1.一种基于深度神经网络的连续搅拌釜式反应过程辨识方法，其特征在于，所述方法包括以下步骤：(1)获取连续搅拌釜式反应器运行过程中过程变量数据

运行连续搅拌釜式反应器设备，并通过传感器获取冷却液体积流量数据qc和产物浓度数据Ca，建立获取连续搅拌釜式反应器运行过程中过程变量数据；

(2)对采集到的过程变量数据进行数据预处理

冷却液体积流量和产物浓度之间单位不同，首先需要对数据进行标准化处理，消除变量之间因量纲不同带来的差异，从而加快模型的训练速度；其次，选取时间滞后，并将过程变量整理成三维输入形式；最后，将数据分为训练集、验证集和测试集，建立过程变量数据预处理；

(3)基于三维长短期记忆神经网络建立辨识模型并训练

利用记忆单元建立三维长短期记忆神经网络模型，确定网络结构和超参数；利用自适应矩估计算法在训练集上优化网络参数，并在验证集上选择网络模型的超参数，完成基于三维长短期记忆神经网络建立辨识模型并训练。

2.如权利要求1所述的基于深度神经网络的连续搅拌釜式反应过程辨识方法，其特征在于，所述方法还包括以下步骤：(4)对三维长短期记忆神经网络模型进行评估

采用均方根误差RMSE、相对均方根误差RE和最大绝对误差MAE评价指标在测试集上对模型进行评估，评估模型是否达到辨识要求。

3.如权利要求1或2所述的基于深度神经网络的连续搅拌釜式反应过程辨识方法，其特征在于，所述步骤2的过程为：步骤2.1：数据的质量对深度学习模型的性能起决定性作用。为了消除变量间因量纲不同带来的差异，对原始数据进行z-score标准化处理，如下所示：式中，x'是经z-score标准化处理后的数据；x是通过传感器采集到的过程变量数据qc和Ca；μ是过程变量数据的均值；σ是过程变量数据的标准差；

步骤2.2：选取时间滞后，对数据进行时序化处理，并整理成三维输入形式，网络的输入表示如下：x＝[[qc,t-n,Ca,t-n],…,[qc,t-1,Ca,t-1],[qc,t,Ca,t]]式中，qc是冷却液体积流量，l/min；Ca是产物浓度数据，mol/l；t表示当前时刻；n表示时间滞后。网络的输出为Ca,t+1；

步骤2.3：将处理后的数据分为训练集、验证集和测试集，训练集用于模型的训练，其样本数为总样本数的60％；验证集用于对模型的超参数进行选择，选择在验证集上表现最好的模型作为最终的测试模型，其样本数为总样本数的10％；测试集用于对最终的模型进行评估，其样本数为总样本数的30％。

4.如权利要求1或2所述的基于深度神经网络的连续搅拌釜式反应过程辨识方法，其特征在于，所述步骤3的过程为：步骤3.1：利用记忆单元建立三维长短期记忆神经网络

记忆单元包含四个部分：输入门、输出门、遗忘门和状态单元，所述状态单元储存输入数据的信息，并在不同时刻实时更新内部状态，使信息能够在时间维度上流动；遗忘门用来控制要从上一时刻的状态单元中“遗忘”无用的信息；输入门用来控制当前时刻状态单元要储存哪些信息；输出门用来控制当前时刻要输出哪些信息；

输入门用来控制当前时刻状态单元要储存哪些信息，计算过程如下：

式中，是t时刻输入门的输入值，它包括三个部分：第一部分来自输入层的输入，其中wil是输入层与输入门之间的连接权值；是t时刻输入层的输入值；I表示输入层中的输入数；第二部分来自上一时刻隐藏层的输出，其中whl是隐藏层与输入门之间的连接权值；

是上一时刻隐藏层的输出值；H表示隐藏层输出的个数；第三部分来自上一时刻状态单元储存的前面时刻的状态信息，其中wcl是状态单元与输入门之间的连接权值；C表示状态单元的个数； 是上一时刻状态单元储存的状态值；

式中，是t时刻输入门的激活值； 是t时刻输入门的偏置；激活函数f一般是sigmoid函数，输入门的作用是综合三部分的输入信息，经激活函数激活后产生0至1之间的激活值，相当于一扇“门”，所以称为输入门，控制着输入信息的流入；

遗忘门用来控制从上一时刻的状态单元中“遗忘”信息，计算过程如下：

式中， 是t时刻遗忘门的输入值，它包括三个部分：第一部分来自输入层的输入，其中是输入层与遗忘门之间的连接权值；第二部分来自上一时刻隐藏层的输入，其中 是隐藏层与遗忘门之间的连接权值；第三部分来自上一时刻状态单元储存的状态信息，其中是状态单元与遗忘门之间的连接权值；

式中， 是t时刻遗忘门的激活值；是t时刻状态单元的偏置；同输入门一样，遗忘门中激活函数f通常也是sigmoid函数，输入门综合三部分的信息，产生0至1之间的激活值，具有“门”的作用，控制状态单元“遗忘”部分无用信息；

状态单元是长短期记忆单元的核心部分，它储存输入数据的信息，并在不同时刻实时更新信息；状态单元有三个节点控制着它的输入和输出，分别是输入节点、遗忘节点和输出节点，计算过程如下：式中，是t时刻状态单元输入节点的输入值，它包括两个部分：第一部分来自t时刻输入层的输入，其中wic是输入层与状态单元之间的连接权值；第二部分来自上一时刻隐藏层的输出，其中whc是隐藏层与状态单元之间的连接权值；

上式表示状态单元的更新，是t时刻状态单元储存的状态值，即更新后的值；它包括两个部分：第一部分来自于遗忘节点，是经遗忘门处理后的状态信息；第二部分来自于输入节点，是经输入门处理后的输入值，其中 是t时刻状态单元的偏置；激活函数g不同于输入门和遗忘门，通常采用双曲正切函数；

输出门用来控制当前时刻记忆单元要输出哪些信息，计算过程如下：

式中， 是t时刻输出门的输入值，它包括三个部分：第一部分来自输入层的输入，其中wiw是输入层与输出门之间的连接权值；第二部分来自上一时刻隐藏层的输出，其中whw是隐藏层与输出门之间的连接权值；第三部分是t时刻状态单元更新后状态信息，其中wcw是状态单元与输出门之间的连接权值；

式中， 是t时刻输出门的激活值； 是输出门t时刻的偏置；激活函数f通常是sigmoid函数；

式中， 是t时刻经输出门处理后的记忆单元的输出； 是状态单元中输出节点的偏置；激活函数v通常是双曲正切函数；

步骤3.2：利用自适应矩估计算法优化网络参数

利用自适应矩估计算法优化网络参数。首先定义α表示初始学习率；定义β1表示一阶矩估计指数衰减率；定义β2表示二阶矩估计指数衰减率；定义j表示梯度的一阶矩；定义k表示梯度的二阶矩；定义θ为网络参数，包括网络中的权值和偏置；定义f(θ)表示目标函数；定义m表示迭代更新的次数。自适应矩估计算法的优化流程如下：

3.2.1)初始化相关参数

在0时刻，令α＝0.001，β1＝0.9，β2＝0.999，m＝0，n＝0，不断优化θ，直到目标函数f(θ)满足求解要求；

3.2.2)更新一阶矩和二阶矩，在任意时刻，只要目标函数f(θ)不满足求解要求，就会在下一时刻更新一阶矩和二阶矩，过程如下：式中，gm是m次迭代更新时网络参数的梯度； 是求梯度符号；θm-1是m-1次迭代更新后的参数矩阵。

jm＝β1·jm-1+(1-β1)·gm

上面两个式子分别对一阶矩和二阶矩进行更新。

上面两个式子分别对一阶矩和二阶矩进行偏差校正，其中， 和 分别是校正后的一阶矩和二阶矩；

3.2.3)更新网络参数，过程如下所示：

-8

式中，θm是m次迭代更新后的参数矩阵。为了避免分母为零，令ε＝10 ；

若θm满足求解要求，则停止优化并输出结果，否则跳回3.2.2)继续优化。