1.一种复杂工业过程关键性指标软测量方法，其特征在于，包括以下步骤：S1：使用双通道网络采集拟测量的关键性指标的相关工业参量数据与机器视觉数据作为建立相关软测量模型的基础:按时间间隔T采集工业参数特征数据，同时采集对应时间间隔T的机器视觉数据；并通过检测得到对应时间点的关键性指标作为软测量模型训练的标签；

S2：分别在视频数据与工业参数特征数据上进行双通道并发的提取具有时间序列的特征数据；其中视频数据流采用跨帧融合卷积神经网络进行泡沫视频时空序列特征提取；工业参量数据采用GRU网络进行时序特征提取；

S3.将跨帧融合卷积神经网络提取的特征与GRU网络提取的特征融合为特征其中m表示特征维度，t表示时刻，ht表示为融合后的特征向量；

S4.对于T时刻的数据样本，对双通道网络对应的输出特征采用注意力机制计算每一维度特征的注意力分布概率，并对双通道网络的输出特征进行加权来提升每一个特征的维度对最终预测结果的影响：对于任意时刻t的输出yt构建软测量模型表示为yt＝F(Ct,y1,y2,y3,...,yt‑1)，F(·)表示非线性映射关系，表示当前需要软测量的值yt由之前时刻的y1,y2,y3,...,yt‑1与当前时刻的注意力加权后的特征有关，其中Ct对应着输入ht的注意力分配概率分布，计算如下：其中，S(xi)表示第t时刻的输入xt在第i个维度上经双通道网络的输出值即 表示注意力分配系数，代表时刻t的输入xt在第i个维度上的注意力权重；i∈(1…m)，计算如下：其中 为 注意力分数，其计算如下：

其中V,W和U表示权重转化矩阵，b为偏置项，最终形成的输出特征Ct作为全连接网络的输入；

S5.根据全连接网络的输出结果与真实工业过程的结果进行误差计算，并通过误差函数进行反向修改，得到最终软测量模型；

S6.采用最终软测量模型测量工业过程关键性指标。

2.如权利要求1所述的复杂工业过程关键性指标软测量方法，其特征在于，所述的机器视觉数据为视频数据。

3.如权利要求1所述的复杂工业过程关键性指标软测量方法，其特征在于，所述视频数据流采用跨帧融合卷积神经网络进行泡沫视频时空序列特征提取的步骤如下：

3.1)对某一个样本数据的视频数据采样为2^n张图片；

3.2)对2^n张图片分别进行一次卷积，将卷积后的特征图采用池化得到更大感受野的特征图；将特征图按跨度为1的跨度，将相邻两张特征图送入DepthConcat进行融合；

3.3)令n＝n‑1，如果n不等于0则回到步骤3.2)，否则将最后一张特征图拉升为向量作为视频数据的时空序列特征数据。

4.如权利要求2所述的复杂工业过程关键性指标软测量方法，其特征在于，所述工业参量数据采用GRU网络进行时序特征提取的步骤如下：

4.1)根据GRU网络模型初始化1时刻的网络参数与历史输出h0；对于时刻t的GRU网络，GRU首先对输入数据 与上一时刻数据xt‑1对应的历史输出ht‑1进行门计算； 表示时刻t的数据在第m个维度上的特征值；

4.2)通过重置门计算前一时刻的输出信息有多少被写入候选输出 上，值越小说明写入数据越少，计算公式如下：rt＝σ(WrXt+Urht‑1+br)

其中Wr，Ur，br均为可训练参数；σ为sigmoid激活函数；

4.3)通过更新门计算前一时刻的状态信息有多少被带入到当前状态中，值越大说明前一时刻带入状态信息越多，计算公式如下zt＝σ(WzXt+Uzht‑1+bz)

其中Wz，Uz，bz为可训练参数；σ为sigmoid激活函数；

4.4)根据步骤4.2)计算出来的重制门rt和前一刻的输出信息ht‑1计算候选输出 计算步骤如下：其中Wc，Uc，bc为可训练参数；tanh为激活函数；

4.5)根据4.3)计算出来的更新门zt，前一时刻输出信息ht‑1，以及当前时刻候选输出t计算当前时刻的输出信息h：

因此GRU网络最终输出为上一时刻输出ht‑1与当前候选输出 的加权和；从而有效提取工艺参数数据中的时序特征信息。

5.如权利要求1所述的复杂工业过程关键性指标软测量方法，其特征在于，所述方法用于测量水泥回转窑的关键性指标。