软测量
soft sensing / inferential measurement
用可测量的变量推断测不到的变量。钢铁行业最普遍、最刚需的建模任务。
ai engineer's view
用可观测的代理特征回归不可观测的目标状态。难点在标签极稀疏——输入是高频流，标签一炉只有一两个点。
很多关键状态量在工业现场根本没法直接测：
- 高炉炉缸的铁水温度（探头进去就化了）
- 转炉吹炼中实时的钢水含碳量（只能中途停下来取样）
- 连铸坯内部的凝固终点位置
- 加热炉里坯料心部温度
软测量的做法是：用那些能测的量（炉顶煤气成分、烟气温度、电流、声音、图像）建立模型，推断出想要的量。
三条技术路线：
- 机理模型——用物理化学方程算。可解释、外推可靠，但精度受简化假设限制
- 数据驱动——回归/神经网络。工况内精度高，外推不可信
- 混合建模——机理给主干、数据补残差。工业界的主流选择
对 AI 工程师来说，软测量是进入钢铁行业最好的切入题：问题定义清晰、数据基本可得、评价指标明确，且几乎每个工序都有需求。
要留意的坑是标签稀缺：真值往往来自离线化验，一炉才一两个点，而输入是高频时序。这是典型的稀疏标签时序建模问题。