1.一种用于煮糖结晶的数据测量方法，其特征在于，包括：步骤A：选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量，所述辅助变量为煮糖结晶过程中直接在线测量的状态参数；

步骤B：将所述辅助变量作为所述数据驱动模型的输入，将母液过饱和度、母液纯度作为所述数据驱动模型的输出，基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型；

步骤C：计算预设的性能评价参数，根据所述性能评价参数对所述数据驱动模型的性能进行测试；

步骤D：采集实时状态参数，根据所述数据驱动模型计算实时母液过饱和度、母液纯度。

2.根据权利要求1所述的用于煮糖结晶的数据测量方法，其特征在于，在所述基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型之前还包括：步骤E：根据所述输入和所述输出，构建数据样本集；

步骤F：对所述数据样本集的输入进行归一化处理，对输出进行反归一化处理，并将处理后的数据样本集随机划分为训练样本集和测试样本集；

步骤G：根据所述训练样本集，基于粒子群优化算法和十折交叉验证方法对数据驱动模型进行寻优处理。

3.根据权利要求1或2所述的方法，其特征在于，所述直接在线测量的状态参数包括以下任意一种或几种：真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度。

4.根据权利要求1或2所述的用于煮糖结晶的数据测量方法，其特征在于，所述对所述数据样本集的输入进行归一化处理，对输出进行反归一化处理包括：根据下式将输入数据线性变换到[-1，1]区间内其中，xi为输入的数据样本，xmax为样本集的输入最大值，xmin为样本集的输入最小值， 为输入数据归一化后的结果；

根据下式将输出数据线性变换到[-1，1]区间内其中，yi为输出的数据样本，ymax为样本集的输出最大值，ymin为样本集的输出最小值， 为输出数据反归一化后的结果。

5.根据权利要求1或2所述的用于煮糖结晶的数据测量方法，其特征在于，所述步骤G具体包括：步骤G1：设定所述状态参数的搜索范围，以及粒子种群的大小和最大迭代次数；

步骤G2：初始化种群，包括种群的大小、最大迭代次数、位置和速度；

步骤G3：随机产生粒子的位置和速度，所述粒子为所述训练样本集中的输入数据或输出数据；

步骤G4：归一化样本集，对样本集进行十折交叉验证；

步骤G5：将交叉验证结果作为粒子的初始适应度；

步骤G6：对初始种群个体作出评价，选出最优个体；

步骤G7：保存最优初始个体及其适应度；

步骤G8：以当前最优初始个体作为下一代种群个体，进行自定义次数的迭代；

步骤G9：迭代过程中，根据下式分别更新粒子的速度和位置其中，v表示速度，x表示位置；i是组成种群的粒子个数，d是搜索空间的维度，

1≤i≤N，1≤d≤D；k代表迭代次数；w是惯性权重因子，其值非负，值的大小影响整体寻优能力；c1和c2为加速系数，通常在0～2间取值；r1和r2是两个在[0，1]内变化的相对独立的随机数；其中，N是组成种群的粒子个数总数，D是搜索空间维度的最大值；

步骤G10：以当前的状态参数对样本集进行进行十折交叉验证；

步骤G11：将交叉验证结果作为粒子的个体适应度和全局适应度fitness(x)；

步骤G12：迭代过程中，根据如下公式更新当前个体最优和群体最优；

其中，pi＝(pi1,pi2,...,piD)是个体极值，粒子本身目前所找到的最优解，pg＝(pg1,pg2,...,pgD)是全局极值，整个种群目前找到的最优解；fitness(x)为个体适应度和全局适应度函数；

步骤G13：如果满足迭代结束条件，则输出pg以及对应的适应度值，否则转向步骤G2，迭代结束条件是指迭代误差小于预先设定的迭代误差值，或达到最大循环次数。

步骤G14：保存最优个体及其适应度；

步骤G15：获得最优的惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε。

6.根据权利要求1或2所述的用于煮糖结晶的数据测量方法，其特征在于，所述步骤B中基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型具体包括：步骤B1：基于孪生支持向量机构建原始最优化方程为其中，Y为训练样本的输出数据集，A为训练样本的输入数据集；ε1，ε2分别为不敏感T上界回归和不敏感下界回归；e为[1,1,…1]，e为单位行向量；K(A,A)为核函数；w1、w2为权值，b1，b2为阈值；C1,C2>0,ε1,ε2≥0，为给定的参数；ξ,η为松弛向量，T表示矩阵转置，C1、C2分别是孪生支持向量回归机的2个目标方程的惩罚因子；

步骤B2：构建原始最优化方程的拉格朗日方程，将原始最优化方程转化为对偶方程T其中，α、γ分别为拉格朗日乘子；H＝[K(A,A) e]；f＝Y-eε1；h＝Y+eε1；

步骤B3：求解非线性煮糖结晶过程数据驱动模型的对偶方程，得到最优解；

步骤B4：利用下式获得原始最优化方程的最优解其中， w1、w2为权值，b1、b2为阈值；

步骤B5：根据下式构造最终煮糖结晶过程数据驱动模型的目标回归函数其中，

K(xT,AT)为核函数，x为自变量，A为训练样本的输入数据集；w1、w2为权值，b1、b2为阈值；f(x)为非线性回归目标函数；

步骤B6：生成并保存煮糖结晶过程的数据驱动模型。

7.根据权利要求1或2所述的用于煮糖结晶的数据测量方法，其特征在于，所述步骤C具体包括：根据以下评价指标中的任意一个多个对煮糖结晶过程数据驱动模型的性能进行评价，均方根误差平均绝对误差

平均绝对百分比误差

测试样本的预测误差平方总和

测试样本的均方偏差总和

测试样本预测值的平方方差和

SSE与SST的比值

决定系数

其中，yi代表第i个测试样本的实际值， 代表第i个测试样本的预测值， 代表实际测试样本的平均值，m代表测试样本个数。

8.一种用于煮糖结晶的数据测量装置，其特征在于，包括：参数选择模块，用于选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量，所述辅助变量为煮糖结晶过程中直接在线测量的状态参数；

模型构建模块，用于将所述辅助变量作为所述数据驱动模型的输入，将母液过饱和度、母液纯度作为所述数据驱动模型的输出，基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型；

模型评价模块，用于计算预设的性能评价参数，根据所述性能评价参数对所述数据驱动模型的性能进行测试；

数据测算模块，用于采集实时状态参数，根据所述数据驱动模型计算实时母液过饱和度、母液纯度。

9.根据权利要求8所述的用于煮糖结晶的数据测量装置，其特征在于，还包括：样本构建模块，用于根据所述输入和所述输出，构建数据样本集；

样本划分模块，用于对所述数据样本集的输入进行归一化处理，对输出进行反归一化处理，并将处理后的数据样本集随机划分为训练样本集和测试样本集；

参数寻优模块，用于根据所述训练样本集，基于粒子群优化算法和十折交叉验证方法对数据驱动模型进行寻优处理。

10.根据权利要求8或9所述的用于煮糖结晶的数据测量装置，其特征在于，所述直接在线测量的状态参数包括以下任意一种或几种：真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度。