(2)Highly self-learning and self-adaptive capabilities (2)Easy to fall into local minima (3)Some fault tolerance (1)Partial connection (1)Need to normalize the data set CNN (2)Value sharing (2)No memory function (3)Hierarchical expression (3)Poor natural language processing skills (1)Fast network convergence (1)Difficult to determine the nodes in the hidden layer WNN (2)Avoid getting stuck in a local optimum (2)No adaptive selection of functions (3)High precision (1)Self-organization changes network parameters (1)Need to pre-determine the number of neurons SOM (2)Only one neuron becomes the competition winner (2)Randomly generate the i be of the weight vector 2.深度学习在炼钢过程的发展与应用 2.1深度学习在炼铜过程的发展 炼钢过程涉及热力学、动力学及动量热量质量传输等物理化学机玛 但由于过程参数复杂，且 前后工序存在遗传影响，在解释对应治金现象时需要大量假设租简化。而与之相反，深度学习模型 只要有足够多的样本训练就能达到较好的拟合效果，但不能从原理上对现象进行解析。在利用治金 工艺原理进行理论指导的同时将深度学习引人参斜程建模，可以实现优势互补。1943年 [,MeCulloch和Pits参考神经细胞工作原理首次提出神经元数学模型，即M-P模型，这标志着 人工神经网络的开端。Hinton分别在19864年利2006s年两次推动神经网络的巨大进步，先是促进 了BP算法在学习训练中的应用，而后又掀起深度学习新的研究热潮。伴随着神经网络的波动发展， 以及硬件设备计算能力的不断提以深度学习在炼钢过程中的应用主要可分为三个阶段，分别如下： 2.1.1应用探索阶段 神经网络依靠提取数据特征完成训练学习，模仿人脑活动过程，取得对应经验，因此在应用早 期，常与炼钢专家系统相结哈， 共同为现场决策起辅助作用61，解决某个工序点的问题。迫于当 时生产数据难以实时采集，同时专家系统无法获取隐性知识，加之硬件计算能力有限，使得深度学 习模型在炼钢过程中的应用研究没有大的发展，模型精度较低。但国内外学者都进行了有益探索， 部分研究成果在实际生产中开始小范围研究性试用，见表2。 表2深度学习模型探素使用案例 Table 2 Deep learning model exploration use cases NO. Year Country Application companies Process Application 1 1990 USA Copperweld Steel mill Electric arc furnace Process control 2 1990 USA North Star Steel mill Electric arc furnace Process control 1991 Finland Rahhe Steel mill Continuous casting Pourability forecast(2) Highly self-learning and self-adaptive capabilities (3) Some fault tolerance (2) Easy to fall into local minima CNN (1) Partial connection (2) Value sharing (3) Hierarchical expression (1) Need to normalize the data set (2) No memory function (3) Poor natural language processing skills WNN (1) Fast network convergence (2) Avoid getting stuck in a local optimum (3) High precision (1) Difficult to determine the nodes in the hidden layer (2) No adaptive selection of functions SOM (1) Self-organization changes network parameters (2) Only one neuron becomes the competition winner (1) Need to pre-determine the number of neurons (2) Randomly generate the initial value of the weight vector 2. 深度学习在炼钢过程的发展与应用 2.1 深度学习在炼钢过程的发展 炼钢过程涉及热力学、动力学及动量热量质量传输等物理化学机理，但由于过程参数复杂，且 前后工序存在遗传影响，在解释对应冶金现象时需要大量假设和简化。而与之相反，深度学习模型 只要有足够多的样本训练就能达到较好的拟合效果，但不能从原理上对现象进行解析。在利用冶金 工艺原理进行理论指导的同时将深度学习引入生产过程建模，可以实现优势互补。1943 年 [13]，McCulloch 和 Pitts 参考神经细胞工作原理，首次提出神经元数学模型，即 M-P 模型，这标志着 人工神经网络的开端。Hinton 分别在 1986[14]年和 2006[15]年两次推动神经网络的巨大进步，先是促进 了 BP 算法在学习训练中的应用，而后又掀起深度学习新的研究热潮。伴随着神经网络的波动发展 ， 以及硬件设备计算能力的不断提升，深度学习在炼钢过程中的应用主要可分为三个阶段，分别如下： 2.1.1 应用探索阶段 神经网络依靠提取数据特征完成训练学习，模仿人脑活动过程，取得对应经验，因此在应用早 期，常与炼钢专家系统相结合，共同为现场决策起辅助作用[16-19]，解决某个工序点的问题。迫于当 时生产数据难以实时采集，同时专家系统无法获取隐性知识，加之硬件计算能力有限，使得深度学 习模型在炼钢过程中的应用研究没有大的发展，模型精度较低。但国内外学者都进行了有益探索， 部分研究成果在实际生产中开始小范围研究性试用，见表 2。 表 2 深度学习模型探索使用案例 Table 2 Deep learning model exploration use cases NO. Year Country Application companies Process Application 1 1990 USA Copperweld Steel mill Electric arc furnace Process control 2 1990 USA North Star Steel mill Electric arc furnace Process control 3 1991 Finland Rahhe Steel mill Continuous casting Pourability forecast 录用稿件，非最终出版稿