1.一种退火炉炉温预测方法，其特征在于：包括以下步骤：

S101：获取退火炉原始生产数据；所述原始生产数据包括：煤气燃烧的体积N1、板厚N2、板宽N3、生产速度N4、实际进炉板温N5、设定的出炉板温N6、分配的煤气流量dn和实际炉温；其中，n＝1,2,3,…,m，m为退火炉RTF段的分区数量；

S102：对获取的退火炉原始生产数据进行预处理，得到预处理后符合SVR模型的生产数据；

S103：建立基于SVR的退火炉RTF段分区炉温预测模型，并利用预处理后的符合SVR模型的生产数据对模型进行训练，得到训练后的炉温预测模型；

S104：设定退火炉的出路板温N6和总下发的煤气流量N1，同时获取退火炉生产过程中的实时生产数据；并根据总下发的煤气流量N1和分区煤气流量下发策略，计算得到各分区分配的煤气流量dn；所述实时生产数据包括：板厚N2、板宽N3、生产速度N4、实际进炉板温N5；

S105：根据总下发的煤气流量N1、板厚N2、板宽N3、生产速度N4、实际进炉板温N5、出路板温N6和各分区分配的煤气流量dn，采用训练后的炉温预测模型对退火炉的分区炉温进行预测，得到退火炉RTF段的各分区预测炉温Tn。

2.如权利要求1所述的一种退火炉炉温预测方法，其特征在于：步骤S102中，预处理的步骤包括：S201：数据筛选：采用限幅滤波的方法，剔除不符合工艺条件和异常工况的数据；

S202：采用范围标准化的方法对数据进行标准化，如公式(1)所示：

上式中Xij为原始生产数据； 为标准化后的第i个样本的第j个变量；Xjmin和Xjmax分别表示样本集中变量j的最小和最大值；i和j的值均大于0。

3.如权利要求1所述的一种退火炉炉温预测方法，其特征在于：步骤S103中，训练后的炉温预测模型如公式(2)所示：上式中，K(x(i),x(j))为核函数， 为非线性映射函数，用

于将输入样本数据非线性地映射到更高维特征空间；α(j)和α*(j)分别为Lagrange函数及Lagrange乘子；约束条件： C为平衡因子，控制对超出误差的样本的惩罚程T度，为预设值；x(i)＝[dn(i),N1(i),N2(i),N3(i),N4(i),N5(i),N6(i)] ；i＝1,2,3,…,n；n为样本个数；j>0,为样本i的变量，且为预设值，一个样本内有若干个变量不同的数据点；l为每个样本中变量的数量；b为偏置，通过KTT条件求得。

4.如权利要求1所述的一种退火炉炉温预测方法，其特征在于：步骤S103中，采用神经网络中的十折交叉验证方法对退火炉RTF段分区炉温预测模型进行训练。

5.如权利要求1所述的一种退火炉炉温预测方法，其特征在于：步骤S104中，所述分区煤气流量下发策略具体如下：增加煤气流量时：按照退火炉各分区编号从高到低的顺序将煤气流量依次增加到各区不超过对应区炉温上限值的最高煤气流量值；

减少煤气流量时：按照退火炉各分区编号从低到高的顺序将煤气流量依次减少到各区不低于对应区炉温下限值的最低煤气流量值。

6.一种退火炉炉温预测系统，其特征在于：包括以下模块：

原始生产数据获取模块，用于获取退火炉原始生产数据；所述原始生产数据包括：煤气燃烧的体积N1、板厚N2、板宽N3、生产速度N4、实际进炉板温N5、设定的出炉板温N6、分配的煤气流量dn和实际炉温；

预处理模块，用于对获取的退火炉原始生产数据进行预处理，得到预处理后符合SVR模型的生产数据；

预测模型建立模块，用于建立基于SVR的退火炉RTF段分区炉温预测模型，并利用预处理后的符合SVR模型的生产数据对模型进行训练，得到训练后的炉温预测模型；

实时生产数据获取模块，用于设定退火炉的出路板温N6和总下发的煤气流量N1，同时获取退火炉生产过程中的实时生产数据；并根据总下发的煤气流量N1和分区煤气流量下发策略，计算得到各分区分配的煤气流量dn；所述实时生产数据包括：板厚N2、板宽N3、生产速度N4、实际进炉板温N5；

炉温预测模块，用于根据总下发的煤气流量N1、板厚N2、板宽N3、生产速度N4、实际进炉板温N5、出路板温N6和各分区分配的煤气流量dn，采用训练后的炉温预测模型对退火炉的分区炉温进行预测，得到退火炉RTF段的各分区预测炉温Tn。

7.如权利要求6所述的一种退火炉炉温预测系统，其特征在于：预处理模块中，预处理的步骤包括如下单元：数据筛选单元，用于数据筛选：采用限幅滤波的方法，剔除不符合工艺条件和异常工况的数据；

数据标准化单元，用于采用范围标准化的方法对数据进行标准化，如公式(3)所示：上式中Xij为原始生产数据； 为标准化后的第i个样本的第j个生产数据；Xjmin和Xjmax分别表示样本集中变量j的最小和最大值；i和j均大于0。

8.如权利要求6所述的一种退火炉炉温预测系统，其特征在于：预测模型建立模块中，训练后的炉温预测模型如公式(4)所示：上式中，K(x(i),x(j))为核函数， 为非线性映射函数，用

于将输入样本数据非线性地映射到更高维特征空间；α(j)和α*(j)分别为Lagrange函数及Lagrange乘子；约束条件： C为平衡因子，控制对超出误差的样本的惩罚程度，为预设值；x(i)＝[dn(i),N1(i),N2(i),N3(i),N4(i),N5(i),N6(i)]T；i＝1,2,3,…,n；n为样本个数；j>0,为样本i的变量，且为预设值，一个样本内有若干个变量不同的数据点；l为每个样本中变量的数量；b为偏置，通过KTT条件求得。

9.如权利要求6所述的一种退火炉炉温预测系统，其特征在于：预测模型建立模块中，采用神经网络中的十折交叉验证方法对退火炉RTF段分区炉温预测模型进行训练。

10.如权利要求6所述的一种退火炉炉温预测系统，其特征在于：实时生产数据获取模块中，所述分区煤气流量下发策略具体如下：增加煤气流量时：按照退火炉各分区编号从高到低的顺序将煤气流量依次增加到各区不超过对应区炉温上限值的最高煤气流量值；

减少煤气流量时：按照退火炉各分区编号从低到高的顺序将煤气流量依次减少到各区不低于对应区炉温下限值的最低煤气流量值。