Deep_Learning(深度学习)学习笔记整理(网上资料汇总)

Deep Learning（深度学习）学习笔记整理系列

zouxy09@https://www.sodocs.net/doc/7913386385.html,

https://www.sodocs.net/doc/7913386385.html,/zouxy09

作者：Zouxy

version 1.0 2013-04-08

声明：

1）该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献。具体的版本声明也参考原文献。2）本文仅供学术交流，非商用。所以每一部分具体的参考资料并没有详细对应。如果某部分不小心侵犯了大家的利益，还望海涵，并联系博主删除。

3）本人才疏学浅，整理总结的时候难免出错，还望各位前辈不吝指正，谢谢。4）阅读本文需要机器学习、计算机视觉、神经网络等等基础（如果没有也没关系了，没有就看看，能不能看懂，呵呵）。

5）此属于第一版本，若有错误，还需继续修正与增删。还望大家多多指点。大家都共享一点点，一起为祖国科研的推进添砖加瓦（呵呵，好高尚的目标啊）。请联系：zouxy09@https://www.sodocs.net/doc/7913386385.html,

目录：

一、概述

二、背景

三、人脑视觉机理

四、关于特征

4.1、特征表示的粒度

4.2、初级（浅层）特征表示

4.3、结构性特征表示

4.4、需要有多少个特征？

五、Deep Learning的基本思想

六、浅层学习（Shallow Learning）和深度学习（Deep Learning）

七、Deep learning与Neural Network

八、Deep learning训练过程

8.1、传统神经网络的训练方法

8.2、deep learning训练过程

九、Deep Learning的常用模型或者方法

9.1、AutoEncoder自动编码器

9.2、Sparse Coding稀疏编码

9.3、Restricted Boltzmann Machine(RBM)限制波尔兹曼机

9.4、Deep BeliefNetworks深信度网络

9.5、Convolutional Neural Networks卷积神经网络

十、总结与展望

十一、参考文献和Deep Learning学习资源

一、概述

Artificial Intelligence，也就是人工智能，就像长生不老和星际漫游一样，是人类最美好的梦想之一。虽然计算机技术已经取得了长足的进步，但是到目前为止，还没有一台电脑能产生―自我‖的意识。是的，在人类和大量现成数据的帮助下，电脑可以表现的十分强大，但是离开了这两者，它甚至都不能分辨一个喵星人和一个汪星人。

图灵（图灵，大家都知道吧。计算机和人工智能的鼻祖，分别对应于其著名的―图灵机‖和―图灵测试‖）在1950 年的论文里，提出图灵试验的设想，即，隔墙对话，你将不知道与你谈话的，是人还是电脑。这无疑给计算机，尤其是人工智能，预设了一个很高的期望值。但是半个世纪过去了，人工智能的进展，远远没有达到图灵试验的标准。这不仅让多年翘首以待的人们，心灰意冷，认为人工智能是忽悠，相关领域是―伪科学‖。

但是自2006 年以来，机器学习领域，取得了突破性的进展。图灵试验，至少不是那么可望而不可及了。至于技术手段，不仅仅依赖于云计算对大数据的并行处理能力，而且依赖于算法。这个算法就是，Deep Learning。借助于Deep Learning 算法，人类终于找到了如何处理―抽象概念‖这个亘古难题的方法。

2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由著名的斯坦福大学的机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家JeffDean共同主导，用16000个CPU Core的并行计算平台训练一种称为―深度神经网络‖（DNN，Deep Neural Networks）的机器学习模型（内部共有10亿个节点。这一网络自然是不能跟人类的神经网络相提并论的。要知道，人脑中可是有150多亿个神经元，互相连接的节点也就是突触数更是如银河沙数。曾经有人估算过，如果将一个人的大脑中所有神经细胞的轴突和树突依次连接起来，并拉成一根直线，可从地球连到月亮，再从月亮返回地球），在语音识别和图像识别等领域获得了巨大的成功。

项目负责人之一Andrew称：―我们没有像通常做的那样自己框定边界，而是直接把海量数据投放到算法中，让数据自己说话，系统会自动从数据中学习。‖另外一名负责人Jeff则说：―我们在训练的时候从来不会告诉机器说：?这是一只猫。‘系统其实是自己发明或者领悟了―猫‖的概念。‖

2012年11月，微软在中国天津的一次活动上公开演示了一个全自动的同声传译系统，讲演者用英文演讲，后台的计算机一气呵成自动完成语音识别、英中机器翻译和中文语音合成，效果非常流畅。据报道，后面支撑的关键技术也是DNN，或者深度学习（DL，DeepLearning）。

2013年1月，在百度年会上，创始人兼CEO李彦宏高调宣布要成立百度研究院，其中第一个成立的就是―深度学习研究所‖（IDL，Institue of Deep Learning）。

为什么拥有大数据的互联网公司争相投入大量资源研发深度学习技术。听起来感觉deeplearning很牛那样。那什么是deep learning？为什么有deep learning？它是怎么来的？又能干什么呢？目前存在哪些困难呢？这些问题的简答都需要慢慢来。咱们先来了解下机器学习（人工智能的核心）的背景。

二、背景

机器学习（Machine Learning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。机器能否像人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题（呵呵，人工智能正常的轨道没有很大的发展，这些什么哲学伦理啊倒发展的挺快。什么未来机器越来越像人，人越来越像机器啊。什么机器会反人类啊，ATM是开第一枪的啊等等。人类的思维无穷啊）。

机器学习虽然发展了几十年，但还是存在很多没有良好解决的问题：

例如图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐等等。目前我们通过机器学习去解决这些问题的思路都是这样的（以视觉感知为例子）：

从开始的通过传感器（例如CMOS）来获得数据。然后经过预处理、特征提取、特征选择，再到推理、预测或者识别。最后一个部分，也就是机器学习的部分，绝大部分的工作是在这方面做的，也存在很多的paper和研究。

而中间的三部分，概括起来就是特征表达。良好的特征表达，对最终算法的准确性起了非常关键的作用，而且系统主要的计算和测试工作都耗在这一大部分。但，这块实际中一般都是人工完成的。靠人工提取特征。

截止现在，也出现了不少NB的特征（好的特征应具有不变性（大小、尺度和旋转等）和可区分性）：例如Sift的出现，是局部图像特征描述子研究领域一项里程碑式的工作。由于SIFT对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且SIFT具有很强的可区分性，的确让很多问题的解决变为可能。但它也不是万能的。

然而，手工地选取特征是一件非常费力、启发式（需要专业知识）的方法，能不能选取好很大程度上靠经验和运气，而且它的调节需要大量的时间。既然手

工选取特征不太好，那么能不能自动地学习一些特征呢？答案是能！Deep Learning就是用来干这个事情的，看它的一个别名UnsupervisedFeature Learning，就可以顾名思义了，Unsupervised的意思就是不要人参与特征的选取过程。

那它是怎么学习的呢？怎么知道哪些特征好哪些不好呢？我们说机器学习是一门专门研究计算机怎样模拟或实现人类的学习行为的学科。好，那我们人的视觉系统是怎么工作的呢？为什么在茫茫人海，芸芸众生，滚滚红尘中我们都可以找到另一个她（因为，你存在我深深的脑海里，我的梦里我的心里我的歌声里……）。人脑那么NB，我们能不能参考人脑，模拟人脑呢？（好像和人脑扯上点关系的特征啊，算法啊，都不错，但不知道是不是人为强加的，为了使自己的作品变得神圣和高雅。）

近几十年以来，认知神经科学、生物学等等学科的发展，让我们对自己这个神秘的而又神奇的大脑不再那么的陌生。也给人工智能的发展推波助澜。

三、人脑视觉机理

1981 年的诺贝尔医学奖，颁发给了David Hubel（出生于加拿大的美国神经生物学家）和TorstenWiesel，以及Roger Sperry。前两位的主要贡献，是―发现了视觉系统的信息处理‖：可视皮层是分级的：

我们看看他们做了什么。1958 年，DavidHubel 和Torsten Wiesel 在JohnHopkins University，研究瞳孔区域与大脑皮层神经元的对应关系。他们在猫的后脑头骨上，开了一个3 毫米的小洞，向洞里插入电极，测量神经元的活跃程度。

然后，他们在小猫的眼前，展现各种形状、各种亮度的物体。并且，在展现每一件物体时，还改变物体放置的位置和角度。他们期望通过这个办法，让小猫瞳孔感受不同类型、不同强弱的刺激。

之所以做这个试验，目的是去证明一个猜测。位于后脑皮层的不同视觉神经元，与瞳孔所受刺激之间，存在某种对应关系。一旦瞳孔受到某一种刺激，后脑皮层的某一部分神经元就会活跃。经历了很多天反复的枯燥的试验，同时牺牲了若干只可怜的小猫，David Hubel 和Torsten Wiesel 发现了一种被称为―方向选择性细胞（Orientation Selective Cell）‖的神经元细胞。当瞳孔发现了眼前的物体的边缘，而且这个边缘指向某个方向时，这种神经元细胞就会活跃。

这个发现激发了人们对于神经系统的进一步思考。神经-中枢-大脑的工作过程，或许是一个不断迭代、不断抽象的过程。

这里的关键词有两个，一个是抽象，一个是迭代。从原始信号，做低级抽象，逐渐向高级抽象迭代。人类的逻辑思维，经常使用高度抽象的概念。

例如，从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。

这个生理学的发现，促成了计算机人工智能，在四十年后的突破性发展。

总的来说，人的视觉系统的信息处理是分级的。从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层，整个目标、目标的行为等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越利于分类。例如，单词集合和句子的对应是多对一的，句子和语义的对应又是多对一的，语义和意图的对应还是多对一的，这是个层级体系。

敏感的人注意到关键词了：分层。而Deep learning的deep是不是就表示

我存在多少层，也就是多深呢？没错。那Deep learning是如何借鉴这个过程的呢？毕竟是归于计算机来处理，面对的一个问题就是怎么对这个过程建模？

因为我们要学习的是特征的表达，那么关于特征，或者说关于这个层级特征，我们需要了解地更深入点。所以在说Deep Learning之前，我们有必要再啰嗦下特征（呵呵，实际上是看到那么好的对特征的解释，不放在这里有点可惜，所以就塞到这了）。

四、关于特征

特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的。如果数

据被很好的表达成了特征，通常线性模型就能达到满意的精度。那对于特征，我们需要考虑什么呢？

4.1、特征表示的粒度

学习算法在一个什么粒度上的特征表示，才有能发挥作用？就一个图片来说，像素级的特征根本没有价值。例如下面的摩托车，从像素级别，根本得不到任何信息，其无法进行摩托车和非摩托车的区分。而如果特征是一个具有结构性（或者说有含义）的时候，比如是否具有车把手（handle），是否具有车轮（wheel），就很容易把摩托车和非摩托车区分，学习算法才能发挥作用。

4.2、初级（浅层）特征表示

既然像素级的特征表示方法没有作用，那怎样的表示才有用呢？

1995 年前后，Bruno Olshausen和David Field 两位学者任职Cornell University，他们试图同时用生理学和计算机的手段，双管齐下，研究视觉问题。

他们收集了很多黑白风景照片，从这些照片中，提取出400个小碎片，每个照片碎片的尺寸均为16x16 像素，不妨把这400个碎片标记为S[i], i = 0,.. 399。接下来，再从这些黑白风景照片中，随机提取另一个碎片，尺寸也是16x16 像素，不妨把这个碎片标记为T。

他们提出的问题是，如何从这400个碎片中，选取一组碎片，S[k], 通过叠加的办法，合成出一个新的碎片，而这个新的碎片，应当与随机选择的目标碎片T，尽可能相似，同时，S[k] 的数量尽可能少。用数学的语言来描述，就是：

Sum_k (a[k] * S[k]) --> T, 其中a[k] 是在叠加碎片S[k] 时的权重系数。

为解决这个问题，Bruno Olshausen和David Field 发明了一个算法，稀

疏编码（Sparse Coding）。

稀疏编码是一个重复迭代的过程，每次迭代分两步：

1）选择一组S[k]，然后调整a[k]，使得Sum_k (a[k] * S[k]) 最接近T。

2）固定住a[k]，在400 个碎片中，选择其它更合适的碎片S‘[k]，替代原先的

S[k]，使得Sum_k (a[k] * S‘[k]) 最接近T。

经过几次迭代后，最佳的S[k] 组合，被遴选出来了。令人惊奇的是，被选中的S[k]，基本上都是照片上不同物体的边缘线，这些线段形状相似，区别在

于方向。

Bruno Olshausen和David Field 的算法结果，与David Hubel 和Torsten Wiesel 的生理发现，不谋而合！

也就是说，复杂图形，往往由一些基本结构组成。比如下图：一个图可以

通过用64种正交的edges（可以理解成正交的基本结构）来线性表示。比如样例的x可以用1-64个edges中的三个按照0.8,0.3,0.5的权重调和而成。而其他基本edge没有贡献，因此均为0 。

另外，大牛们还发现，不仅图像存在这个规律，声音也存在。他们从未标

注的声音中发现了20种基本的声音结构，其余的声音可以由这20种基本结构

合成。

4.3、结构性特征表示

小块的图形可以由基本edge构成，更结构化，更复杂的，具有概念性的图形如何表示呢？这就需要更高层次的特征表示，比如V2，V4。因此V1看像素级是像素级。V2看V1是像素级，这个是层次递进的，高层表达由底层表达

的组合而成。专业点说就是基basis。V1取提出的basis是边缘，然后V2层是V1层这些basis的组合，这时候V2区得到的又是高一层的basis。即上一层的basis组合的结果，上上层又是上一层的组合basis……（所以有大牛说Deep learning就是―搞基‖，因为难听，所以美其名曰Deep learning或者Unsupervised Feature Learning）

直观上说，就是找到make sense的小patch再将其进行combine，就得到了上一层的feature，递归地向上learning feature。

在不同object上做training是，所得的edge basis 是非常相似的，但object parts和models 就会completely different了（那咱们分辨car或者face是不是容易多了）：

从文本来说，一个doc表示什么意思？我们描述一件事情，用什么来表示比较合适？用一个一个字嘛，我看不是，字就是像素级别了，起码应该是term，

换句话说每个doc都由term构成，但这样表示概念的能力就够了嘛，可能也不够，需要再上一步，达到topic级，有了topic，再到doc就合理。但每个层次的数量差距很大，比如doc表示的概念->topic（千-万量级）->term（10万量级）->word（百万量级）。

一个人在看一个doc的时候，眼睛看到的是word，由这些word在大脑里自动切词形成term，在按照概念组织的方式，先验的学习，得到topic，然后再进行高层次的learning。

4.4、需要有多少个特征？

我们知道需要层次的特征构建，由浅入深，但每一层该有多少个特征呢？任何一种方法，特征越多，给出的参考信息就越多，准确性会得到提升。但特征多意味着计算复杂，探索的空间大，可以用来训练的数据在每个特征上就会稀疏，都会带来各种问题，并不一定特征越多越好。

好了，到了这一步，终于可以聊到Deep learning了。上面我们聊到为什么会有Deep learning（让机器自动学习良好的特征，而免去人工选取过程。还有参考人的分层视觉处理系统），我们得到一个结论就是Deep learning需要多层来获得更抽象的特征表达。那么多少层才合适呢？用什么架构来建模呢？怎么进行非监督训练呢？

五、Deep Learning的基本思想

假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为：I =>S1=>S2=>…..=>Sn => O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失（呵呵，大牛说，这是不可能的。信息论中有个―信息逐层丢失‖的说法（信息处理不等式），设处理a信息得到b，再对b处理得到c，那么可以证明：a和c的互信息不会超过a和b的互信息。这表明信息处理不会增加信息，大部分处理会丢失信息。当然了，如果丢掉的是没用的信息那多好啊），保持了不变，这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息（即输入I）的另外一种表示。现在回到我们的主题Deep Learning，我们需要自动地学习特征，假设我们有一堆输入I（如一堆图像或者文本），假设我们设计了一个系统S（有n层），我们通过调整系统中参数，使得它的输出仍然是输入I，那么我们就可以自动地获取得到输入I的一系列层次特征，即S1，…, Sn。

对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。

另外，前面是假设输出严格地等于输入，这个限制太严格，我们可以略微地放松这个限制，例如我们只要使得输入与输出的差别尽可能地小即可，这个放松会导致另外一类不同的Deep Learning方法。上述就是Deep Learning的基本思想。

六、浅层学习（Shallow Learning）和深度学习（Deep Learning）

浅层学习是机器学习的第一次浪潮。

20世纪80年代末期，用于人工神经网络的反向传播算法（也叫Back Propagation算法或者BP算法）的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。这个热潮一直持续到今天。人们发现，利用BP算法可以让一个人工神经网络模型从大量训练样本中学习统计规律，从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方

面显出优越性。这个时候的人工神经网络，虽也被称作多层感知机（Multi-layer Perceptron），但实际是种只含有一层隐层节点的浅层模型。

20世纪90年代，各种各样的浅层机器学习模型相继被提出，例如支撑向量机（SVM，Support Vector Machines）、Boosting、最大熵方法（如LR，Logistic Regression）等。这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。这些模型无论是在理论分析还是应用中都获得了巨大的成功。相比之下，由于理论分析的难度大，训练方法又需要很多经验和技巧，这个时期浅层人工神经网络反而相对沉寂。

深度学习是机器学习的第二次浪潮。

2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton 和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要观点：1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；2）深度神经网络在训练上的难度，可以通过―逐层初始化‖（layer-wise pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。

当前多数分类、回归等学习方法为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。（多层的好处是可以用较少的参数表示复杂的函数）

深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，―深度模型‖是手段，―特征学习‖是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间

的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。

七、Deep learning与Neural Network

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

Deep learning本身算是machine learning的一个分支，简单可以理解为neural network的发展。大约二三十年前，neural network曾经是ML领域特别火热的一个方向，但是后来确慢慢淡出了，原因包括以下几个方面：

1）比较容易过拟合，参数比较难tune，而且需要不少trick；

2）训练速度比较慢，在层次比较少（小于等于3）的情况下效果并不比其它方法更优；

所以中间有大约20多年的时间，神经网络被关注很少，这段时间基本上是SVM和boosting算法的天下。但是，一个痴心的老先生Hinton，他坚持了下来，并最终（和其它人一起Bengio、Yann.lecun等）提成了一个实际可行的deep learning框架。

Deep learning与传统的神经网络之间有相同的地方也有很多不同。

二者的相同在于deep learning采用了神经网络相似的分层结构，系统由包括输入层、隐层（多层）、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个logistic regression模型；这种分层结构，是比较接近人类大脑的结构的。

而为了克服神经网络训练中的问题，DL采用了与神经网络很不同的训练机制。传统神经网络中，采用的是back propagation的方式进行，简单来讲就是采用迭代的算法来训练整个网络，随机设定初值，计算当前网络的输出，然后根据当前输出和label之间的差去改变前面各层的参数，直到收敛（整体是一个梯度下降法）。而deep learning整体上是一个layer-wise的训练机制。这样做的原因是因为，如果采用back propagation的机制，对于一个deep network（7

层以上），残差传播到最前面的层已经变得太小，出现所谓的gradient diffusion （梯度扩散）。这个问题我们接下来讨论。

八、Deep learning训练过程

8.1、传统神经网络的训练方法为什么不能用在深度神经网络

BP算法作为传统训练多层网络的典型算法，实际上对仅含几层网络，该训练方法就已经很不理想。深度结构（涉及多个非线性处理单元层）非凸目标代价函数中普遍存在的局部最小是训练困难的主要来源。

BP算法存在的问题：

（1）梯度越来越稀疏：从顶层越往下，误差校正信号越来越小；

（2）收敛到局部最小值：尤其是从远离最优区域开始的时候（随机值初始化会导致这种情况的发生）；

（3）一般，我们只能用有标签的数据来训练：但大部分的数据是没标签的，而大脑可以从没有标签的的数据中学习；

8.2、deep learning训练过程

如果对所有层同时训练，时间复杂度会太高；如果每次训练一层，偏差就会逐层传递。这会面临跟上面监督学习中相反的问题，会严重欠拟合（因为深度网络的神经元和参数太多了）。

2006年，hinton提出了在非监督数据上建立多层神经网络的一个有效方法，简单的说，分为两步，一是每次训练一层网络，二是调优，使原始表示x向上生成的高级表示r和该高级表示r向下生成的x'尽可能一致。方法是：

1）首先逐层构建单层神经元，这样每次都是训练一个单层网络。

2）当所有层训练完后，Hinton使用wake-sleep算法进行调优。

将除最顶层的其它层间的权重变为双向的，这样最顶层仍然是一个单层神经网络，而其它层则变为了图模型。向上的权重用于―认知‖，向下的权重用于―生成‖。然后使用Wake-Sleep算法调整所有的权重。让认知和生成达成一致，也就是保证生成的最顶层表示能够尽可能正确的复原底层的结点。比如顶层的一个

结点表示人脸，那么所有人脸的图像应该激活这个结点，并且这个结果向下生成的图像应该能够表现为一个大概的人脸图像。Wake-Sleep算法分为醒（wake）和睡（sleep）两个部分。

1）wake阶段：认知过程（从现实到概念），通过外界的特征和向上的权重（认知权重）产生每一层的抽象表示（结点状态），并且使用梯度下降修改层间的下行权重（生成权重）。也就是―如果现实跟我想象的不一样，改变我的权重使得我想象的东西就是这样的‖。

2）sleep阶段：生成过程（从概念到现实），通过顶层表示（醒时学得的概念）和向下权重（生成权重），生成底层的状态，同时修改层间向上的权重。也就是―如果梦中的景象不是我脑中的相应概念，改变我的向上的权重（认知权重）使得这种景象在我看来就是这个概念‖。

deep learning训练过程具体如下：

1）使用自下上升非监督学习（就是从底层开始，一层一层的往顶层训练）：采用无标定数据（有标定数据也可）分层训练各层参数，这一步可以看作是一个无监督训练过程，是和传统神经网络区别最大的部分（这个过程可以看作是feature learning过程）：

具体的，先用无标定数据训练第一层，训练时先学习第一层的参数（这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层），由于模型capacity的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；

2）自顶向下的监督学习（就是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调）：

基于第一步得到的各层参数进一步fine-tune整个多层模型的参数，这一步是一个有监督训练过程；第一步类似神经网络的随机初始化初值过程，由于DL 的第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果；所以deep learning效果好很大程度上归功于第一步的feature learning过程。

九、Deep Learning的常用模型或者方法

9.1、AutoEncoder自动编码器

Deep Learning最简单的一种方法是利用人工神经网络的特点，人工神经网络（ANN）本身就是具有层次结构的系统，如果给定一个神经网络，我们假

设其输出与输入是相同的，然后训练调整其参数，得到每一层中的权重。自然地，我们就得到了输入I的几种不同表示（每一层代表一种表示），这些表示就是特征。自动编码器就是一种尽可能复现输入信号的神经网络。为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要的因素，就像PCA那样，找到可以代表原信息的主要成分。

具体过程简单的说明如下：

1）给定无标签数据，用非监督学习学习特征：

在我们之前的神经网络中，如第一个图，我们输入的样本是有标签的，即（input, target），这样我们根据当前输出和target（label）之间的差去改变前

面各层的参数，直到收敛。但现在我们只有无标签数据，也就是右边的图。那么这个误差怎么得到呢？

如上图，我们将input输入一个encoder编码器，就会得到一个code，这

个code也就是输入的一个表示，那么我们怎么知道这个code表示的就是input 呢？我们加一个decoder解码器，这时候decoder就会输出一个信息，那么如

果输出的这个信息和一开始的输入信号input是很像的（理想情况下就是一样的），那很明显，我们就有理由相信这个code是靠谱的。所以，我们就通过调整encoder和decoder的参数，使得重构误差最小，这时候我们就得到了输入input 信号的第一个表示了，也就是编码code了。因为是无标签数据，所以误差的来源就是直接重构后与原输入相比得到。

2）通过编码器产生特征，然后训练下一层。这样逐层训练：

那上面我们就得到第一层的code，我们的重构误差最小让我们相信这个code就是原输入信号的良好表达了，或者牵强点说，它和原信号是一模一样的（表达不一样，反映的是一个东西）。那第二层和第一层的训练方式就没有差别了，我们将第一层输出的code当成第二层的输入信号，同样最小化重构误差，就会得到第二层的参数，并且得到第二层输入的code，也就是原输入信息的第二个表达了。其他层就同样的方法炮制就行了（训练这一层，前面层的参数都是固定的，并且他们的decoder已经没用了，都不需要了）。

3）有监督微调：

经过上面的方法，我们就可以得到很多层了。至于需要多少层（或者深度需要多少，这个目前本身就没有一个科学的评价方法）需要自己试验调了。每一层都会得到原始输入的不同的表达。当然了，我们觉得它是越抽象越好了，就像人的视觉系统一样。

到这里，这个AutoEncoder还不能用来分类数据，因为它还没有学习如何去连结一个输入和一个类。它只是学会了如何去重构或者复现它的输入而已。或者说，它只是学习获得了一个可以良好代表输入的特征，这个特征可以最大程度上代表原输入信号。那么，为了实现分类，我们就可以在AutoEncoder的最顶的编码层添加一个分类器（例如罗杰斯特回归、SVM等），然后通过标准的多层神经网络的监督训练方法（梯度下降法）去训练。

氧气安全知识培训材料

氧气基本知识 一、氧气的性质 在常温下，氧气是无色、无味、无毒的气体，比空气重。在标准状态下，氧气密度为1.429kg/m3。标准大气压下，当温度降为—182.98 ℃，气态氧变为液态氧。液氧系天蓝色、透明、易流动的液体。当温度降为－248.4 ℃，液氧变为蓝色固体结晶。 氧气本身不能燃烧，但它是一种化学性质极为活跃的助燃气体，属于强氧化剂。氧与其他物质化合生成氧化物的氧化反应无时不在进行。氧气与一切可燃物可进行燃烧。与可燃气体，如氢、乙炔、甲烷、煤气、天然气等可燃气体，按一定比例混合后容易发生爆炸。其化学反应的能力是随着氧气压力的增大和温度的升高而显著增强。氧气纯度越高，压力越大，愈危险。各种油脂与高压氧气接触，就会发生激烈的氧化反应而迅速燃烧甚至爆炸。由此可见，氧气既是助燃气体，又可以促使某些易燃物质自燃。 二、氧气的生产应用 随着吹氧炼钢、高炉富氧鼓风等强化冶炼的措施和钢坯自动火焰清理机新技术的采用，钢铁企业的用氧发展很快，已成为国民经济中最大的用氧部门。 氧气的制取方法很多，一般有化学法、电解法、吸附法和深度冷冻法等。 深度冷冻法制氧以空气为原料，电耗低(1.8～2.16 MJ／m3)、成本低、产量高、质量好，安全运转周期长，工艺成熟，目前已在工业上得到广泛应用。 氧气在钢铁企业生产中占有很重要的地位，并具有非常广泛的用途。其用途基本可分为：工艺用氧和切焊用氧。 三、气割原理概述 气割是利用可燃气体与助燃气体（氧气），在割炬内进行混合，使混合气体发生剧烈燃烧。利用燃烧放出的热量将工件切割处预热到燃烧温度后，喷出高速气流，使切口处金属剧烈燃烧，并将燃烧后的金属氧化物吹除，实现工件分离。 氧气切割过程包括以下三个阶段： 1、气割开始时，用预热火焰将起割处的金属预热到燃烧温度（燃点）。 2、向被加热到燃点的金属喷射切割氧，使金属剧烈燃烧。 3、金属燃烧后生成熔渣和产生反应热。熔渣被切割氧吹除，所产生的热量和预热火

加热工考试加热工高级考试卷模拟考试题.doc

加热工考试加热工高级考试卷模拟考试题 考试时间：120分钟 考试总分：100分 遵守考场纪律，维护知识尊严，杜绝违纪行为，确保考试结果公正。 1、缩孔是一种（ ）常见的内部缺陷。 （ ） A.钢锭 B.连铸坯 C.初轧坯 2、用（ ）清理方法可以清除钢表面的氧化铁皮。 （ ） A.机械火焰 B.人工火焰 C.抛丸 3、火焰清理方法适用于（ ） A.普通碳素钢 B.高碳钢 C.高合金钢 4、原料表面清理时，清理宽度应（ ）清理深度。 （ ） A.小于 B.等于 C.大于 5、钢板轧制压下规程属于轧制工艺中（ ）的内容。 （ ） A.变形制度 B.速度制度 C.温度制度 6、型钢轧机孔型设计属于轧制工艺中（ ）的内容。 （ ） 姓名：________________ 班级：________________ 学号：________________ --------------------密----------------------------------封 ----------------------------------------------线----------------------

A.变形制度 B.速度制度 C.温度制度 7、连轧机各架速度的确定属于轧制工艺中（）的内容。（） A.变形制度 B.速度制度 C.温度制度 8、初轧机确定轧件咬入和抛出速度属于轧制工艺中（）内容。（） A.变形制度 B.速度制度 C.温度制度 9、型钢轧机上，同一孔型上的两个轧辊辊环之间的距离叫作（） A.孔型 B.辊缝 C.辊跳 10、控制轧制的目的是（） A.提高热轧材综合性能 B.提高轧钢产量 C.控制轧机产量 11、无需任何中间介质的传热方式为（） A.传导 B.对流 C.辐射 D.没有此种方式 12、下列钢种（）的氧化烧损量少。（） A.高合金钢 B.低合金钢 C.中合金钢 D.低碳钢 13、不适合无焰燃烧特点的是（） A.火焰黑度大，辐射能力强

钢坯火焰清理机设计.

摘要 钢坯火焰清理(searfing of billet)利用高温火焰的气割和熔除作用将钢坯表面缺陷烧除。在钠坯生产中，它是保证钢坯质量的重要工序。火焰清理是一种生产率高、成本低的表面清理方法。用火焰清理1t钢坯的成本比用风铲清理便宜一半以上，为砂轮磨削的十分之一。清理速度比风铲高10 ~15倍，广泛用于碳钢、低合金钢及部分合金钢的清理。火焰清理有人工清理和机械清理，可进行在线热清理及钢坯冷却后的补充清理。 人工火焰清理通常用作钢坯的冷清理，但对于一些导热性差的高碳钢及合金钢钢坯，一般不适用于常温清理，通常在钢坯未冷却到150~300°C之前进行人工抢温清理。(人工火焰清理的工具为带引火器的火焰枪，清理时喷嘴在钢坯表面上移动速度为6~9m/min)。 机械火焰清理为改善钢坯表面质量和减轻繁重的手工操作，在初轧机和大剪机之间的生产线上安装火焰清理机(又称在线火焰清理机)，将轧后的钢坯在热状态下同时进行四面(方坯)或两面(板坯)的在线火焰清理。一般一次清理深度为0.8~4.2mm，清理速度是可调的。经在线热清理的钢坯表面仍有10%~40%的清理量要在钢坯库进行补充冷清理，其中中碳钢约占10%，合金钢约占40%。 关键词：钢坯表面火焰清理改善质量

Abstract Searfing flame of billet clear (the billet) with high-temperature flame cutting and melt in addition to burn surface defect role will billet except. In sodium billet production, it is to guarantee the important process quality of steel. Flame cleanup is a kind of productivity high, low cost surface cleaning method. Use flame 1t billet cost clear with FengChan cleaning cheaper than more than half, for grinding wheel grinding tenth. Cleaning faster than FengChan high 10 ~ 15 times, widely used in carbon steel, low alloy steel and part of the alloy steel cleanup. Flames are artificially clean and clear mechanical cleaning, can undertake online hot cleaning and billet supplementary after cooling cleaning up. Artificially flame clean commonly used as billet cold clear, but for some poor thermal conductivity of high carbon steel and alloy steel billet, generally does not apply to clean, usually at the billet not cooled to 150 ~ 300 ° C temperature artificial rob before cleaning up. (artificially flame cleanup tools for the flame with lead firearm gun, when clearing nozzle movement speed on the surface of the billet for 6 ~ 9m/min). For improving mechanical flame cleaning the surface quality and reduce billet heavy manual operation, in the beginning mills and large shear machine production line between install flame cleaning machine (also called online flame cleaning machine), will be rolling in the billet hot state after next simultaneously all (billet) or two (slab) online flame cleaning. Generally a cleaning depth for 0.8 ~ 4.2 mm, clean up the speed is adjustable. The online hot cleanup billet surface still have 10% ~ 40% cleaning in billet library amount, which can add cold clear about medium-carbon steel, alloy steel 10% about 40%. Keywords: billet surface cleaning improve quality flame

电除尘器的选型计算参数(精)

电除尘器的选型计算 电除尘器应用成功与否，是与设计、设备质量、加工和安装水平、操作条件、气体和粉尘性质等多种因素相关联的综合效果。要取得理想的除尘效果，必须了解各有关环节与除尘机理的联系，考虑各种影响因素，正确设计计算。 1.影响除尘器性能的因素 影响电除尘器性能有诸多因素，可大致归纳为3个方面：烟尘性质、设备状况和操作条件。这些因素之间的相互联系如图4-71所示，由图可知，各种因素的影响直接关系到电晕电流、粉尘比电阻、除尘器内的粉尘收集和二次飞扬这3个环节，而最后结果表现为除尘效率的高低。 1)烟尘性质的影响粉尘的比电阻，适用于电除尘器的比电阻为104~1011?·㎝。比电阻低于104?·㎝的粉尘，其导电性能强，在电除尘器电场内被收集时，到达沉降极板后会快速释放其电荷，而变为与沉淀极同性，然后又相互排斥，重新返回气流，可能在往返跳跃中被气流带出，所以除尘效果差；相反，比电阻高于1011?·㎝以上的粉尘，在到达沉降极以后不易释放其电荷，使粉尘层与电极板之间可能形成电场，产生反电晕放电。 对于高比电阻粉尘，可以通过特殊方法进行电除尘器除尘，以达到气体净化，这些方法包括气体调质、采用脉冲供电、改变除尘器本体结构、拉宽电极间距并结合变更电气条件。 2)烟气湿度烟气湿度能改变粉尘的比电阻，在同样湿度条件下，烟气中所含水分越大，其比电阻越小。粉尘颗粒吸附了水分子，粉尘的导电性增大，由于湿度增大，击穿电压上长，这就允许在更高的电场电压下运行。击穿电压与空气含湿量有关，随着空气中含湿量的上升，电场击穿电压相应提高，火花放电较难出现，这种作用对电除尘器来说，是有实用价值的，它可使除尘器能够在提高电压的条件下稳定地运行，电场强度的增高会使降尘效果显著改善。 3)烟气温度气体温度也能改变粉尘的比电阻，而改变的方向却有几种可能：表面比电阻随温度上升而增加（这只在低温度交接处有一段）过渡区，表面和体积比电阻的共同作用区。电除尘工作温度可由粉尘比电阻与气体温度关系曲线来选定。 烟气温度的影响还表现在对气体黏滞性影响，气体黏滞性随着温度的上升而增大，这样影响其驱进速度的下降。气体温度越高队电除尘器的影响是负面的，如果有可能，还是在较低温度条件下运行较好，所以，通常在烟气进入电除尘器之前先要进行气体冷却，降温既能提高净化效率，又可利用烟气余热。然而，对于含湿量较高和有SO3之类成分的烟气，其温度一定要保持在露点温度20~30℃以上作为安全余量，以避免冷凝结露，发生糊板、腐蚀和破坏绝缘。 4)烟气成分烟气成分对负电晕放电特性影响很大，烟气成分不同，在电晕放电中电荷载体的迁移不同。在电场中，电子与中性气体分子相撞而形成负离子的概率在很大程度上取决于烟气成分，据统计，其差别是很大的，氦、氢分子不产生负电晕，氯与二氧化硫分子能产生较强的负电晕，其他气体互有区别；不同的气体成分对电除尘器的伏安特性及火花放电电压影响甚大，尤其是在含有硫酐时，气体对电除尘器运行效果有很大影响。 5)烟气压力有经验公式表明，当其他条件确定后，起晕电压随烟气密度而变化，烟气的温度和压力是影响烟气密度的主要因素。烟气密度对除尘器放电特性和除尘性能都有一定影响，如果只考虑烟气压力的影响，则放电电压和气体压力保持一次（正比）关系。在其他条件相同的情况下，净化高压煤气时电除尘器的压力比净化高压煤气时要高，电压高，其除尘效率也高。 6)粉尘浓度电除尘器对所净化的气体的含尘浓度有一定的适应范围，如果超过一定范围，除尘效果会降低，甚至中止除尘过程，因为在除尘器正常运行时，电晕电流是由气体离子和荷电尘粒（离子）两部分组成的，但前者的趋进速度约为后者的数百倍（气体离子

钢坯火焰清理机氧化皮、裂纹清理装置设计

摘要 钢坯清理厂目前所用的设备为老式的清理机，它是上世纪九十年代产品，设备老化，维修困难，加工零件精度低，加工范围小，功能已很难适应新的工艺及船用工件，所以改造时主要从以上几方面考虑。经过与工厂协商，在改造中主要解决这些问题，改装割炬升降装置，进而适应钢坯厂大型钢坯的加工。改造后应达到通用性好，可进行直线及任意曲线的清理，可配置任何形式的割炬。精度高，改造后的数控火焰清理机运行精度、定位精度及转角处精度均要得到保证。清理质量好，清理机运行平稳，定位精度高。自动化程度高，切割全过程自动控制。数控系统功能齐全。 本论文的工作重点是数控火焰清理机机械本体的改造，通过对机械本体的不合理地方重新设计和计算机数字控制技术应用，完成了数控火焰清理机的改造，并且在实际中进行了运行和调试．本论文的工作及贡献 主要有下面几个方面； 1．进行了机械方案设计、计算与分析，其主要内容包括机械本体，传动 系统及加装的自动调高，和割炬升降装置改装等。。 2．对改造后的数控火焰切割机进行了调试和运行，参数设置，诊断分析 以及精度检测。’ 关键词：数控火焰清理机、改造、机械本体、电气控制加工

ABSTRACT Billet cleaning plant equipment currently used to clean up the old machine, it is the nineties of last century products, equipment aging, maintenance difficulties, low precision machining parts, machining range of small, function has been difficult to adapt to the new technology and marine artifacts, so transformation of the above areas is a major consideration. After consultation with the factory, in the transformation Mainly to solve these problems, the modified torch lifter, and then adapt to large-scale billet steel billet plant processing. After transformation, should reach common good, can be straight and clean up any curves that can be configured to any form of cutting torch. High precision CNC flame transformed cleaning machine running accuracy, positioning accuracy and precision of the corner have to be guaranteed. Clean-up of good quality, clean machine running smoothly, high positioning accuracy. High degree of automation, automatic control of the whole process of cutting. Numerical control system fully functional. Focus of this paper is the numerical control flame cleaning machine mechanical body transformation, by mechanical body to re-design and unreasonable where technology computer numerical control, CNC flame cleaning machine to complete the transformation, and carried out in practice running and debugging . Work and contribution of this paper There are the following aspects; 1. For the mechanical design, calculation and analysis, which mainly include mechanical body, transmission System and the installation of the automatic increase, and other torch lifter conversion. . 2. After the transformation of CNC flame cutting machine debugging and running, parameter settings, diagnostic analysis And the accuracy. ' Key words: CNC flame cleaning machine, transformation, mechanical body, the electrical control processing

国内大规格棒材半连轧生产工艺特点-g

国内半连轧大规格棒材生产工艺特点 陈志强 (中冶华天工程技术有限公司马鞍山 243005) 摘要：随着世界制造业向我国转移，以轧代锻的产品大增，特别是大规格棒材需求量剧增，催生了以半连轧方式来生产大规格合金棒材的轧钢工艺。本文以国内新建的部分半连轧棒材生产线为例介绍了这种生产工艺的特点和优势。 关键词：半连轧，大规格棒材，初轧开坯 1.前言 随着国内汽车零部件制造、发电设备生产和工业机械制造等行业的迅猛发展，国内大规格棒材产品的需求也与日俱增。过去，我国大规格棒材产品的生产主要集中在传统特钢行业通过锻造方式生产，而锻造生产在在成本和效率等方面都与轧制生产无法相比。因而大规格棒材的生产方式的转变就迫在眉睫。应运而生的就是以轧代锻的大规格棒材半连轧轧制生产。 从表1可以看出，目前，这种生产方式轧机的布置形式多为二辊或三辊初轧机加上数架连轧机组。初轧开坯、大压缩比、大坯型和多坯型是其主要特点。 表 1 国内近年新建和改造的半连轧大规格棒材生产线 序号轧机名称原料规格产品规格 （mm） 轧机组成投产 时间 改造 时间 1 湘潭750 初轧[1]240×240 Φ50～150 (Φ160～200) Φ750二辊可逆+Φ650×8 连轧 1958 2002 2 大冶850 初轧[1]连铸坯：460× 350 钢锭：3.6t、 5.6t Φ70～250 (300) Φ850二辊可逆+Φ750×6 连轧 1956 2001 3 大冶特钢 三轧厂 650机组 [2]Φ38～130 Φ650三辊可逆+Φ550×4 连轧+Φ400×2连轧+Φ 350×4连轧+3架精轧机 4 宝钢1300 初轧[1]连铸坯：320× 425mm 钢锭：10.3t、 13.5t、19.8t、 28.0t 140、160、75～ 160 175～230（90） Φ1300双机架串列初+Φ 800×2+Φ700×4连轧 1985 2005 5 兴澄大棒 轧机[1]370×490 Φ120～250 1002～1802 Φ1000二辊可逆+Φ760× 3+Φ670×3 2006 年新 建

噪声污染防治控制程序

噪声污染防治控制程序 1.目的 防治环境噪声污染，保护和改善工作及生活环境，保障人体健康。 2.范围 适用于本公司各部门环境噪声污染的防治。 3.定义 工业噪声：指在工业生产活动中使用固定的设备时产生的干扰周围生活环境的声音。 建筑施工噪声：指在建筑施工过程中产生的干扰周围生活环境的声音。交通运输噪声：指机动车辆、铁路机车、机动船舶、航空器等交通运输工具在运行时所产生的干扰周围生活环境的声音。 环境噪声：指在工业生产、建筑施工、交通运输和社会生活中产生的干扰周围生活环境的声音。 环境噪声污染：指所产生的环境噪声超过国家规定的环境噪声排放标 准，并干扰他人正常生产、工作和学习的现象。 4.职责 4.1 安全环保部负责公司区域内环境噪声的监督管理工作。 4.2 各部门负责本区域内环境噪声的治理，负责本部门使用的隔音、消音设施的维护和保养。 4.3 设备部应优先采购低噪声的设备。 4.4 工程管理部负责建筑施工噪声的控制。 4.5 生产运输部等车辆使用部门负责对车辆噪声进行控制。 4.6 安全环保部环境监测站负责噪声的监测工作。 5.工作程序 5.1 设备的购置 5.1.1 采购部门依据国家和行业标准所规定的噪声限值来采购设备，应优

先采购低噪声设备。 5.1.2 采购部门严禁采购对环境噪声污染严重的设备。 5.2 噪声的控制 5.2.1 产生环境噪声污染的单位，应采取措施进行治理，减轻噪声对周围生活环境的影响。 5.2.2 公司向周围环境排放的工业噪声，应当符合《新疆昆仑钢铁有限公司噪声排放标准》。 5.2.3 建筑施工应按照《建筑施工场界噪声限值》标准的有关规定执行。 5.2.4 各噪声产生部门对不能达标的，危害较大的机械设备，在技术经济条件允许的情况下安装消音或隔音设施。 5.2.5 噪声防治设施按《环保设施管理程序》执行。 5.2.6 公司所有车辆的消声器和喇叭必须符合国家规定的噪声排放要求。 5.2.7 车辆在医院、学校等禁鸣笛区域以及禁鸣时间内行驶时，严禁鸣笛。 5.2.8 新建、改建、扩建可能产生环境噪声污染的建设项目，按《新、改、扩建项目环境保护管理程序》执行。 5.2.9 安全环保部环境监测站对噪声进行监测，结果报安全环保部和噪声 产生部门。对于噪声超标的设备或岗位，要求责任部门及时进行整改。 6.相关文件 《环保设备管理办法》 《环境监测管理程序》 《工业企业厂界环境噪声排放标准》GB12348—2008 《工业企业噪声控制设计标准》GB87-85 《建筑施工场界环境噪声限值》GB12523-90 《工业企业噪声卫生标准》 7.附录及附表 《昆仑钢铁主要噪声污染源及治理措施》

炼钢

A Active power 有功功率 Agitate 搅拌,搅动 Aim tap temp 目标出钢温度 Air cooled stopper 气冷塞杆 Aluminum feeder 加铝器 Ammonia still 蒸氨塔 Amortization 阻尼，减震 Amplitude 振幅 Anode 阳极 AOD(Argon-Oxygen Decarburization) 氩氧脱碳工艺 Aperture 小孔，小眼，开口 Arbor 柄轴，心轴 Armature 电枢 Armour-plate 装甲板，防弹钢板Articulated spindle 铰接 Artificial neutral transformer 接地变压器Asbestos 石棉 B Back-pressure valve 止回阀 Baffle 挡板，折流板 Ball 挡渣球 Base metal 母材 Basic converter steel 碱性转炉钢 Basic lining 碱性炉衬 Basic slag 碱性渣 Bath level 溶池液面 Bearing area 支撑面积，承载面积Bearing steel 轴承钢 Beat treatable steel 调质钢，可热处理钢Bending radius 弯曲半径 Bending stress 弯曲应力 Bessemer converter 酸性转炉Bifurcated launder 分叉流槽 Blast tuyere 风口 Blister free steel 无气孔钢 Blister 气泡，气孔 Blow full 后吹 BOF basic oxygen furnace 氧气顶吹转炉Boilings 溢出的钢渣 Bonded metals 包层金属板BOS basic oxygen steel plant 碱性氧气炼钢设备 Bottom blown oxygen converter 底吹氧气转炉 Breaking load 破坏负载，断裂负载Broad-flanged beam 宽缘工字钢 Buffer 缓冲器，减震器 Build-up mould 组合结晶器 Bushing 轴衬，衬套 Butt ingot 短锭，半截锭 Butt joint 对接，平接 C Calcinate 煅烧 Cam throw 凸轮偏心度，凸轮行程Canopy and enclosure damper 屋顶罩和密闭罩挡板 Capacitance 电容 Carb inject 喷煤粉量 Carbon injection lance 碳枪 Carbon penetration 渗碳 Carburiser 渗碳剂 Cascade 串连的布置 Cathode 阴极，负极 Caustic embrittlement 碱性脆化Cementation 渗碳法，渗碳 Center line shrinkage 中心收缩孔Checked edge 裂边 Chestnut 出铁口的栗铁 Chipping 表面清理/精整 Cinder 炉渣，熔渣 Circlip 簧环 Clad steel 复合钢 Clay mortar/fire-clay mortar 耐火灰浆，粘土火泥 Command variable 设定值，控制变量Conservator 油枕，保油箱Constriction 收缩，压缩，缩颈阻塞物Cooling grid 篦条，冷床 Coordinator 炉长 Corrosion inhibitor 减蚀剂 Couverture 保护渣 Crank 曲柄，曲轴 Creep speed 蠕变/爬行速度

压力加工设备与车间设计复习题

压力加工设备与车间设计复习题 1．轧钢机的命名方法。 （1）型钢轧机（初轧机）：以型钢轧机轧辊的名义直径（公称直径）来命名,或以人字齿轮机座的节圆直径（人字齿轮的中心距）命名；如φ650型钢轧机。 （2）板带轧机：以轧辊辊身长度来命名；如1780热轧带钢轧机。 （3）钢管轧机：以所能生产钢管的最大外径来命名；如φ140自动轧管机组。 2．轧钢机按布置形式的分类。 （1）单机座式一个电机、一个减速机、一个齿轮机座带一个轧机 优点：轧机少，易操作。缺点：成本相对较高。 （2）横列式主要用于型钢轧机，一个电机带多个轧机 优点：（1）设备成本低；（2）可采用大规格原料，降低轧材成本；（3） 头尾温差小，轧材尺寸较精确。 缺点：（1）后架轧辊的速度不能与增长的轧件长度相匹配；（2）轧件 要横移，需设移钢机。 （3）纵列式一个电机分别带一个轧机，每架轧机轧完后进入下一架轧机。 优点：（1）产量高；（2）轧辊速度与轧件长度相匹配 缺点：（1）厂房细长；（2）机械投资大 （4）连续式一个电机分别带一个轧机，轧件同时进入每架轧机，常用于冷轧。 优点：（1）产量高；（2）厂房长度小 缺点：要求严格的妙流量相等 （5）半连续式 （6）3/4连续式 3．轧辊强度校核时，辊身、辊颈、辊头各校核哪些应力。 辊身：计算弯曲应力； 辊颈：计算弯曲和扭转共同作用的组合应力； 辊头：计算扭转应力。 4．轧辊辊身直径的确定原则？ 1）考虑轧辊强度 2）考虑咬入条件 3）冷轧时，考虑最小可轧厚度 4）考虑轧辊的重车率

5．轧辊断裂形式分析。 断辊形式 辊身：直茬，轧制努力过大； 辊颈：直茬：辊颈根部，圆角半径r过小，应力集中造成的。 斜茬：扭矩过大造成的。 辊头：斜茬，扭矩过大造成的。 断辊分析 （1）过载：轧制力过大，断口为直茬 1）△h太大； 2）吃黑钢：t℃过低，变形抗力增大，轧制力增大； 3）喂错钢：走错孔型； 4）缠辊：孔型侧壁斜度太小，或导板、卫板设计不合理； 5）数孔同时过钢：扭矩增加。 （2）疲劳破坏：在反复交变应力作用下，当应力＜＜σb时破坏，断口为直茬，有亮的外环，里面为黑心。 （3）应力集中：轧槽深且窄，过渡圆角小，刀花太粗（有许多沟痕）。 （4）组织应力：成分不均、偏析、夹杂、粗大枝晶（铸造组织，经时效退火、热处理可改变组织结构） （5）冲击：强迫咬入（辊道速度、撞铁） （6）扭断：交叉过钢时发生，断口为斜茬。 6．轧辊的结构。 辊身：与轧件接触，完成塑性变形； 辊颈：轧辊支承部分，承受轧制力； 辊头：传递轧辊扭矩部分； 7．型钢轧机强度验算的特点有哪些？ 1）轧制力在孔型中进行的，轧制力按集中载荷计算； 2）采用多条轧制或交叉轧制工艺，一根轧辊上常作用着多个轧制力； 3）每个孔型的开槽深度不同，辊身各处的工作直径不同； 4）型钢生产由多机座完成，关键是判断出最危险的机座以及该机座中最危险的轧辊。8．轧辊轴承可分为哪两种？ 滑动轴承与滚动轴承

中华人民共和国环境保护部公告 2010年第93号 附件二：环境保护技术文件

附件二： HJ-BAT-005 环境保护技术文件 钢铁行业炼钢工艺 污染防治最佳可行技术指南（试行） Guideline on Best Available Technologies of Pollution Prevention and Control for Steel-making Process of the Iron and Steel Industry（on Trial） 环境保护部 2010年12月

目 次 前言.....................................................................................................................I 1 总则 (1) 1.1 适用范 (1) 1.2 术语和定义 (1) 2 生产工艺及污染物排放 (1) 2.1 生产工艺及产污环节 (1) 2.2 污染物排放 (2) 3 炼钢工艺污染防治技术 (4) 3.1 工艺过程污染预防技术 (4) 3.2 大气污染治理技术 (5) 3.3 水污染治理技术 (7) 3.4 固体废物综合利用及处理处置技术 (8) 3.5 噪声污染治理技术 (11) 3.6 炼钢工艺污染防治新技术 (11) 4 炼钢工艺污染防治最佳可行技术 (12) 4.1 炼钢工艺污染防治最佳可行技术概述 (12) 4.2 工艺过程污染预防最佳可行技术 (14) 4.3 大气污染治理最佳可行技术 (14) 4.4 水污染治理最佳可行技术 (18) 4.5 固体废物综合利用及处理处置最佳可行技术 (18) 4.6 最佳环境管理实践 (19)

加热炉首席操作工试题A

加热炉首席操作工试题操作部分A 操作部分 一、判断题（共30题，30分） 1、 20号重油是指在50℃时的恩氏粘度为20。√ 2、按炉送钢制度是为了加热时分钢种加热。× 3、包扎炉底水管有利于节能及提高钢坯的加热质量。√ 4、步进梁运动中的负重是有平移缸承受。× 5、传导传热在气体中是不存在的。× 6、纯金属中加入任何杂质，导热系数都会降低。√ 7、导热系数和导温系数所表达的含义是相同的。× 8、低油压烧嘴的火焰长度大于高油压烧嘴的火焰长度。× 9、对连续式加热炉而言，装炉温度一般指炉尾温度。√ 10、对于低合金钢，在较低的温度下，可以采取较快的加热速度。√

11、对于正常生产的加热炉来说，空气消耗系数越大，烟气带走的热量就越少。× 12、对轧钢加热炉而言，经常遇到的是熔融氧化铁皮对耐火材料侵蚀。 13、二段式加热炉是由预热段和均热段组成的。× 14、辐射传热可在真空中进行。 15、钢材的升温速度与导热系数成正比,与质量热容和体积密度的乘积成反比。 16、钢的温度升高时，体积密度有所减少。 17、钢加热时表层含碳量降低，但并不属于加热缺陷。× 18、钢坯加热的目的就是为了减少轧制时的能耗。× 19、钢坯温度不均就是指钢坯上下表面温度不一样。× 20、钢坯在加热过程中不会产生内应力。× 21、钢坯在加热过程中生成的氧化铁皮会阻止钢坯的进一步氧化。× 22、钢是合金。 23、高炉煤气单独使用时要比与焦炉煤气混合使用时发热量高。×

24、高炉煤气的理论燃烧温度约为1400～1500℃。 25、高铝质耐火材料的Al2O3含量一般应大于48%。 26、高速烧嘴的主要作用是使炉内产生强烈的对流传热效果。 27、高碳钢的加热时间比低碳钢的加热时间要短。× 28、管道孔板用来测量管道内流体的压力。 29、过热的钢可以经过退火加以挽救。 30、过烧的钢用退火的方法可进行挽救。× 二、选择题（共30题，30分） 1、缩孔是一种( A )常见的内部缺陷。 A．钢锭 B．连铸坯 C．初轧坯 2、用( C )清理方法可以清除钢表面的氧化铁皮。 A．机械火焰 B．人工火焰 C．抛丸 3、火焰清理方法适用于( A )。

韶钢特钢生产工艺及设备

韶钢特钢生产工艺及设备

【摘要】本文介绍了韶钢特钢项目的主要概况，主要包括了产品规格范围及其主要工艺特点、轧线工艺和设备配置，以及生产新工艺新技术的应用。 【关键词】特殊钢；生产工艺；生产设备 0.前言 特殊钢的生产和应用代表了一个国家的工业化发展水平。2010年我国特钢占总钢产量的5%左右，美国和韩国的特殊钢产量占钢产量的10％左右，日本、法国和德国的特殊钢产量占钢产量的15％ -22％，瑞典的特殊钢产量占钢产量的45％左右，我国高品质特殊钢无法满足国民经济建设的需要。高品质特殊钢产业还是战略性新兴产业发展的重要材料基础，也是长期以来制约我国制造业发展和相关产业节能减排（如火力发电）目标实现的瓶颈。目前国家、广东省都已将高品质特殊钢作为战略性新兴产业的一个组成部分，《钢铁工业“十二五”发展战略建议》也明确提出重点发展特殊钢新材料，逐步替代进口、满足国内装备制造业提升的需求。 同普通钢相比，特殊钢中的合金元素含量高工艺复杂，技术严格，并且需要热处理，因此资源和能源消耗大。我国高品质特殊钢比例低，特殊钢产品结构不合理。发展高品质特殊钢产业是提升特殊钢产业核心竞争力，促进钢铁产业结构优化升级的重要组成部分。我国主要特殊钢品种年产量超过百万吨，不锈钢1000万吨、轴承钢300万吨、齿轮钢200万吨、弹簧钢200万吨、非调质钢100万吨。 1.韶钢特棒项目概况

韶钢特钢工程建设1 条优质棒材生产线(大棒生产线）、1条合金钢棒生产线（中棒生产线）和与之相配套的精整线。成品产能113万t/a，其中大棒生产线（??70～??180mm）圆钢年产能67万t/a，中棒生产线（??20～??80mm）圆钢产能46万t/a。另外合金钢大棒生产线还生产轧制坯5万t/a（为中棒生产线提供原料）。 本项目将按照一次规划、分步建设的方案进行实施，共分三期完成，工程的主体设备在一期建设完成，并根据产品开发及市场拓展的进展，在随后的二期、三期工程建设过程中进行工业炉、离线精整等设备的配套建设。 1.1一期工程 1.1.1中棒生产线 建设的主要工艺设备有：1座150t/h步进梁式加热炉、1条中棒轧机生产线、3机架两辊减定径机组、1座步进式冷床、1条在线剪（锯）切打捆收集精整生产线、1座多功能辊底式热处理炉、1条离线矫直抛丸探伤精整生产线、2台剥皮机、4台无芯磨床等设备。 1.1.2大棒生产线 建设的主要工艺设备有：1座160t/h步进梁式加热炉、1条大棒轧机生产线、1座横移编组台架、1条在线锯切倒棱收集精整生产线、2座台车式热处理炉、1条离线矫直抛丸探伤精整生产线、1台钢材改尺砂轮锯切机组、2台剥皮机等设备。一期总投资14.56亿元。 1.1.3一期工程于2013年3月前完成。

宝钢初轧工艺技术的进步与发展

宝钢初轧工艺技术的进步与发展 宝钢分公司初轧工厂为宝钢一期建设项目，在宝钢二期建设项目投产之前，从炼钢到成材，必须通过初轧开坯来衔接，初轧在宝钢这一钢铁联合企业中起着承上启下的作用，是由钢转材的关键中间生产工序。初轧工厂经过全面达标期、稳定运行期、精益运行期三个阶段的发展，工艺装备、生产技术和产品研发不断进步，自1985年9月投产至年末累计生产坯材多万吨为宝钢的发展做出了巨大贡献，取得了显著经济效益和社会效益。 1 初轧工厂概况 宝钢分公司初轧工厂整套设备从日本引进，是全球最后一套以模铸钢锭为原料的大型方/板坯初轧机，也代表着初轧工艺与装备的最高水平。工厂年设计生产能力300万，t其中板坯118万，t方坯122万，t管坯60万t。 1.1 主要工艺装备 初轧工厂于1985年9月20日投产，经过二十多年的发展，目前主要工艺装备组成如下：均热跨主要有6组均热炉共18个均热坑(其中4组为蓄热式)、1座步进梁式大方坯加热炉、4组兼具加热与缓冷功能的保温坑；主轧线主要工艺设备有2台串列布置Φ1300初轧机、热火焰清理机、剪切机、立平布置6机架连轧机、飞剪、热锯、冷床等设备；精整设备主要包括：火焰清理设备、抛丸机、探伤设备(磁粉表面探伤与超声波探伤)、砂轮修磨机、矫直机(压力矫直与十辊矫直)、退火炉、砂轮切割锯、砂轮剥皮机、车削剥皮机等主要设备，以上述设备为基础组成2条圆管坯机械清理线、2条小方坯机械清理线、1条大方坯机械清理线及1条板坯人工清理线。工厂均热跨与主轧制线呈“T”字形布置，板坯、方坯、管坯精整跨分别沿主轧跨及其后平行分布。 1.2 生产历程

在投产后至1990年的5年全面达标期内，初轧产线生产顺行，产量提升迅速，1988年、1989年连续两年产量超过设计能力，收得率、工序能耗等主要经济指标实现全面达标，如图1～3所示。 图1：初轧工厂历年产量变化趋势 图2：全面达标期主要锭型收得率增长趋势 图3：全面达标期工序能耗下降趋势

钢铁生产工艺及废水处理工艺

钢铁冶炼生产工艺及废水处理工艺 冷轧、焦化工序的外排水，因水中含有酚、氰化物、氨氮、油、COD、C1一等污染物及高含盐量对处理工艺、生产系统具有较大影响，因此该两部分废水不进入综合污水处理站，分别进行有针对性的处置，处理后的废水回用料场、烧结等用户。 1．焦化酚氰废水处理： 焦化生产工艺及废水来源： 在粗苯分离水排放线路中增设一组轻重油回收补入洗苯系统再利用，除油后的粗苯分离水引入煤气水封污水地下槽，与煤气导淋水混合后，定期用泵抽到机械化澄清槽。

（4）终冷污水处理 煤气在进入终冷时，氨被终冷水洗下，因此必须定期对终冷污水进行置换（怎么置换？），否则终冷水中的氨含量将持续升高，不仅会增大对粗苯生产设备的腐蚀，还会影响粗苯生产。因此焦化厂会结合实际，将部分终冷水以一定流量送到炼焦作为熄焦补充水，同时还增配一根专用管线，根据终冷水量和含氨浓度，及时将需置换的部分终冷污水以一定流量送往一、二段煤场作为灭火和防扬尘喷淋水，实现多于的终冷水不外排。 （5）污水的生化处理 COD含量为1000-3000mg/L、酚含量为100-300 mg/L、油含量≤40 mg/L，氰含量≤30 mg/L，氨氮含量≤400 mg/L的多路废水以一定流量直接混合进入预沉池，流入隔油池，再经除油气浮池后，用压缩空气提升器提升至匀和池，在与计量槽和生化C池的回配水、稀释水混合后，以一定流量自流入一段曝气池，与再生段回流污泥混合流入二沉池，经沉淀分离后，提升至二段曝气池，再次氧化吸附，处理后的废水经二段二沉池分离后，抽送到反硝化池，反硝化后的废水入硝化池，从而完成废水的生化处理。生化出来的COD含量≤200 mg/L，酚含量≤15 mg/L，氰含量≤1 mg/L，油含量≤10 mg/L，氨氮含量≤50 mg/L，实现了达标排放。 2．炼铁作业部废水处理

精选中厚板生产中常见缺陷的类型及预防.docx

中厚板生产中常见缺陷的类型及预防 中厚钢板是国民经济发展所依赖的重要材料，广泛用于高层建筑、 桥梁、锅炉、容器、石油化工、工程机械、管线及国防建设等各个方 面，中厚钢板的品种繁多，使用温度区域较广（-200 ℃~600℃），使用环境复杂，（耐候性、耐蚀性），使用要求高（强韧性、焊接性）。 目前 , 我国中厚板生产厚度为 4～ 250mm, 宽度可达 4000mm, 最长可达 27m。在品种方面 , 已能生产难度比较大的装甲、船身、不锈、高压锅炉容器、桥梁等专用中厚板。但是 , 高档次板仍然比较少 , 专用板只占20%多一点 , 大多数厂以生产大路货普碳板为主 , 产量占70%～80%。 由于大部分企业炼钢缺少炉外精炼手段,钢质纯净度差,钢板夹杂、分层现象有时较为突出,在轧制生产中,钢板表面铁皮多,麻点面积大且深 ,修磨量大,严重影响了钢板品种与质量的发展。另外国产中厚板尺寸偏差、表面质量、力学性能也存在很多问题，只是大 多数厂生产以普碳钢为主，钢板质量问题还未完全暴露出来。（中厚板市场） 随着国民经济的发展 , 各行各业对中厚板品种、规格、尺寸精度、内外部质量及性能提出了日益增高的要求。所以中厚钢板不仅要有好的机械性能，还要求有优良的表面质量和内部质量。 目前，国内中厚板存在的主要质量问题有： (1)产品质量不能满足国际标准,国际标准要求产品表面无缺

陷且无修磨痕迹 ,厚度公差带较国内标准减少50%, 不平度长度测量单位增加一倍 ,产品全部双定尺交货。 国内中厚板双定尺率只有65%左右。 (2)产品品种单一 , 不能满足国内和国际市场需求 , 有订单不 能接受。 大部分企业只生产普碳和低合金钢中的 A、B级钢， C、D级不能保证性能。 (3)钢板外观质量差，如断面有兰边 , 锯齿、撕裂、错牙等缺陷，表面有划伤、铁皮、油污、麻点等缺陷，厚度偏差大、宽度大小头差大、对角线差值大等非矩形缺陷。 国内外中厚板外观质量对照表 项目国内水平国际先进水平 厚度精度 (mm)一般：先进： 宽度精度 (mm)一般：15 5先进：10 长度精度 (mm) 一般：40 10先进：20 一般：有麻点等较严重 表面质量缺陷表面光洁无缺陷 先进：铁皮稍厚无大缺（徐州卡特彼勒公司）陷 一般：人工作业，不清 包装质量晰自动喷字、打印、贴签、清先进：接近国际先进水晰、美观 平