【技术实现步骤摘要】
本专利技术涉及物联网工业领域，具体涉及一种转炉配料数据生成及优化方法。
技术介绍
1、随着物联网技术的快速发展，工业现场能够实时采集海量数据，在转炉炼钢的过程中，由于各种配料的数据对最终成品影响较大，因此需要对数据进行采集，便于研究人员根据数据进行及时调整。然而，这些数据往往难以满足完备性条件。具体而言，用于软测量模型输入的辅助变量（如温度、压力、流量等）通常具有较高的采样频率，而作为模型输出的关键质量变量（标签变量）则由于测量难度大或成本高，往往采样频率较低甚至存在严重缺失。这种数据不均衡现象导致工业过程中标签样本稀少，严重制约了软测量模型的训练效果以及在线更新的性能。因此，如何有效填补缺失的标签样本，成为当前工业过程软测量领域的研究热点之一。生成式模型凭借其强大的数据生成能力，为解决标签样本缺失问题提供了新的思路。该类模型通过学习数据的内在分布结构，能够生成与真实样本高度一致的补全数据，从而为下游软测量模型的训练与更新提供充足的数据支持。然而，在实际工业场景中，由于标签样本稀少且分布不连贯，生成式模型的训练效果往往受到限制。
...【技术保护点】
1.一种转炉配料数据生成及优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤S2包括：
3.根据权利要求1所述的方法，其特征在于，步骤S3包括：
4.根据权利要求2所述的方法，其特征在于，正则化损失包括：
5.根据权利要求4所述的方法，其特征在于，重构损失包括：
6.根据权利要求4所述的方法，其特征在于，在基本VAE模型中，正则化损失和重构损失的总损失为：
7.根据权利要求4所述的方法，其特征在于，在动态β-VAE模型中，正则化损失和重构损失的总损失为：
8....
【技术特征摘要】
1.一种转炉配料数据生成及优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤s2包括：
3.根据权利要求1所述的方法，其特征在于，步骤s3包括：
4.根据权利要求2所述的方法，其特征在于，正则化损失包括：
5.根据权利要求4所述的方法，其特征在于，重构损失包括：
6.根据权利要求4所述的方法，其特征在于，在基本vae模型中，正则化损失和重构损失的总损失为：
7.根据权利要求4所述的方法，其特征在于，在动态β-vae模型中，正则化损失和重构损失的总损失为：
8.根据权利要求1所述的方法，其特征在于，步骤s3中生成器的损失为：
9.根据权利要求8所述的方法，其特征在于，判别器的损失函数为：
10.根据权利要求1所述的方法，其特征在于，步骤s6包括：
【专利技术属性】
技术研发人员：刘晶，丁进良，季海鹏，孙亮亮，贺锦峰，董永峰，杨乐言，庞艺博，杨蕊，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。