一种基于因果时延慢特征卷积神经网络的工业大模型数据补全方法

本发明提出了一种基于因果时延慢特征卷积神经网络的工业大模型数据补全方法，首先，计算目标变量与其它过程变量间的条件熵，进行变量选择；然后，考虑到现代工业生产的时变特点，提取变量选择后样本数据的时延信息和慢特征，组成新数据集并平铺得到三维训练数据；最后，利用训练数据建立一个卷积神经网络模型，补全样本数据矩阵的缺失项。本发明同时以初始样本数据、时延数据和慢特征数据作为训练数据，极大地丰富了信息的多样性，提升了模型的质量，为工业大模型建模与训练提供了更加完备的样本数据，有效地推动了现代工业生产的数字化和智能化转型。