面向深度学习应用的工业钢渣流动数据加载方法
机器学习
2025-09-03 v1
摘要
由于钢渣流动污染易造成经济损失，连铸工艺对准确检测钢渣流动状态提出了严格要求。本研究引入了一种新颖的跨域诊断方法，利用从工业炼钢厂收集的振动数据来识别钢渣流动的各个阶段。我们实现并测试了一个结合一维卷积神经网络和长短期记忆层的混合深度学习模型，并将其与标准的一维卷积神经网络进行了基准对比。所提出的方法处理来自加速度计的原始时域振动信号，并使用真实的跨域数据集划分评估了 16 个不同域的性能。结果表明，混合卷积神经网络和长短期记忆架构结合均方根预处理和选择性嵌入数据加载策略，实现了稳健的分类准确率，优于传统模型和加载技术。99.10 +/- 0.30 的最高测试准确率证明了该方法具备泛化能力和工业应用价值。这项工作提出了一种实用且可扩展的实时钢渣流动监测解决方案，有助于提高钢铁制造的可靠性和运营效率。
引用
@article{arxiv.2509.00034,
title = {Industrial Steel Slag Flow Data Loading Method for Deep Learning Applications},
author = {Mert Sehri and Ana Cardoso and Francisco de Assis Boldt and Patrick Dumond},
journal= {arXiv preprint arXiv:2509.00034},
year = {2025}
}