1.一种水泥熟料游离钙软测量方法，其特征在于，包括如下步骤：步骤S1：根据水泥工艺选取10个变量作为熟料fCaO软测量的辅助变量，每个变量的时间序列作为模型输入，并对所选的每个变量时间序列进行归一化处理；所述变量为分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、窑尾负压、窑头负压、二次风温、窑电流、窑头喂煤量；

步骤S2：依据水泥烧成过程中时间序列的特征，10个变量的时间序列组成的二维数组作为模型输入，其中一列代表单个变量一定时间段内的采样数据，采用包含各个变量特征信息的时间序列作为建模数据，采用单维卷积池化的方式提取各变量特征，后接全连接层综合所有的特征信息，建立基于多变量时间序列卷积神经网络的熟料fCaO软测量模型；具体包括

步骤2.1MT‑CNN模型初步建立MT‑CNN模型包括10个变量时间序列输入层、提取数据特征的2个单维卷积层和2个单维池化层、全连接层以及输出层；

步骤2.2MT‑CNN模型的前向训练MT‑CNN通过前向训练提取特征，然后根据梯度下降法反向修正权值和偏置，降低训练误差；模型的输入层读取变量之后，经单维卷积池化层提取特征，随后接全连接层整合代表所有特征的局部信息，最后将所有的特征综合后输出；

(1)MT‑CNN输入层；设X为MT‑CNN的输入，其包含所选10个变量的时间序列，可表示为：x＝(x1,x2,...,x10)                  (1)每个变量时间序列包含t个采样点：xi＝(xi(1),xi(2),...,xi(t))              (2)式中，xi(i＝1,2,...,10)为第i个变量的时间序列；

(2)MT‑CNN卷积层；依据水泥数据的特性，MT‑CNN的卷积层采用单维卷积的方式提取特征；用n个单维卷积核对该层输入时间序列进行卷积计算，则会得到n个不同的特征向量，卷积过程中权值共享，n为正整数；

l‑1 l

若第l层为卷积层，则该层输入x 和输出x表达式分别为式(3)：l l‑1 l l

x＝f(x *w+b)                 (3)l‑1 l l

式中，x 代表卷积层输入的特征向量，w表示一维卷积核，b表示输出特征向量对应的偏置，式中f(·)为激活函数，本MT‑CNN模型中采用ReLU函数作为激活函数，其表达式如式(4)：

f(x)＝max(0,x)             (4)l+1 l

(3)MT‑CNN池化层；在MT‑CNN中增加池化层实现特征压缩；池化层输出p 与该层输入p之间的关系表示为：

l

式中， 表示池化层输入p中的m个特征值求和，其中m为一维池化核的大小；

(4)MT‑CNN全连接层；k‑1层经多次卷积和池化之后得到的特征向量，作为全连接层的k‑1 k‑1

输入，该层的输入x 与输出y 之间的关系如式(6)：k‑1 k‑1 k‑1 k‑1y ＝f(w *x +b )   (6)k‑1 k‑1

式中w 、b 分别为全连接层的权值和偏置；

(5)MT‑CNN输出层；

步骤S3：确定MT‑CNN模型的初始参数，并对网络进行前向训练，其中初始参数包括MT‑CNN的卷积层数和池化层数，学习率，各隐层、全连接层以及输出层的权值w和偏置b，卷积核以及池化核的个数及大小；

步骤S4：利用误差反向微调进行有监督训练，通过对误差的修正，优化MT‑CNN中的权值w和偏置b；

步骤S5：利用训练好的MT‑CNN模型对水泥熟料fCaO实时预测。

2.根据权利要求1所述的一种水泥熟料游离钙软测量方法，其特征在于，在步骤S4中，有监督的所述反向微调是采用BP反向误差修正算法逐层优化权值w和偏置b，其中MT‑CNN中的反向训练为有监督训练。