Page 24 - 国外钢铁技术信息内参（ 2022年5月）

ᇏݓࣁඋ࿐߶
代码将以只读模式读取 SQL 数据库，处理数据并运行算法来生成预测结果。然ᇏݓࣁඋ࿐߶

个安装包管理系统，该系统除了支持版本管理外，还允许轻松安装必要的 python

软件库。因此，唯一需要在目标机器上安装的软件是 microconda 环境，在此之

后，可以运行一次批处理脚本来设置必要的 python 版本和软件库。这可以防止
ᇏݓࣁඋ࿐߶
智能钢包软件所需的 python 程序干扰或覆盖其他的 python 程序。

为了保持这种互不干涉的方式，该软件与 SDI Butler Division 的 HMI 系统使

用的 Ignition 系统相连接。我们为 Ignition 创建了一个脚本，它将把必要的信息

传递给一个批处理脚本(钢包号和目标铸机)，然后执行 python 代码。之后，python

后，Ignition 脚本将该命令的输出结果作为数组读取，以便根据需要将其合并到 ᇏݓࣁඋ࿐߶

ᇏݓࣁඋ࿐߶
SQL 数据库或 HMI 面板中。

（4）机器学习算法

开发深度学习程序是为了读取输入数据(过程数据)并提供输出数据(钢包和

中间包温度预测结果)。神经网络架构如图 2 所示。它由 4 个显示输入数据的模

块和最终的线性全连接层组成。在每个模块上，我们应用线性层提取特征，然后
ᇏݓࣁඋ࿐߶
是 1 维批处理标准化层和函数。需要批处理标准化层来减少内部协变量移位，并

保持各层输入数据的分配，从而产生可靠的神经网络。函数将非线性引入神经网

络。其次，考虑到避免梯度消失问题和梯度爆炸式增长问题，我们使用 Kaiming

的方法初始化每个线性层的权值。在最后一层，我们使用全连接层将 32 个组件

特性映射到最终的三个输出上。 ᇏݓࣁඋ࿐߶

ᇏݓࣁඋ࿐߶

ᇏݓࣁඋ࿐߶

21