1.一种基于去噪扩散模型的熔炉氧浓度预测方法，所述方法包括以下步骤：(1)获取熔炉火焰图像数据作为原始样本数据；

(2)原始样本数据预处理以及数据集划分：将获取的原始样本数据划分为训练集和测试集；为加快模型收敛速度，减少模型训练时间，对训练集数据与测试集数据进行归一化处理；

(3)建立基于U‑Net的预测模型，用于氧气浓度预测；

(4)构建融入DDPM的联合预测模型：基于去噪扩散模型构造联合损失函数，并利用火焰图像数据集训练模型；步骤(4)中，构建去噪损失函数的过程如下：

1)针对最终逆向过程生成数据公式：

其中z为添加的随机噪声，且满足当t＞1时， 当t＝1时，z＝0；σt为方差系数，在数值上有移项可得：

设U‑Net模块输出的特征图为DDPM逆向过程对原始数据执行一次额外的去噪，并考虑当t＝1时，z＝0，仿照公式(9)构造：其中x0表示已知的原始火焰图片数据，α0、 σ0、t0为未知参数，u0为U‑Net输出特征图；

2)将未知的参数视为U‑Net模型的可训练参数，用Fφ(·)表示U‑Net模型，ψθ(·)表示为DDPM的噪声预测神经网络，φ和θ分别是U‑Net模型和DDPM的噪声预测神经网络中的可训练参数，可构造：Fφ(x0)‑η·ψθ(x0)＝x0 (11)其中η表示用于平衡两个模型的超参数系数；基于公式(11)获得去噪损失函数步骤(4)中，模型训练采用联合训练，具体过程如下：

对DDPM模型和U‑Net模型同时训练，利用DDPM中的噪声预测神经网络提高U‑Net模型的特征提取能力，联合损失函数由DDPM模型损失函数 U‑Net模型损失函数 和去噪损失函数 构成，同时引入超参数γ用于平衡损失函数：其中γ＞0，之后在训练集上训练提出的模型，并利用联合损失函数优化；

(5)模型表现评估。

2.如权利要求1所述的一种基于去噪扩散模型的熔炉氧浓度预测方法，其特征在于，所述(3)的过程为：U‑Net包括含有跳跃连接的编码器和解码器，模型先利用U‑Net对火焰图片进行语义分割，以去除噪声与背景的同时实现对火焰图像特征的提取，然后利用U‑Net输出的特征图，预测氧气浓度标签；

设X表示用于软测量建模的火焰图片数据， 为对应的氧气浓度标签，其中n表示数据数量，基于模型预测的氧气浓度为： 具体模型损失函数 为：

3.如权利要求1或权利要求2所述的一种基于去噪扩散模型的熔炉氧浓度预测方法，其特征在于，所述(4)中，去噪扩散模型的建立过程如下：

1)设q(·)表示前向过程，p(·)表示逆向过程，对于原始数据x0～q(x0)，在包含T步的扩散前向过程中，第t步的数据xt是在第(t‑1)步数据xt‑1的基础上添加高斯噪声得到的，设表示高斯分布，则可表示为：其中， 为每一步所采用的方差序列，其值介于0～1之间，Ι表示单位矩阵；对于整个扩散过程，以马尔卡夫链的形式表示为:其中q(x1：T|x0)表示在给定初始x0时前向扩散过程的后验概率；

2)令αt＝1‑βt， 经过重参数技巧有：

通过神经网络来估计分布q(xt|xt‑1)，以马尔卡夫链的形式将逆向过程表示为：其中 pθ(xt‑1|xt)为参数化的高斯分布，其均值μθ(xt,t)和方差∑θ(xt,t)由神经网络训练得到，θ表示神经网络中的可训练参数；神经网络的训练目标是使预测出的噪声与前向过程添加的真实噪声一致，目标损失函数 为：其中t∈[1,T]，ε为高斯噪声， 为所训练的神经网络，代表期望；最终逆向过程生成数据为：其中z为添加的随机噪声，且满足当t＞1时， 当t＝1时，z＝0；σt为方差系数，在数值上有