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)大學冶金工程學院，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)鋼液溫度短時精準預測，預測誤差控制在±5 ℃范圍內(nèi)，命中率達87.5%，并根據(jù)預測調(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，導致了嚴重的資源浪費和環(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)的廣泛應用，已成為鋼鐵行業(yè)亟需解決的問題^[3]。面對日益嚴峻的環(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，以應對當前能源危機，并實現(xiàn)可持續(xù)發(fā)展的目標。

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評價模塊等組成。首先，系統(tǒng)對當前煉鋼生產(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，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高效，其核心功能包括轉(zhuǎn)爐模塊、LF精煉模塊、預警模塊及數(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分鐘的溫度預測曲線，便于操作人員進行溫控判斷和干預。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)用預測模型，輸出相應的供電建議。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）智能預警：通過設(shè)定能耗閾值和預警機制，一旦某些關(guān)鍵指標超出正常范圍，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，能源預警頁面如圖2所示。

圖4 預警模塊界面

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習的非線性建模方法，適用于處理高維、復雜變量間存在非線性交互的問題^[5]。本文將其應用于氧氣消耗量的預測建模中，通過構(gòu)建多棵決策樹并加權(quán)平均預測結(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，確保預測性能最優(yōu)。

圖5真實值與預測值對比圖

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測中的表現(xiàn)，證明其在處理復雜非線性關(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，確保模型訓練時的穩(wěn)定性和有效性。

在數(shù)據(jù)預處理完成后，采用了長短期記憶（LSTM）網(wǎng)絡(luò)來進行模型訓練。LSTM是一種適用于處理時間序列數(shù)據(jù)的深度學習算法，能夠有效捕捉時間序列中的長期依賴關(guān)系和復雜的時序模式^[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模型的訓練，系統(tǒng)能夠?qū)W習到該過程中的時間依賴性，并基于歷史數(shù)據(jù)預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)化決策提供精準的支持。

圖6 預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，表明預測值與真實值之間的誤差較小，且大部分預測值與真實值之間的誤差較小。預測誤差在±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模型在鋼水溫度預測中的較高準確性和穩(wěn)定性。

基于該模型的預測結(jié)果，生產(chǎn)過程中鋼液溫度的變化趨勢可被提前準確掌握，為操作人員預留了充足的響應時間以實施相應的節(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，若預測結(jié)果為高能耗升溫趨勢，系統(tǒng)可及時發(fā)出預警，指導操作人員調(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)?？梢圆捎霉I(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)的應用，也不斷取得進展，能夠精準識別能源浪費和優(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，可以適應鋼鐵企業(yè)高負荷、復雜多變的生產(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測為核心目標的優(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)應用于鋼水溫度預測，系統(tǒng)實現(xiàn)了±5 ℃精度內(nèi)87.5%的預測準確率，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)還通過智能預警機制提升了能源管理的響應速度與可靠性，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性、運行穩(wěn)定性及推廣應用價值，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。

參考文獻：

[1] 張家瑜.“雙碳”目標下鋼鐵企業(yè)碳減排路徑研究[D].西安建筑科技大學,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,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)備剩余使用壽命預測研究[J].計算機應用與軟件,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)化中的應用探究[J].儀器儀表用戶,2025,32(01):90-92.

[12] 朵灝,王文躍,吳輝.當前我國制造業(yè)質(zhì)量大數(shù)據(jù)應用分析與策略建議[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——基于雙重機器學習模型[J/OL].軟科學,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用[J].冶金自動化,2013,37(05):12-15+36.