Page 20 - 国外钢铁技术信息内参（ 2022年5月）
P. 20
ᇏݓࣁඋ࿐߶
和不同时间划分的示意图。 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
图 1 不同时间类别的钢包进程示意图 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
3. 机器学习
机器学习是计算机科学的一个领域，它使用重叠(或模糊)行为算法，而不是
在大多数计算机数学中发现的离散行为。机器学习通过神经网络(NN)等方法在
输入数据之间创建语义关联，发现不明显的联系。例如，在钢包内壁的热量损失
和钢包空置时间之间有一个直观的联系(空的钢包将热量损失到环境中，并且没
ᇏݓࣁඋ࿐߶
有钢水来为内壁提供热量)。
ᇏݓࣁඋ࿐߶
工程师和技术人员可以通过钢包温度采样来观测热损失，也可以通过采样时
间来将热损失与时间联系起来。然而，这需要工程师事先知道这种相关性，以便
手动关联。机器学习则通过大量的数据，检验与期望的输出结果相关的每一个输
入数据。最终找到每种输入数据对这些输出结果的影响的相关权重。这些权重如
很小，则表示没有相关性，如权重比较大，则表示有很强的直接联系(如上述时
间与热损失的例子)。
ᇏݓࣁඋ࿐߶
机器学习的使用需要对数据进行适当的“修剪”，以创建一个数据结构：用于
机器学习算法的适当格式化的输入/输出模式。算法本身可以有很大的不同。一
些算法可能更适用于短期数据反馈，这样能立即得出最相关的数据。其他函数则
要求算法“记住”很长一段时间内的重要数据。算法选择与数据结构的创建同样重
要。
当选择好算法，并将数据输入到所需的结构中，就可以利用这些数据训练算
ᇏݓࣁඋ࿐߶
17
