Page 42 - 国外钢铁技术信息内参（ 2022年5月）
P. 42
ᇏݓࣁඋ࿐߶
本文提出通过研究过程变量，例如操作变量、前一阶段的添加物、前一阶段
中炉渣的化学性质结果以及其他变量，用来查找过去发生的类似情况，从中学习
并向操作员提供添加物的建议。 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
3. 人工智能算法
通过监控过程变量，能够创建获取过程知识的数据库、根据数据做出决策并
建立预测模型。这些模型基于独特和专有的过程数据而构建。在本文中，利用
Python 和 R 编程语言开发统计和人工智能（AI）方法。
在当今时代，使用 AI 带来了巨大的好处，因为它可以识别数据模式，进行 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
预测、分类、构建推荐系统、检测异常和细分。在这种情况下，对钢铁行业的历
史和实验数据的管理使人工智能通过机器学习（ML）和深度学习（DL）的应用
成为可能，同时建模预测添加物、从炉渣化学性质推断氧化物以及计算脱硫能力
指标。
ML 具有大量用于解决不同问题的算法类型。算法包括基于实例的内容，例
如 K 最近邻（KNN），根据新样例和数据库样例之间的相似性进行分类或执行回
ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
归。
这种模型假设所有样例都对应于 n 维度欧几里得空间中的点。实例的最近邻
是空间中每个点与新实例之间的距离最小者。一旦有最近邻，就会获取每个相邻
点的响应值，然后取平均值，以获得新样例的响应值。本文选取了六个邻域，原
因在于其所示为要预测的添加量的充分泛化。
在深度学习方面，应用了人工神经网络（ANN）算法。这些算法在查找线
ᇏݓࣁඋ࿐߶
性和非线性数据中的关系方面颇具盛名。ANN 试图根据神经元的功能来类比人
脑。ANN 的普及是因为它提供了一种实用的方法，通过描述人类神经元的数学
函数处理实值来推广学习。对于某些类型的问题，例如解释来自真实世界的复杂
数据，ANN 是已知最有效的方法之一。在本文中，一个名为“多层感知器”的 ANN
被构造为具有单个隐藏层，尽管它是最简单的隐藏层之一，但效果良好。
ᇏݓࣁඋ࿐߶
39
