Page 23 - 国外钢铁技术信息内参（ 2022年5月）

ᇏݓࣁඋ࿐߶
中提取数据之后，就可以解析输入参数并搭建数据结构了。例如，一个已经开浇ᇏݓࣁඋ࿐߶

该模型的开发使用了数据库的离线副本，用大约 8 个月的数据(超过 12000

炉次)导出为逗号分隔的格式。在完成使用静态数据的测试和训练之后，修改代
ᇏݓࣁඋ࿐߶
码以直接访问 SQL 数据库来读取必要的过程数据。这是通过将导出的 SDI Butler

Division 数据库的数据转换为一个本地的 SQL 镜像数据库进行测试的，该数据库

可以用于测试数据库调用和本地数据分析。

Pyodbc 软件库用于链接 python 程序和 Microsoft SQL 数据库。从需要的表

的钢包内剩余的钢水重量和该铸机当前的通钢量可用于计算该铸机需要下一包 ᇏݓࣁඋ࿐߶

钢水的预期时间。针对某些可能影响正确预测的特定条件进行过程检查。例如，

当指定的钢包不在 LMF 工序中，或者它还没有温度采样记录时，python 程序将

退出并进行注释。如果当前正在浇铸的炉次没有足够时间进行正常浇铸(通常至

少完成了一半)，软件也会返回一个错误提示。

（2）数据结构 ᇏݓࣁඋ࿐߶

ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
导出的数据必须进行解析和格式化，作为神经网络的输入数据。得到的数据
结构包括 25 个输入因素:钢包进程的时间间隔、最终 LMF/中间包温度、连铸通

钢量和当前炉次数据。在将数据输入神经网络之前，必须对工业数据进行标准化

处理。为了训练算法，对数据进行了过滤，排除了极端“非标准炉次”。这包括

钢包包役的第一炉、停机/中断后的第一个炉次，以及高于/低于特定极值的炉次。

这是为了确保模型将使用“标准”炉次进行训练，同时还开发出识别和处理非标

准炉次的其他方法。
ᇏݓࣁඋ࿐߶

（3）软件集成

由于智能钢包软件需要与不同钢铁企业的不同系统一起工作，因此软件的开

发需要考虑可能存在的数据安全政策的差异。此外，由于软件使用 python 开发，

考虑到防止版本冲突和软件库管理的问题，选择 conda 环境作为智能钢包软件的

SDI Butler Division。Conda 为 python 发行版创建了一个虚拟环境，并提供了一
ᇏݓࣁඋ࿐߶

20