(3)精炼过程温度控制 炼钢过程中温度控制是极为重要的环节，转炉后流转过程中温度波动起伏大不仅会造成能源损 失，对钢液品质也不利。为获得合理的精炼温度制度，保证连铸过程稳定的过热度，同时将信息化 程度高的精炼工序所产生的数据充分利用，研究人员开发出不同深度学习模型用于该工序控制。李 强等将专家系统和BP神经网络相结合，建立了LF炉钢水温度预测模型，误差值为±5C时命中率 达到85%。吴扬针对250吨RH-MFB采用具有较高容错抗干扰能力的NARX(基于带外源输入的 非线性自回归神经网络)建立真空精炼钢液温度预测模型，误差值为±5℃时命中率达到了89.5%， 并能准确计算出合金加入量B阿。贺东风、付国庆、冯春松等分别提出了基于传热机理和BP神经网络 的精炼过程钢水温度预报混合模型，克服了单一的数学模型或智能模型的缺 适合实际炼钢过 程应用37-3河。 2.2.2物料消耗优化控制 随着钢铁企业对精益生产的重视程度日益提升，粗放的物料Q制度弊端越来越明显。但由于 炼钢各工序变化因素多，物料消耗难以通过线性模型准确预知。将深度信念网络、Elman神经网络和 对角递归神经网络等引入物料管控过程，依据历史数据预侧当前炉次加料量，能够起到良好的降本 增效作用。 (1)供氧模型 转炉炼钢过程中吹氧主要是为去除杂质元索，控制终点碳和温度，因而转炉治炼吹氧量的确定 对于转炉炼钢至关重要。深度学习模型对历史吹炼数据进行优选，采用自学习的方式改变神经元之 间的连接权值，分析不同条件所刻应的供氧模式。付佳等先利用静态模型计算出原辅料的加入量以 及理想状态下的供氧量， 再利用得到的结果和给定的初始条件，使用BP神经网络预测出转炉吹炼 实际所需供氧量4。为克最BP神经网络收敛慢，易出现过拟合的缺点，艾晓礼等利用LM算法改进 了BP神经网络， 预侧炼钢过程总吹氧量和动态吹炼过程二次吹氧量，李爱莲、张子阳等则分别采 用灰色模型改进学习过程较慢的DBN(深度信念网络)和输出状态存在稳定性问题的Elman神经 网络，依据 〈量原料成分及操作数据，建立了供氧量预测模型，通过加料信息预测炉次氧耗量2， (2)原辅料加入控制模型 以铁水、铁矿石和废钢等为代表的炼钢原料在以合金、渣料等为代表的辅料资源配合下完成了从 含铁资源到钢材产品的转化。但在物料加入过程中不能直接对钢水成分在线连续检测，且存在多项 工艺参数扰动，难以建立准确的传统数学模型进行有效控制，因此需建立非线性的深度学习模型。 杨志勇等利用BP神经网络对铁水预处理粉剂用量进行控制，避免了过吹和欠吹对生产节奏的影响，（3）精炼过程温度控制 炼钢过程中温度控制是极为重要的环节，转炉后流转过程中温度波动起伏大不仅会造成能源损 失，对钢液品质也不利。为获得合理的精炼温度制度，保证连铸过程稳定的过热度，同时将信息化 程度高的精炼工序所产生的数据充分利用，研究人员开发出不同深度学习模型用于该工序 控制。李 强等将专家系统和 BP 神经网络相结合，建立了 LF 炉钢水温度预测模型，误差值为±5℃时命中率 达到 85%[35]。吴扬针对 250 吨 RH-MFB 采用具有较高容错抗干扰能力的 NARX（基于带外源输入的 非线性自回归神经网络)建立真空精炼钢液温度预测模型，误差值为±5℃时命中率达到了 89.5%， 并能准确计算出合金加入量[36]。贺东风、付国庆、冯春松等分别提出了基于传热机理和 BP 神经网络 的精炼过程钢水温度预报混合模型，克服了单一的数学模型或智能模型的缺点，更适合实际炼钢过 程应用[37-39]。 2.2.2 物料消耗优化控制 随着钢铁企业对精益生产的重视程度日益提升，粗放的物料加入制度弊端越来越明显。但由于 炼钢各工序变化因素多，物料消耗难以通过线性模型准确预知。将深度信念网络、Elman 神经网络和 对角递归神经网络等引入物料管控过程，依据历史数据预测当前炉次加料量，能够起到良好的降本 增效作用。 （1）供氧模型 转炉炼钢过程中吹氧主要是为去除杂质元素，控制终点碳和温度，因而转炉冶炼吹氧量的确定 对于转炉炼钢至关重要。深度学习模型对历史吹炼数据进行优选，采用自学习的方式改变神经元之 间的连接权值，分析不同条件所对应的供氧模式。付佳等先利用静态模型计算出原辅料的加入量以 及理想状态下的供氧量，再利用得到的结果和给定的初始条件，使用 BP 神经网络预测出转炉吹炼 实际所需供氧量[40]。为克服 BP 神经网络收敛慢，易出现过拟合的缺点，艾晓礼等利用 LM 算法改进 了 BP 神经网络，预测炼钢过程总吹氧量和动态吹炼过程二次吹氧量[41]，李爱莲、张子阳等则分别采 用灰色模型改进学习过程较慢的 DBN（深度信念网络）和输出状态存在稳定性问题的 Elman 神经 网络，依据大量原料成分及操作数据，建立了供氧量预测模型，通过加料信息预测炉次氧耗量[42, 43]。 （2）原辅料加入控制模型 以铁水、铁矿石和废钢等为代表的炼钢原料在以合金、渣料等为代表的辅料资源配合下完成了从 含铁资源到钢材产品的转化。但在物料加入过程中不能直接对钢水成分在线连续检测，且存在多项 工艺参数扰动，难以建立准确的传统数学模型进行有效控制，因此需建立非线性的深度学习模型。 杨志勇等利用 BP 神经网络对铁水预处理粉剂用量进行控制，避免了过吹和欠吹对生产节奏的影响， 录用稿件，非最终出版稿