质量进行验证，因为这会额外增加生产成本。以炼钢厂的 LF 炉为例，即使做出使用的安 全性模型，在预测到电极可能存在问题时，需要企业配合验证，甚至要停炉检查，这对炼钢厂是不 小的成本。因此，冶金领域通过验证的标签数据极其宝贵。对于一些钢铁企业而言，工序过程台账是 靠人工录入，记录信息可能存在偏差，即使通过在线系统采集，工艺发生的问题也往往记录不准确 ； 同时工艺数据记录的好坏也不直接与基层工人的绩效考核关联，在不发生质量问题前提下，此类岗 位没有足够动力去重视数据记录质量。另一方面，相比互联网场景下 PB 级大数据，钢铁行业搜集 的数据量级较小，面向炼钢过程特定任务建模，很难获取足够的数据。以转炉终点预测模型为例， 终点成分和温度是关键的检测指标，在对转炉冶炼流程建模时，其中最难的点在于连续冶炼中，如 何准确地对将物料信息实时更新到模型，尤其是频繁加料操作过程。这也意味着，必须要有冶炼状 态下的异常数据，才能验证模型是否可靠。此时相比生产数据有多大规模，数据能否覆盖完整覆盖 所有生产状况显得更为关键。然而冶炼过程的异常数据往往很少，因为一旦出现不合格产品，钢厂 录用稿件，非最终出版稿