Page 26 - 国外钢铁技术信息内参（ 2022年5月）

Adam
学习方法 ᇏݓࣁඋ࿐߶
损失函数 Smooth L1 loss(Huber loss)
激活函数 Sigmoid
线性层初始化方法 Kaiming 方法 ᇏݓࣁඋ࿐߶
初始权值分布 正态分布
ᇏݓࣁඋ࿐߶
批处理大小 6
学习速率 0.005
迭代数 10000
线性层数 5
线性层通道 {25×128; 128×128; 128×64; 64×32; 32×3}

（5）模型输出数据 ᇏݓࣁඋ࿐߶

钢包历史数组—当前炉次（炉次 n） ᇏݓࣁඋ࿐߶
对于神经网络的输出数据，目标是预测 LMF 工序最后的温度采样和钢包开
浇之间的温降，预测浇铸过程中点的中间包温度，并预测综合因素下温度线性变

化的斜率。该软件的输出数据包括上述三个值的数组，以及钢包对应的当前炉次

和前三个炉次的历史信息。最后，一个额外的数据单元将这些数据分类成“典型”

炉次，使操作人员能够定性和定量地了解钢包的历史信息。

表 3 模型中的超参数数值
ᇏݓࣁඋ࿐߶
输出数值 描述
钢包数据数组 炉次号, 钢包号, 位置, 包龄等
中点温度预测 数值[°F]
中点温度预测斜率 数值[°F/s]
热损（LMF-连铸） 数值[°F]
盛钢时间，空置时间，等待时间，预热时

间
钢包历史数组—先前的炉次（炉次 n-1~ n-3） 同上 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
当前炉次和前三个炉次对应钢包的定性
钢包历史数值—定性的值
数值
注释 特殊情况或错误情况的注释

定性标记是通过比较当前值(例如盛钢时间)并将其与数据集中所有正常炉

次数据的标准差进行比较来完成的。然后，根据这个比较结果进行标记：

ᇏݓࣁඋ࿐߶

23