1.一种基于对抗因果学习的水泥熟料游离氧化钙软测量方法，其特征在于，包括以下步骤：

1)数据的获取和整合：收集水泥熟料生产过程的传感器数据，对数据进行划分、收集和整合；

步骤1)的具体过程如下：

1.1)：收集水泥熟料生产过程的传感器数据；

1.2)：将数据根据比例划分成训练集、验证集和测试集；

1.3)：由于不同特征变量之间数据差异性较大，因此需要对数据进行标准化处理，以便于模型进行处理和运算，具体公式如下所示：其中，X是经标准化处理后的数据，X'是未经标准化处理的原数据，μ是数据的均值，β是数据的标准差；

2)数据选择和排序：根据最大互信息准则MMI对数据进行选择，去除冗余无用的数据；

步骤2)的具体过程如下：

2.1)：计算每个变量对目标变量Y的最大互信息系数：

0.55～0.6

其中B＝N ，N为样本集的大小，X是经标准化处理后的数据；将计算好的互信息带入公式确定最大互信息；

2.2)：根据最大互信息对变量进行排序，选取前k个变量，完成变量选择过程；

3)建模训练：构建基于图网络的水泥熟料f‑CaO软测量方法的算法模型AGCL，模型的输入为经过选择保留的数据；然后利用AGCL模型对所整合的数据进行学习训练；

所述步骤3)的具体过程如下：

3.1)：AGCL是依托自注意力机制SAM和图卷积网络GCN构建水泥熟料f‑CaO浓度预测模型；

在SAM中，输入数据X经过不同的线性变换获得查询Q和键K，用如下公式描述:其中Wq和Wk、bq和bk分别表示可训练矩阵和可训练偏置，A为表示变量因果关系的邻接矩阵，k表示变量数；

GCN是一种在非欧空间上对数据进行卷积的算法，GCN表示为：其中X是经标准化处理后的数据，W为权重矩阵，σ(.)为激活函数，A表示输入的邻接矩阵，D表示邻接矩阵A的度矩阵；

3.2)：首先使用SAM生成表示因果关系的矩阵A；随后基于GCN构建一个自编码器结构，其中解码器和编码器都为单层GCN；将数据X和矩阵A输入自编码器；自编码器的任务为降低编码数据与f‑CaO之间的互信息系数，SAM的任务则为增大两者之间的互信息系数；通过交替训练不断更新迭代直到收敛，得到矩阵A；

3.3)：将数据X和矩阵A输入三层GCN，从而实现对水泥熟料f‑CaO浓度的预测；

4)模型预测：将训练后的AGCL模型用于预测水泥熟料生产过程中的f‑CaO浓度，并给出预测结果。

2.如权利要求1所述的一种基于对抗因果学习的水泥熟料游离氧化钙软测量方法，其特征在于，步骤4)的具体过程如下：

4.1)：将测试数据输入训练后的AGCL模型；使用均方误差RMSE作为评估指标，计算公式如下：其中，y'i表示真实数据，yi表示模型的输出，n表示测试集包含样本个数，RMSE越小，意味着模型的预测值与真实值越接近，即模型的预测效果越好。