1.一种注塑机自适应学习快速控制方法，其特征在于，包括以下步骤：S1：构建注塑机射胶控制模型；

S2：根据所述注塑机射胶控制模型构建MPC模型；

S3：给定不同跟踪目标，利用所述MPC模型进行反复优化，得到训练数据集；

S4：构建GRU神经网络并引入注意力机制，利用所述训练数据集对GRU神经网络进行训练，得到训练好的GRU神经网络；

S5：通过训练好的GRU神经网络实现对注塑机的自适应学习快速控制；

所述注塑机射胶控制模型为：

其中，G(s)为注塑机射胶控制模型，s为复数域下的复变量，q1、p1、p2、p3、p4分别为不同的注塑机射胶控制模型参数；

在步骤S2中，具体包括以下步骤：S2.1：对所述注塑机射胶控制模型进行离散化得到Z域模型；

S2.2：根据所述Z域模型得到以下离散状态方程的可观标准型：x(k+1)＝Ax(k)+Bu(k)+Dξ(k)     (1)y(k)＝Cx(k)+ξ(k)              (2)其中，系数矩阵 系数矩阵 系数矩阵C＝[1 0 

0 0]，系数矩阵 x为离散状态方程的状态变量，k表示运行的时间步，ξ为外部干扰或扰动，u为注塑机注射过程中电控阀门的开度，y为注塑机射胶速度；

S2.3：取ξ(k)＝y(k)‑Cx(k)，其系数矩阵为K，则由离散状态方程(1)、(2)得到以下MPC模型：

x(k+1)＝Ax(k)+Bu(k)+K(y(k)‑Cx(k))   (3)y(k)＝Cx(k)                         (4)当系统稳定时，K＝D；

所述GRU神经网络为seq2seq模型结构；

所述Seq2seq模型包括编码器和解码器，且以门控循环单元作为单个神经元，所述门控循环单元包括重置门和更新门；

其中，编码器中的门控循环单元包含15层隐藏层，解码器中的门控循环单元包含1层隐藏层，且解码器中的门控循环单元均输出到同1层神经网络。

2.根据权利要求1所述的一种注塑机自适应学习快速控制方法，其特征在于，在步骤S2中，还包括以下步骤：

选择增量△u作为优化目标，△u(k)＝u(k)‑u(k‑1)，令MPC模型的代价函数J为：其中，p为总时间步数，Qj、Rj分别为y和Δu的权重矩阵，yref为目标输出，t为当前运行的时间步，j为预测的时间步，T为转置符号。

3.根据权利要求2所述的一种注塑机自适应学习快速控制方法，其特征在于，通过以下步骤利用MPC模型进行优化求解：根据公式(3)、(4)得到以下离散状态方程，X＝A′x(k)+B′I′△U+B′I″u(k‑1)+K′ξ(k)   (6)Y＝C′X                                     (7)其中

联立公式(5)、(6)、(7)得到以下二次规划标准型，s.t.a△U≤b                            (9)其中，

T T T

H＝I′B′C′QC′B′I′+R，T T T T T T T T T T TP＝4[x(k) A′C′QC′B′I′+u(k‑1) I″B′C′QC′B′I′+ξ(k) K′C′QC′B′I′‑YrefQC′B′I′]，

T T T T T

△U表示△U的转置，I′表示I′的转置，B′表示B′的转置，C′表示C′的转置，P表示P的转置；

基于二次规划标准型(8)、(9)进行二次规划求解计算出最优控制增量△u。

4.根据权利要求3所述的一种注塑机自适应学习快速控制方法，其特征在于，通过以下步骤对二次规划标准型进行二次规划求解：引入松弛变量将不等式约束转化为等式约束：将公式(8)、(9)写成以下一般形式，min f(x)                                     (10)s.t.g(x)≤0                                          (11)其中，x＝△U， g(x)＝ax‑b，g(x)为约束项；

上述问题满足KKT条件，不等式约束转为等式约束，存在最优解，KKT条件为

其中，μ为KKT乘子，联立(10)、(11)、(12)，得到以下拉格朗日函数：L(x,μ)＝f(x)+μg(x)                            (13)通过拉格朗日法令其偏导为零：从而计算得到当前情况下的最优解。

5.根据权利要求1所述的一种注塑机自适应学习快速控制方法，其特征在于，所述训练数据集包括若干个时间步的被控对象的目标输出、被控对象输出量、过程状态量以及控制量。

6.根据权利要求1所述的一种注塑机自适应学习快速控制方法，其特征在于，在编码器与解码器之间引入所述注意力机制。

7.根据权利要求6所述的一种注塑机自适应学习快速控制方法，其特征在于，所述注意力机制为：

其中，Q、K、V分别为注意力机制的输入，dk为K的维度， zu表示第i个输入，函数的输出为C个类别，范围为[0,1]的概率分布。