1.一种基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，包括以下步骤：S101.数据的采集：内部集成红外测温模块和激光测距模块的智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据；

S102.基于DCNN的炉管重管识别模型构建：智能测温仪采集到的原始一维数据传输给PC端，PC端将采集的原始一维数据变换为二维直方图；在二维直方图中对炉管距离数据进行特征提取，获得炉管的重管和非重管的距离特征图，以构成DCNN网络模型训练的数据集；

再将数据集输入PC端的DCNN网络模型进行训练，以在PC端构建DCNN重管识别模型；

S103.基于DCNN的炉管重管识别模型重构：将PC端训练好的DCNN炉管重管识别模型移植至智能测温仪内部的嵌入式处理器，以对DCNN重管识别模型在嵌入式处理器内进行重构；

S104.炉管外表面温度的计量：智能测温仪实时采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据，提取原始一维数据中的炉管距离数据，并返回炉管距离数据在原始一维数据中的起始位置坐标，再利用嵌入式处理器中的DCNN重管识别模型判断提取的炉管距离数据对应的炉管是否为重管，返回每根炉管的识别类型标签，根据返回的炉管识别类型标签和炉管距离数据的起始位置坐标，对相应起始位置坐标的非重管与重管的炉管外表面温度进行计量；

S105.上传至云服务器：智能测温仪将计算得到的炉管外表面温度上传到云服务器。

2.根据权利要求1所述的基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，步骤S102中，在二维直方图中对炉管距离数据进行特征提取的过程中，先去除二维直方图中炉管外表面和炉膛内壁的温度数据，再去除二维直方图中炉膛内壁的距离数据后，去除炉管距离数据中与炉管特征相关度低的无效阈值数据，提取得到炉管的重管和非重管的距离特征图。

3.根据权利要求1所述的基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，步骤S102中，所述DCNN重管识别模型的DCNN网络结构包括1个输入层、3个卷积层、3个max池化层、1个全连通层和一个输出层，各层按以下顺序依次进行分布：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连通层和输出层。

4.根据权利要求1所述的基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，在步骤S103之前，还包括将PC端训练好的DCNN重管识别模型的32位浮点类型权重定点化为8位整数类型权重后，再移植到智能测温仪内的嵌入式处理器的步骤。

5.根据权利要求4所述的基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，将PC端训练好的DCNN重管识别模型的32位浮点类型权重定点化为8位整数类型权重的具体步骤为：S301先将PC端训练好的DCNN重管识别模型的32位浮点数转换为8位的近似值；

S302再对所得的近似值进行补码处理，由定点化公式得到近似值的定点数，最后由8位的定点数来表示所有训练好的DCNN重管识别模型的权重和激活值。

6.根据权利要求5所述的基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，步骤S301中，将PC端训练好的DCNN重管识别模型的32位浮点数转换为8位定点数的具体过程如下：定点数的表示形式为：[QI:QF]，其中QI和QF分别对应于整数和小数部分，定点数还包括一个符号位，用来表示数字的正负；定点数整数部分的长度IL、分数部分的长度FL、符号位的长度和定点数位数的位宽B的关系如式(1)所示：B＝FL+IL+1  (1)

对于给定的一组数字S，所需的整数部分长度由公式2给出：

式中 表示进行向上取整，x表示给定的一组数字S中的任一数值；

对于转换为指定位宽为N的定点数，整数部分长度IL的确定方式如式3所示：

由式(1)即可计算出小数部分的长度为

FL＝N‑IL‑1  (4)

定义定点数方式表示的最小正数，即为定点数的表示精度为ε，其公式如下：

‑FL

ε＝2   (5)

对于一个给定的浮点型数字，根据下式将其转换成指定位宽的近似值，转换公式为：

式中将 定义为小于等于x的取值且是关于ε的最大整数倍，fixed(x)表示x的指定位宽的近似值；

对于给定位宽的定点数，浮点型数字近似的取值范围为：

原始数值近似化完毕之后，接下来实现近似值的定点化，定点化公式如下式所示：

式中y代表x近似值的二进制补码形式，i表示[0,B‑2]区间内的值，value表示近似值的定点化值。

7.根据权利要求1所述的基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，步骤S103之后，采用数据处理算法将采集的原始一维炉管距离数据转换为DCNN网络结构输入形式的二维数据，以实现DCNN重管识别模型在嵌入式处理器内的运行。

8.根据权利要求7所述的基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，所述数据处理算法的具体步骤为：S401根据炉膛内壁和炉管的距离差异特征，从采集的炉管和炉膛内壁距离数据中提取出每一根炉管的距离值；

S402将提取出的炉管距离值做特征变换，得到一维的炉管的距离特征数据；S403将变换得到的一维炉管距离特征数据做维度变换，得到能用于DCNN网络结构输入的二维数据。

9.根据权利要求1所述的基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，步骤S103中，对非重管与重管的温度进行计量的具体步骤为：S401当炉管为非重管时，提取炉管距离数据起始位置坐标对应的温度数据，去除边缘温度点，再计算剩余温度数据的平均值，得到当前炉管外表面的温度值；S402当炉管为重管时，先根据重管的炉管距离数据起始位置坐标提取对应的温度数据，再由温度数据中的炉管边缘跳变点找到炉管温度数据的切分边界，并将重管温度数据切分为若干段，根据非重管温度处理方法，计算切分完成的炉管外表面温度数据，得到重管中各炉管外表面的温度。

10.根据权利要求1‑9任一项所述基于嵌入式DCNN的乙烯裂解炉炉管重管识别方法，其特征在于，所述智能测温仪内置有LoRa无线模块，计算得到的炉管外表面温度通过内置的LoRa无线模块上传到云服务器，或，所述智能测温仪内置有LoRa无线模块，计算得到的炉管外表面温度通过内置的LoRa无线模块上传到边缘服务器，边缘服务器上传至云服务器；或，云服务器对接收到炉管外表面温度数据对生产过程中的炉管运行状况进行诊断得到诊断情况，或，云服务器对接收到炉管外表面温度数据对生产过程中的炉管运行状况进行诊断得到诊断情况，并将诊断情况传输至控制车间和/或操作人员终端。