1.一种基于多尺度深度网络的水泥游离钙软测量方法，其特征在于：该方法包括以下步骤：步骤1：分析水泥生产工艺，选取与水泥熟料中f‑CaO含量相关的过程变量，以此确定软测量模型所需的辅助变量；

步骤2：采用拉伊达准则标记每个辅助变量中的异常值，将每个辅助变量中的异常值和缺失值使用该辅助变量的均值代替；

步骤3：对辅助变量进行3层小波包分解并提取实时特征，将每个辅助变量进行分段，然后每个变量中的每一段进行小波包分解，计算分解后的每个节点的能量，并将能量较大的几个节点作为该变量在该时间段内的特征；

由于辅助变量的采集频率相对于f‑CaO含量的采集频率更快，因此根据f‑CaO含量的采集频率将每个辅助变量的数据进行分段，最终形成每个辅助变量的一段时序数据对应一个f‑CaO含量值；使用3层小波包分解对辅助变量进行分解，然后使用所构建的能量函数对特征进行提取；针对原始信号S(t)，设一组低、高通共轭正交滤波器系数{hk}k∈z和{gk}k∈z，则每层小波包变换的系数可以通过式(2)递推得到：式(2)中，n为频率指标，k为位置指标，j表示经过小波包分解的层数，Ps(n,j,k)表示原始信号经过小波包变换得到的系数序列；原始信号经过3层小波包分解后共得到8个系数序列，分别用SSS、dSS、SdS、ddS、SSd、dSd、Sdd、ddd表示，然后通过所构建的能量函数分别计算这8个系数序列的能量强度，提取能量强度较高的前4个系数序列作为原始信号在一段时间内的实时特征；构建的能量函数如式(3)所示：其中xi代表系数序列中的第i个元素值；对于每个辅助变量的时间序列段都进行3层小波包分解并提取特征，将每个变量在一个时间段内的特征作为软测量模型的输入；

步骤4：将步骤3中提取的实时特征送入LSTM模型并对模型进行训练，并通过误差反向传播算法对模型参数进行修正；

步骤5：用训练好的LSTM模型对f‑CaO含量进行预测。

2.根据权利要求1所述的基于多尺度深度网络的水泥游离钙软测量方法，其特征在于：

在步骤1中，通过分析熟料中游离氧化钙产生的机理和相关影响因素，选择与游离氧化钙密切相关的10个过程变量作为游离钙软测量模型的辅助变量。

3.根据权利要求2所述的基于多尺度深度网络的水泥游离钙软测量方法，其特征在于：

在步骤1中，选取的10个建模辅助变量为：喂料量1反馈、分解炉喂煤量反馈、高温风机转速反馈、窑尾温度、分解炉出口温度、窑电流反馈、二室篦下压力反馈、二次风温反馈、窑头负压反馈、窑头煤反馈。