胡紹偉¹  李智慧²  丁  屹¹  李海濤²  程錦君¹  張超杰¹  張立強¹

（1. 安徽工業(yè)大學(xué)冶金工程學(xué)院，安徽 馬鞍山 243000；

2.常州東方特鋼有限公司，江蘇 常州 213000）

摘   要：針對鋼鐵行業(yè)能源消耗大、能源管理效率低的問題，本文設(shè)計并開發(fā)了一種面向生產(chǎn)現(xiàn)場的能源介質(zhì)優(yōu)化系統(tǒng)。系統(tǒng)集成了能源數(shù)據(jù)采集、實時監(jiān)測、智能分析與優(yōu)化控制等多項功能，涵蓋轉(zhuǎn)爐、LF精煉等關(guān)鍵工序，致力于提升能源利用效率、降低能耗并支撐企業(yè)綠色低碳轉(zhuǎn)型。系統(tǒng)以氧氣消耗優(yōu)化與鋼液溫度智能預(yù)測為核心構(gòu)建決策模型，其中轉(zhuǎn)爐模塊通過模型優(yōu)化原料配比，實現(xiàn)轉(zhuǎn)爐平均氧氣消耗降低1.3%；LF爐模塊基于長短期記憶網(wǎng)絡(luò)（LSTM）實現(xiàn)鋼液溫度短時精準(zhǔn)預(yù)測，預(yù)測誤差控制在±5 ℃范圍內(nèi)，命中率達87.5%，并根據(jù)預(yù)測調(diào)整合理的供電策略，最終實現(xiàn)LF精煉過程平均電耗降低1.5%。該系統(tǒng)具有良好的工程適應(yīng)性與推廣價值，為鋼鐵企業(yè)構(gòu)建智能化能源管理體系提供了可行路徑與技術(shù)支撐。

關(guān)鍵詞：能源介質(zhì)；監(jiān)測；算法；智能優(yōu)化；節(jié)能降本

0引言

鋼鐵工業(yè)作為我國工業(yè)體系的重要組成部分，具有重要的經(jīng)濟和社會價值。然而，鋼鐵行業(yè)的能源消耗在工業(yè)總能耗中占據(jù)了較大比例，且在全球范圍內(nèi)，其能源消耗效率較低，給企業(yè)帶來了高昂的生產(chǎn)成本和巨大的環(huán)保壓力^[1]。發(fā)達國家相比，我國鋼鐵行業(yè)的噸鋼能耗水平仍偏高，導(dǎo)致了嚴(yán)重的資源浪費和環(huán)境污染^[2]。在此背景下，如何在提升生產(chǎn)能力和質(zhì)量的同時，減少能源消耗、降低碳排放，并推動綠色低碳技術(shù)的廣泛應(yīng)用，已成為鋼鐵行業(yè)亟需解決的問題^[3]。面對日益嚴(yán)峻的環(huán)保政策和節(jié)能減排的社會需求，鋼鐵行業(yè)急需采用先進的技術(shù)與創(chuàng)新的管理模式，以應(yīng)對當(dāng)前能源危機，并實現(xiàn)可持續(xù)發(fā)展的目標(biāo)。

本文結(jié)合鋼鐵企業(yè)典型工藝流程與能源消耗特點，設(shè)計并實現(xiàn)了一套能源介質(zhì)優(yōu)化系統(tǒng)。系統(tǒng)圍繞轉(zhuǎn)爐、LF爐等關(guān)鍵用能單元，分別構(gòu)建了基于目標(biāo)函數(shù)驅(qū)動的原料配比優(yōu)化模型與基于LSTM網(wǎng)絡(luò)的鋼水溫度預(yù)測模型，全面提升能源利用效率與操作決策智能水平^[4]。通過工業(yè)數(shù)據(jù)驗證，該系統(tǒng)在氧耗、電耗等方面均取得了良好的優(yōu)化效果，具有較強的工業(yè)應(yīng)用前景與推廣價值。

1基于煉鋼區(qū)域能源介質(zhì)優(yōu)化系統(tǒng)概述

能源介質(zhì)優(yōu)化系統(tǒng)是一種集成了數(shù)據(jù)采集、分析、優(yōu)化與監(jiān)控等功能的智能化系統(tǒng)，專門用于提升能源利用效率，尤其適用于像鋼鐵行業(yè)這樣能源消耗巨大的工業(yè)領(lǐng)域。該系統(tǒng)通過實時監(jiān)控、數(shù)據(jù)采集與分析，為企業(yè)提供精準(zhǔn)的能源使用情況，幫助企業(yè)優(yōu)化能源配置、降低能耗、提高經(jīng)濟效益，同時推動企業(yè)實現(xiàn)綠色低碳轉(zhuǎn)型。

1.1系統(tǒng)組成

該能源介質(zhì)優(yōu)化系統(tǒng)主要由能源介質(zhì)數(shù)據(jù)管理模塊、能源介質(zhì)在線智能優(yōu)化模塊以及能源指標(biāo)評價模塊等組成。首先，系統(tǒng)對當(dāng)前煉鋼生產(chǎn)過程中的能源管理現(xiàn)狀及能耗分布進行全面調(diào)研，以識別和分析制約現(xiàn)有能源管理水平提升的關(guān)鍵環(huán)節(jié)。隨后，基于現(xiàn)有的能源狀況，系統(tǒng)規(guī)劃能源介質(zhì)監(jiān)測數(shù)據(jù)的采集和存儲機制，并實現(xiàn)對水、電、煤氣等主要能源介質(zhì)的實時在線監(jiān)測，在此基礎(chǔ)上，系統(tǒng)通過收集的數(shù)據(jù)，進行能源分析與優(yōu)化，為決策提供數(shù)據(jù)支持。

最后，系統(tǒng)根據(jù)在線監(jiān)測結(jié)果，實施能源產(chǎn)耗的動態(tài)監(jiān)控與預(yù)警機制，進一步提升能源管理水平。通過這一系列措施，系統(tǒng)旨在優(yōu)化能源結(jié)構(gòu)，減少能源損耗，從而實現(xiàn)節(jié)能降本的目標(biāo)，具體架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)圖

Fig. 1 System architecture

1.2核心功能

能源介質(zhì)優(yōu)化系統(tǒng)通過在關(guān)鍵生產(chǎn)環(huán)節(jié)部署傳感器及數(shù)據(jù)采集設(shè)備，實時獲取鋼鐵生產(chǎn)過程中各類能源消耗數(shù)據(jù)，涵蓋電力、天然氣、水資源等多種能源的使用情況。系統(tǒng)能夠?qū)崟r反饋能源的使用狀況，幫助企業(yè)及時發(fā)現(xiàn)能源浪費和異常情況，從而確保生產(chǎn)過程中的能源管理更加精準(zhǔn)高效，其核心功能包括轉(zhuǎn)爐模塊、LF精煉模塊、預(yù)警模塊及數(shù)據(jù)中心。

（1）轉(zhuǎn)爐模塊：該模塊界面中部為數(shù)據(jù)輸入與模型執(zhí)行區(qū)，用戶可在此設(shè)定鋼種代號、鐵水成分及目標(biāo)成分參數(shù)。系統(tǒng)支持對C、Si、Mn、P、S、Cr、Cu、Mo、Ti等關(guān)鍵元素的目標(biāo)含量進行設(shè)定，并以表格形式呈現(xiàn)其設(shè)定值與推薦范圍，便于用戶對目標(biāo)成分的精細控制與可視化調(diào)整。

系統(tǒng)集成了面向氧耗優(yōu)化的決策算法，通過對輸入?yún)?shù)與目標(biāo)成分之間的非線性耦合關(guān)系進行建模，建立關(guān)鍵原料組成與煉鋼成分控制之間的映射關(guān)系。在此基礎(chǔ)上，系統(tǒng)通過“模型決策”功能按鈕觸發(fā)優(yōu)化過程，自動完成原料配比計算，輸出在滿足冶金工藝約束條件下的最優(yōu)原料組合與工藝參數(shù)設(shè)置。

界面右側(cè)為“決策結(jié)果”展示區(qū)，以列表形式輸出白云石、增碳劑、廢鋼、低碳錳鐵等關(guān)鍵原料的推薦用量。通過在優(yōu)化過程中引入氧耗最小化目標(biāo)函數(shù)，該模塊有效降低了冶煉過程中的單位氧氣消耗，為煉鋼過程的節(jié)能降耗提供了數(shù)據(jù)支撐和決策參考。整體設(shè)計實現(xiàn)了從參數(shù)設(shè)定到優(yōu)化結(jié)果輸出的閉環(huán)控制流程，顯著提升了操作效率與決策智能水平，如圖2所示。

圖2 轉(zhuǎn)爐模塊界面

Fig. 2 Converter module interface

（2）LF爐模塊：該模塊主要用于鋼液溫度的實時監(jiān)測與短期預(yù)測。界面采用左右雙圖布局，左側(cè)為LF爐鋼液的歷史溫度變化曲線，右側(cè)為未來10分鐘的溫度預(yù)測曲線，便于操作人員進行溫控判斷和干預(yù)。圖表下方為模型輸入?yún)?shù)區(qū)，用戶可輸入鋼種、計劃耗時、吹氬計劃等關(guān)鍵參數(shù)。點擊“模型決策”按鈕后，系統(tǒng)將基于輸入數(shù)調(diào)用預(yù)測模型，輸出相應(yīng)的供電建議。右下角為“決策結(jié)果信息輸出”，展示模型生成的控制建議，如圖3所示。

圖3 LF精煉模塊界面

Fig. 3 LF refining module interface

（3）智能預(yù)警：通過設(shè)定能耗閾值和預(yù)警機制，一旦某些關(guān)鍵指標(biāo)超出正常范圍，系統(tǒng)會及時發(fā)出報警，提醒操作人員采取必要的糾正措施。這一智能預(yù)警機制能夠有效避免能源浪費和設(shè)備故障，從而減少企業(yè)在能源消耗方面的經(jīng)濟損失，能源預(yù)警頁面如圖2所示。

圖4 預(yù)警模塊界面

Fig. 4 Interface of the early warning module

最后，數(shù)據(jù)中心通過對長期積累的數(shù)據(jù)記錄，系統(tǒng)能夠生成詳細的能源使用報告，全面分析企業(yè)在能源利用過程中存在的問題，并提出切實可行的改進建議。這些報告不僅為企業(yè)提供了精準(zhǔn)的能源管理依據(jù)，也為政策制定者和企業(yè)管理層提供了科學(xué)的決策支持，幫助其做出更加合理的能源管理決策。

2系統(tǒng)設(shè)計

能源介質(zhì)優(yōu)化系統(tǒng)的設(shè)計方案旨在通過現(xiàn)代信息技術(shù)、物聯(lián)網(wǎng)技術(shù)、人工智能和大數(shù)據(jù)分析，實現(xiàn)對鋼鐵企業(yè)生產(chǎn)過程中的能源使用進行精確監(jiān)測、分析和優(yōu)化管理。系統(tǒng)的核心目標(biāo)是幫助企業(yè)降低能源消耗，提高能源使用效率，并推動綠色低碳轉(zhuǎn)型。

2.1模型構(gòu)建

2.1.1 轉(zhuǎn)爐氧氣優(yōu)化模型構(gòu)建

隨機森林回歸算法是一種基于集成學(xué)習(xí)的非線性建模方法，適用于處理高維、復(fù)雜變量間存在非線性交互的問題^[5]。本文將其應(yīng)用于氧氣消耗量的預(yù)測建模中，通過構(gòu)建多棵決策樹并加權(quán)平均預(yù)測結(jié)果，有效提升了模型的穩(wěn)定性與精度^[6-7]。廢鋼量、鐵水、增碳劑等變量在氧氣消耗中影響顯著，強調(diào)了非線性建模在冶煉過程中應(yīng)用的必要性。為進一步提高模型的泛化能力，采用交叉驗證和超參數(shù)調(diào)優(yōu)策略，確保預(yù)測性能最優(yōu)。

圖5真實值與預(yù)測值對比圖

Fig. 5 Comparison of true and predicted values

如圖5所示，通過對比能夠直觀地展示隨機森林算法回歸模型在氧氣消耗量預(yù)測中的表現(xiàn)，證明其在處理復(fù)雜非線性關(guān)系中的可行性和有效性。

為進一步優(yōu)化特征選擇并提升預(yù)測效果，引入遺傳算法對特征子集進行全局搜索優(yōu)化。該算法通過模擬自然選擇和進化機制，實現(xiàn)了冗余特征的剔除與關(guān)鍵變量的提取。表1展示了多個冶煉過程變量在氧氣消耗量預(yù)測中的非線性相關(guān)性系數(shù)及其基于遺傳算法優(yōu)化過程中的特征選擇概率。相關(guān)性系數(shù)用于衡量各變量與氧氣消耗量目標(biāo)之間的非線性依賴強度，而選擇概率則反映了特征在遺傳算法迭代過程中被納入最優(yōu)特征組合的頻次，能夠更全面地揭示特征在預(yù)測建模中的實際貢獻度。

表1 遺傳算法選擇的特征子集

Table 1 Subset of features selected by genetic algorithm

2.2.2 LF爐供電優(yōu)化模型構(gòu)建

在進行LF精煉供電優(yōu)化模型構(gòu)建之前，先對原始生產(chǎn)數(shù)據(jù)進行系統(tǒng)性的處理與分析。首先對收集到的精煉過程數(shù)據(jù)進行了全面的預(yù)處理，包括數(shù)據(jù)清洗和歸一化操作，以確保數(shù)據(jù)的質(zhì)量和一致性。數(shù)據(jù)清洗過程中，處理了異常值和重復(fù)數(shù)據(jù)，以消除潛在的噪聲和錯誤數(shù)據(jù)，保證輸入數(shù)據(jù)的準(zhǔn)確性^[8]。而數(shù)據(jù)歸一化則通過將不同特征的數(shù)據(jù)轉(zhuǎn)換到統(tǒng)一的尺度范圍，避免了不同數(shù)據(jù)維度間的量綱差異對后續(xù)建模產(chǎn)生不良影響，確保模型訓(xùn)練時的穩(wěn)定性和有效性。

在數(shù)據(jù)預(yù)處理完成后，采用了長短期記憶（LSTM）網(wǎng)絡(luò)來進行模型訓(xùn)練。LSTM是一種適用于處理時間序列數(shù)據(jù)的深度學(xué)習(xí)算法，能夠有效捕捉時間序列中的長期依賴關(guān)系和復(fù)雜的時序模式^[9]。精煉過程中，鋼水溫度的變化隨著時間的推移呈現(xiàn)出一定的規(guī)律性，這種規(guī)律性在不同的生產(chǎn)條件下也保持了一定的穩(wěn)定性。因此，利用LSTM模型能夠深入挖掘這些規(guī)律，從而預(yù)測鋼水溫度的未來變化趨勢^[10]。

特別關(guān)注了精煉過程中從坐包到吊包鋼水溫度的變化數(shù)據(jù)，這一時間序列數(shù)據(jù)蘊含了精煉過程的動態(tài)特征。通過LSTM模型的訓(xùn)練，系統(tǒng)能夠?qū)W習(xí)到該過程中的時間依賴性，并基于歷史數(shù)據(jù)預(yù)測未來時刻的溫度變化，從而為精煉過程的實時溫度調(diào)控和優(yōu)化決策提供精準(zhǔn)的支持。

圖6 預(yù)測值與真實值對比圖

Fig. 6 Comparison between the predicted value and the true value

如圖6所示，表明預(yù)測值與真實值之間的誤差較小，且大部分預(yù)測值與真實值之間的誤差較小。預(yù)測誤差在±5 ℃以內(nèi)的命中率達到87.5%，滿足工業(yè)生產(chǎn)控制需求，顯示出LSTM模型在鋼水溫度預(yù)測中的較高準(zhǔn)確性和穩(wěn)定性。

基于該模型的預(yù)測結(jié)果，生產(chǎn)過程中鋼液溫度的變化趨勢可被提前準(zhǔn)確掌握，為操作人員預(yù)留了充足的響應(yīng)時間以實施相應(yīng)的節(jié)能調(diào)控措施。進一步地，系統(tǒng)可依據(jù)不同的升溫模式對未來能耗水平進行判別，若預(yù)測結(jié)果為高能耗升溫趨勢，系統(tǒng)可及時發(fā)出預(yù)警，指導(dǎo)操作人員調(diào)整供電策略，優(yōu)化加熱路徑，以實現(xiàn)LF精煉的耗電優(yōu)化。

2.2系統(tǒng)網(wǎng)絡(luò)架構(gòu)

智能傳感器與數(shù)據(jù)采集設(shè)備首先需要選擇高精度、高可靠性的智能傳感器，用于在生產(chǎn)現(xiàn)場各個環(huán)節(jié)實時監(jiān)測能源消耗數(shù)據(jù)^[11]。這些傳感器能夠準(zhǔn)確采集各種能源使用情況，并將數(shù)據(jù)傳輸至數(shù)據(jù)平臺。選擇的傳感器必須具備高靈敏度、抗干擾能力和長壽命，以確保數(shù)據(jù)的準(zhǔn)確性與系統(tǒng)的穩(wěn)定性。

數(shù)據(jù)傳輸網(wǎng)絡(luò)要求建設(shè)一個高效穩(wěn)定的數(shù)據(jù)傳輸網(wǎng)絡(luò)，用于傳輸來自不同監(jiān)測點的數(shù)據(jù)。可以采用工業(yè)以太網(wǎng)、無線網(wǎng)絡(luò)或光纖通信等方式，根據(jù)生產(chǎn)現(xiàn)場的實際需求進行選擇。傳輸網(wǎng)絡(luò)必須保證低延遲、高帶寬，確保數(shù)據(jù)能夠及時上傳至云平臺進行處理。

數(shù)據(jù)存儲與處理平臺選擇高性能的云計算平臺作為數(shù)據(jù)存儲與處理中心。通過云平臺的分布式存儲和計算架構(gòu)，確保海量能源數(shù)據(jù)的高效存儲與快速處理。此外，平臺將支持對歷史數(shù)據(jù)進行長期存儲，便于后續(xù)的趨勢分析與決策支持。

用戶終端與控制界面通過為管理人員提供可視化的用戶界面，用戶界面具備直觀的圖形展示功能，能夠?qū)崟r顯示各個生產(chǎn)環(huán)節(jié)的能源消耗情況，并提供報警功能，以便快速響應(yīng)異常情況，具體網(wǎng)絡(luò)架構(gòu)設(shè)計如圖7所示。
 

圖7 網(wǎng)絡(luò)架構(gòu)圖

Fig. 7 Network architecture

3工業(yè)應(yīng)用適性及優(yōu)化效果分析

能源介質(zhì)優(yōu)化系統(tǒng)作為一種高效的能源管理工具，具有較高的技術(shù)成熟度和可操作性。在鋼鐵行業(yè)推廣應(yīng)用這一技術(shù)方案，不僅可以有效提升能源利用效率，還能為企業(yè)帶來顯著的經(jīng)濟效益，并對環(huán)境產(chǎn)生積極影響。

3.1 技術(shù)成熟度

能源介質(zhì)優(yōu)化系統(tǒng)基于物聯(lián)網(wǎng)、大數(shù)據(jù)分析、人工智能等成熟技術(shù)，已有不少成功應(yīng)用案例和研發(fā)成果^[12-13]。這些技術(shù)已經(jīng)在其他工業(yè)領(lǐng)域，特別是能源密集型行業(yè)中得到廣泛應(yīng)用。例如，智能傳感器和數(shù)據(jù)采集設(shè)備在許多工廠中已被廣泛部署，數(shù)據(jù)傳輸和云計算技術(shù)也已經(jīng)過多次驗證，具備高效穩(wěn)定的數(shù)據(jù)處理能力。而人工智能和大數(shù)據(jù)分析技術(shù)的應(yīng)用，也不斷取得進展，能夠精準(zhǔn)識別能源浪費和優(yōu)化生產(chǎn)流程^[14-15]。

此外，系統(tǒng)設(shè)計充分考慮到鋼鐵行業(yè)的特殊性，具備了處理復(fù)雜生產(chǎn)環(huán)境和大規(guī)模數(shù)據(jù)的能力。通過成熟的技術(shù)架構(gòu)和前期多次測試，系統(tǒng)已具備較高的穩(wěn)定性和可靠性，可以適應(yīng)鋼鐵企業(yè)高負荷、復(fù)雜多變的生產(chǎn)環(huán)境。

3.2 優(yōu)化效果

能源介質(zhì)優(yōu)化系統(tǒng)展現(xiàn)出良好的經(jīng)濟性與環(huán)境友好性，具體體現(xiàn)在以下幾個方面：

（1）在轉(zhuǎn)爐優(yōu)化方面：優(yōu)化后的氧氣消耗方案能夠確保在不同操作條件下的穩(wěn)定性和適應(yīng)性。通過這種優(yōu)化策略，系統(tǒng)實現(xiàn)氧氣平均減少1.3%，提升了冶煉過程的能源利用效率。

（2）在LF爐優(yōu)化方面：模型能夠根據(jù)升溫速率預(yù)測的變化識別不合理的升溫模式并及時進行調(diào)整，有效避免了過度升溫導(dǎo)熱量浪費現(xiàn)象，優(yōu)化了生產(chǎn)過程的能效。通過對比模型預(yù)測結(jié)果與傳統(tǒng)方法的能耗數(shù)據(jù)，實驗表明，LF爐整體電耗降低了1.5%，提高了能效并減少了能源浪費。

綜合來看，能源介質(zhì)優(yōu)化系統(tǒng)具備較高的技術(shù)成熟度，能夠為鋼鐵行業(yè)帶來顯著的經(jīng)濟效益和節(jié)能效果。該系統(tǒng)不僅符合國家對鋼鐵行業(yè)綠色低碳轉(zhuǎn)型的政策要求，還能夠推動企業(yè)實現(xiàn)高效、智能化的能源管理，提升企業(yè)的整體競爭力，助力鋼鐵行業(yè)實現(xiàn)可持續(xù)發(fā)展。

4結(jié)論

本文圍繞鋼鐵企業(yè)在能源管理與優(yōu)化方面的迫切需求，設(shè)計并構(gòu)建了一套集成能源介質(zhì)數(shù)據(jù)采集、實時監(jiān)測、智能分析與優(yōu)化控制于一體的能源介質(zhì)優(yōu)化系統(tǒng)。系統(tǒng)充分融合了物聯(lián)網(wǎng)、大數(shù)據(jù)與人工智能等先進技術(shù)，面向鋼鐵生產(chǎn)關(guān)鍵工序開展了針對性建模與功能開發(fā)，在實現(xiàn)能源動態(tài)可視化管理的基礎(chǔ)上，進一步推動了能源配置效率和工藝參數(shù)的智能優(yōu)化。

系統(tǒng)針對轉(zhuǎn)爐和LF爐工序分別構(gòu)建了以氧氣消耗最小化和鋼液溫度精確預(yù)測為核心目標(biāo)的優(yōu)化模型。結(jié)果表明，轉(zhuǎn)爐模塊能夠?qū)崿F(xiàn)平均氧耗降低1.3%，LF爐模塊通過升溫模式的識別與調(diào)控使電耗降低1.5%。通過將LSTM神經(jīng)網(wǎng)絡(luò)應(yīng)用于鋼水溫度預(yù)測，系統(tǒng)實現(xiàn)了±5 ℃精度內(nèi)87.5%的預(yù)測準(zhǔn)確率，滿足工業(yè)控制需求，為實際生產(chǎn)調(diào)控提供了可靠的數(shù)據(jù)支持與決策依據(jù)。

此外，系統(tǒng)還通過智能預(yù)警機制提升了能源管理的響應(yīng)速度與可靠性，有效規(guī)避了能源浪費和異常工況帶來的生產(chǎn)風(fēng)險，顯著增強了鋼鐵企業(yè)的節(jié)能減排能力與綠色轉(zhuǎn)型水平。

本文構(gòu)建的能源介質(zhì)優(yōu)化系統(tǒng)具備良好的工程適應(yīng)性、運行穩(wěn)定性及推廣應(yīng)用價值，能夠為鋼鐵行業(yè)實現(xiàn)智能化、綠色化升級提供技術(shù)支撐。未來，隨著模型算法的進一步優(yōu)化與工業(yè)現(xiàn)場數(shù)據(jù)的不斷積累，該系統(tǒng)在工業(yè)過程能效管理中的應(yīng)用范圍有望進一步拓展，助力鋼鐵行業(yè)實現(xiàn)高質(zhì)量與可持續(xù)發(fā)展目標(biāo)。

參考文獻：

[1] 張家瑜.“雙碳”目標(biāo)下鋼鐵企業(yè)碳減排路徑研究[D].西安建筑科技大學(xué),2024.

[2] Ma G ,Cai J ,Zhang L , et al.Influence of Steam Recovery and Consumption on Energy Consumption per Ton of Steel[J].Energy Procedia,2012,14566-571.

[3] 徐可可.姚林:協(xié)同減污降碳合作共贏發(fā)展[N].中國冶金報,2024-09-05(001).

[4] Guan X ,Chen H ,Liu Y , et al.Predicting ground reaction forces and center of pressures from kinematic data in crutch gait based on LSTM[J].Medical Engineering and Physics,2025,139104338-104338.

[5] 王藝璇,鄧曉紅,范慧文青,等.水資源承載力評價耦合模型：研究進展與干旱區(qū)應(yīng)用[J/OL].干旱區(qū)研究,1-17[2025-04-26].http://kns.cnki.net/kcms/detail/65.1095.X.20250424.2205.010.html.

[6] Yang Y ,Hou K ,Sun H , et al.Random Forest-Based Stability Prediction Modeling of Closed Wall for Goaf[J].Applied Sciences,2025,15(5):2300-2300.

[7] Xin S ,Qing L ,Zicheng X , et al.Hybrid model for BOF oxygen blowing time prediction based on oxygen balance mechanism and deep neural network[J].International Journal of Minerals, Metallurgy and Materials,2024,31(1):106-117.

[8] 李晨陽.基于相關(guān)性的時序數(shù)據(jù)清洗方法研究[D].沈陽航空航天大學(xué),2022.

[9] 郭志喜,牛鵬飛,郭峻源,等.制造企業(yè)集群下信息模型驅(qū)動的能耗分析及預(yù)測方法研究[J/OL].機電工程技術(shù),1-8[2025-02-22].

[10] 王加昌,賴跖,唐雷,等.基于深度神經(jīng)網(wǎng)絡(luò)的設(shè)備剩余使用壽命預(yù)測研究[J].計算機應(yīng)用與軟件,2024,41(08):60-66.

[11] 翟文君.工業(yè)智能化技術(shù)在機電一體化裝配過程優(yōu)化中的應(yīng)用探究[J].儀器儀表用戶,2025,32(01):90-92.

[12] 朵灝,王文躍,吳輝.當(dāng)前我國制造業(yè)質(zhì)量大數(shù)據(jù)應(yīng)用分析與策略建議[J].通信企業(yè)管理,2024,(11):25-28.

[13] 徐紅丹,王玖河.人工智能與制造企業(yè)新質(zhì)生產(chǎn)力——基于雙重機器學(xué)習(xí)模型[J/OL].軟科學(xué),1-14[2025-02-22].

[14] 王小川.SYMEO雷達距離傳感器在智能行車上的應(yīng)用[J].冶金自動化,2022,46(S1):425-426.

[15] 王鐵毅,曹永彬,王偉.鋼鐵企業(yè)云計算平臺研究及應(yīng)用[J].冶金自動化,2013,37(05):12-15+36.