1.一种基于注意力与窗口选通机制的水泥熟料游离钙软测量方法，其特征在于：针对水泥生产流程中数据耦合的生产特性，利用注意力解耦网络模型考虑过程变量之间的耦合关系，处理变量之间的相互影响，实现过程数据的解耦；针对不同生产情况下的时延变化以及过程变量的时延，利用可学习的窗口选通机制模块自适应学习选通对目标变量最有影响的时间段，学习到的时间窗口在不同的时刻分配相对应的权重，从而更有效的关注过程变量的作用时长；通过单维卷积网络分别独立的提取单变量的特征，综合各个变量的特征信息，构建满足实际要求的软测量模型，实现水泥熟料游离钙的测量；

所述测量方法具体包括以下步骤：步骤1，获取水泥生产工业流程中的过程变量并且进行数据预处理；

步骤2，构建注意力解耦网络模型；具体包括以下步骤：

2.1，过程变量时间序列输入LSTM单元；

所有时间序列的样本为X＝{xi ,i＝1 ,2 ,3 ....M}∈RN×M，过程变量的时间序列为针对水泥工业流程中的变量时延，可学习的窗口选通机制，自适应学习各个过程变量的时间段，融合窗口选通机制模块的软测量模型同时考虑水泥生产流程中的时延特性以及不同生产情况下的时延变化；

vi是注意力解耦模块的输出，表示完成解耦的过程变量；cn_w是长短期记忆网络的记忆单元，表示网络结构中的长期状态，长期状态是一种特殊的隐藏状态，长短期记忆网络能够提取时间序列中的重要信息，并把这些特征保存在长期状态中，根据记忆单元的这些特性，提出自适应窗口中心的计算公式，在网络学习的过程中，提取保留在记忆单元中的信息；利用这些时序特征自适应学习时间窗口中心；具体公式如下所示：pi＝T*sigmod(wp*cn_w+bp)                      (7)式中，i∈{1,2,3....M}，M是过程变量的个数，T表示样本序列的长度，pi代表第i个变量的窗口中心，其值是一个数值，wp和bp分别是线性运算的权重和偏置；利用该公式计算，每个过程变量都能学习到相对应的时间窗口中心；

3.2，确定可学习时间窗口的长度；

hn_w是长短期记忆网络的隐藏状态，网络中的隐藏状态是将记忆单元中的部分信息提取出来，这主要取决于输出门的状态，网络中输出门的数值直接决定着隐藏状态能够在记忆单元中提取多少信息，其作用就是能够有效的将记忆单元中的信息传递到隐藏状态；由于隐藏状态能够在网络模型中学习并部分提取记忆单元中的信息，其特性能够映射到时间窗口的长度计算；利用隐藏状态自适应学习时间窗口长度，具体计算公式如下：式中，i∈{1,2,3....M}，M是过程变量的个数，T表示样本序列的长度，li代表第i个变量的窗口长度，其值是一个数值，wl和bl分别是线性运算的权重和偏置；利用该公式计算，每个过程变量都能够学习到相对应的时间窗口长度；

3.3，确定时间窗口；

确定出的窗口中心以及窗口长度需要应用到时间序列中，将二者结合计算出在时间序列上的时间段；利用激活函数选通并确定出每个变量对f‑CaO最有影响的时间段，具体的计算公式如下所示：βi＝sigmod(Relu(li‑abs(t‑pi)))                    (9)式中，t∈{1 ,2,3....T；T＝60}，t代表时间序列上的每一时刻，abs表示对参数取绝对值，pi以及li分别是窗口中心以及窗口长度，βi表示第i个过程变量中时间序列上分配的权重值；利用Relu以及sigmod激活函数，对应时间段上的时刻分配的权重大小趋近于1，其余时刻全部置于0.5；不同的权重分配选通每个变量自适应学习到的时间段；

每个过程变量利用分配的时间权重来选择相对应时间段，将时间权重与过程变量的时间序列特征相结合，自适应选通对f‑CaO最有影响的时间信息，公式如下所示：式中，i∈{1,2,3....M}，M是过程变量的个数，表示元素相乘，βi表示第i个过程变量中时间序列上分配的权重值，代表第i个过程变量的长短期记忆网络的输出，Yi是自适应学习窗口选通模块的最终输出，代表每个变量选通的时间窗口；

步骤4，结合单维卷积构建软测量模型；

步骤5，软测量模型的在线测量。

2.根据权利要求1所述的一种基于注意力与窗口选通机制的水泥熟料游离钙软测量方法，其特征在于：步骤1中，选取水泥生产流程中各个位置的设备上对目标变量最有影响的过程变量，分别在生料进口处、生料预热器、分解炉、回转窑、篦冷机选取过程变量，选取的过程变量包括分解炉温度、喂料量、一级筒出口温度、窑尾温度、二次风温、窑电流、窑头负压。

3.根据权利要求1所述的一种基于注意力与窗口选通机制的水泥熟料游离钙软测量方法，其特征在于：步骤1中，从水泥数据库下载过程变量和孰料游离钙含量数据进行数据预处理；数据预处理流程包括异常值识别及处理、数据标准化；

所述异常值识别及处理的具体方法为：

设第i个过程变量时间序列数据n为数据个数，异常值识别及处理采用3σ准则，具体的计算公式为：式中，表示时间序列数据xi的均值，σ表示时间序列数据xi的方差；

所述数据标准化的具体方法为：采集的过程变量数据之间存在着量纲差异，每个过程变量的数值大小以及计量单位都不一样，这种差异会严重影响深度学习模型的学习以及非线性拟合能力；数据的标准化处理采用0‑1标准化，消除量纲差异，0‑1标准化公式为：式中，xmin表示时间序列数据xi的最小值，xmax表示时间序列数据xi的最大值。

4.根据权利要求1所述的一种基于注意力与窗口选通机制的水泥熟料游离钙软测量方法，其特征在于：步骤4中，具体包括以下步骤：

4.1，构建单维卷积模型；

单维卷积不同于二维卷积，单维卷积只在一个维度提取特征，利用单维卷积的特性处理时间序列的水泥过程数据；

xin是单维卷积的输入数据，xmedian是单维卷积的输出，xout是经过最大池化的最终输出结果，w是卷积核中的权重大小，b是单维卷积层中与权重相对应的偏置，Relu是非线性激活函数，单维卷积层的简单公式如下所示：Relu＝max(0,x)             (11)

xmedian＝Relu(w·xin+b)                      (12)xout＝MAX(xmedian)                       (13)

4.2，构建最终的软测量模型；

经过窗口选通模块的时间序列，自适应选通过程变量的时间窗口，对过程变量时间序列上的各个时刻分配权重，选通的时间段包含重要的时序特征，利用单维卷积实现时间序列特征的深层提取；通过增加卷积层的层数，不断更深层的提取对游离钙有影响的时序特征，开发出符合要求的软测量模型；

利用3层单维卷积层以及对应的3层最大池化层，更深层次的提取具有时间权重的时间序列的特征，经过注意力解耦模块处理的时间序列，各个变量之间的独立性增强，变量相互之间不影响，对于之后的自适应学习时间窗口选通模块提供更好的时间序列数据；之后提出的单维卷积，由于单维卷积的特性，能够在每个变量之上提取特征，变量之间不会相互影响；这种特性在保证提取过程变量特征的同时，使变量的相对独立性进一步的增强，多层卷积层对各个过程变量的特征提取，将每个变量提取到的深层次特征通过全连接融合在一起，最终输出的特征向量是每个过程变量的特征集合，利用该特征集合来测量f‑CaO的含量；

4.3，软测量模型的训练；

选取水泥数据库中的样本数据，分为训练集以及测试集，将处理好的训练数据输入软测量模型中，利用样本数据训练软测量模型；经过提出的各个模块的处理，最终通过卷积提取过程变量间的特征，融合各个过程变量的特征，测量水泥熟料中游离钙的含量值。

5.根据权利要求1所述的一种基于注意力与窗口选通机制的水泥熟料游离钙软测量方法，其特征在于：步骤5中，将最终训练好的软测量模型，保存参数，构建出一个测量水泥熟料游离钙含量的软测量模型；实时采集的数据样本，经过数据预处理，输入构建的软测量模型中，通过模型实时测量水泥熟料游离钙的值。