会立即采取调整措施。所以为使深度学习模型获得高质量数据，需企业注重现场采集数据的可信度， 既要提高传感器布置数量和测量精度，更离不开操作人员思想观念的提升，除保证正常运行过程数 据准确记录外，也需要将异常数据进行归档总结。 3.2.2预处理难度大 深度学习模型的成功依赖于高质量标记的训练数据，训练数据中存在标记噪声会大大降低模型 在测试数据上应用的准确性。由于炼钢过程复杂，采集的数据容易受现场环境以及传感器测量精度 的影响，因此存在干扰信号，为了准确建立神经网络，原始数据需经预处理后再进行特征提取。并 且各维数据来源及度量单位不同，未进行预处理前数据分布范围差异明显， 取值范围跨度大的特征 在计算权值时占主导地位。这些因素共同增加了炼钢过程数据的预处理难度 在现场取得数据 后需要借助人工经验或理论计算将错误值剔除，这一过程不能简单依靠数据处理软件实现。剔除错 误值后，数列会出现空位，影响模型运行的连续性，只有运用一些推测方法 如平滑曲线法、插值 法、比例估算法等，进行残缺补足，才能将错误数据影响最小化。另处归 化处理方式的选择也会对 模型产生影响，常用的归一化方式包括但不限于：简单缩 逐样本均值消减和特征标准化等，需 根据实际情况进行方法优选。 3.2.3生产安全性有待验证 深度学习模型本身缺乏可解释性， 易出现难以解释的结果，在炼钢这个对机理分析要求苛刻的 领域是比较忌讳的。在核心工序环节应用首先考虑的是生产安全，一旦出现问题，将造成很大的损 失。以精炼过程合金加入为例，合金元素被誉为钢铁工业的“味精”，铁合金加入的时机以及用量， 直接影响钢材产品的质量。利用神经网络粮据钢液条件加入合金，可以有效提高合金收得率，降低 吨钢合金耗量。但如果模型受到噪吏干扰或因传感器失效，在无人为干预状况下，钢液内合金元素 含量将低于下限或超过限， 芒密不得不进行回炉或降级处理。深度学习工业生产安全性有待验证 的核心原因是，炼钢过程的工艺复杂度与应用门槛都非常高，当前可供建模的特征数据量普遍匮乏 不能覆盖所有天况， 直缺乏必要冶金学机理，仅靠数据驱动的模型很难具备较好的说服力与可靠性。 针对炼钢企业不同应用要求最佳解决方案，如表3所示，发生频率高、结果影响严重的场景是最适 合利用深度学习模型来解决的，主要因为该场景下有足够的数据量，且数据标签完整，样本均衡。 可首先在该场景下进行大规模推广应用，在取得稳定效果并验证深度学习模型可靠性后，逐渐向其 他场景发展。 表3炼铜企业不同应用要求最佳解决方素 Table 3 Steelmaking companies require the best solution for different applications NO.Occurrence frequency Results impact Application examples Solutions会立即采取调整措施。所以为使深度学习模型获得高质量数据，需企业注重现场采集数据的可信度， 既要提高传感器布置数量和测量精度，更离不开操作人员思想观念的提升，除保证正常运行过程数 据准确记录外，也需要将异常数据进行归档总结。 3.2.2 预处理难度大 深度学习模型的成功依赖于高质量标记的训练数据，训练数据中存在标记噪声会大大降低模型 在测试数据上应用的准确性。由于炼钢过程复杂，采集的数据容易受现场环境以及传感器测量精度 的影响，因此存在干扰信号，为了准确建立神经网络，原始数据需经预处理后再进行特征提取。并 且各维数据来源及度量单位不同，未进行预处理前数据分布范围差异明显，取值范围跨度大的特征 在计算权值时占主导地位。这些因素共同增加了炼钢过程数据的预处理难度，首先在现场取得数据 后需要借助人工经验或理论计算将错误值剔除，这一过程不能简单依靠数据处理软件实现 。剔除错 误值后，数列会出现空位，影响模型运行的连续性，只有运用一些推测方法，如平滑曲线法、插值 法、比例估算法等，进行残缺补足，才能将错误数据影响最小化。另外归一化处理方式的选择也会对 模型产生影响，常用的归一化方式包括但不限于：简单缩放、逐样本均值消减和特征标准化等，需 根据实际情况进行方法优选。 3.2.3 生产安全性有待验证 深度学习模型本身缺乏可解释性，易出现难以解释的结果，在炼钢这个对机理分析要求苛刻的 领域是比较忌讳的。在核心工序环节应用首先考虑的是生产安全，一旦出现问题，将造成很大的损 失。以精炼过程合金加入为例，合金元素被誉为钢铁工业的“味精”，铁合金加入的时机以及用量 ， 直接影响钢材产品的质量。利用神经网络根据钢液条件加入合金，可以有效提高合金收得率，降低 吨钢合金耗量。但如果模型受到噪声干扰或因传感器失效，在无人为干预状况下，钢液内合金元素 含量将低于下限或超过上限，产品不得不进行回炉或降级处理。深度学习工业生产安全性有待验证 的核心原因是，炼钢过程的工艺复杂度与应用门槛都非常高，当前可供建模的特征数据量普遍匮乏 不能覆盖所有工况，且缺乏必要冶金学机理，仅靠数据驱动的模型很难具备较好的说服力与可靠性 。 针对炼钢企业不同应用要求最佳解决方案，如表 3 所示，发生频率高、结果影响严重的场景是最适 合利用深度学习模型来解决的，主要因为该场景下有足够的数据量，且数据标签完整，样本均衡。 可首先在该场景下进行大规模推广应用，在取得稳定效果并验证深度学习模型可靠性后，逐渐向其 他场景发展。 表 3 炼钢企业不同应用要求最佳解决方案 Table 3 Steelmaking companies require the best solution for different applications NO. Occurrence frequency Results impact Application examples Solutions 录用稿件，非最终出版稿