1.一种基于特征融合的原油凝结识别方法，包括：

多特征获取步骤，获取当前定长时间段内原油采样的多个特征;所述多个特征按照各自测量频率测量得到；所述多个特征至少包括温度特征，还包括以下特征中的至少一种：超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征；

多特征融合步骤，基于已训练的多个特征编码器，将所述多个特征转换为相同维度的多个特征编码；拼接所述多个特征编码得到融合编码；所述多个特征编码器是与一个融合解码器组成二级结构后，基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练得到的；

原油凝结识别步骤，基于已训练的多层前馈神经网络，将所述融合编码转换为原油凝结度预测值；所述多层前馈神经网络的训练是基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练；基于所述原油凝结度预测值识别原油凝结程度；

所述多特征融合步骤中，

每个所述特征编码器包括一个第一输入层、一个第一隐藏层；所述第一输入层的神经元数量与所述特征的维度相同；所有所述第一隐藏层具有相同的神经元数量，输出相同维度的特征编码；每个所述特征编码器的神经网络层之间采取全连接的网络结构；

所述融合解码器包括一个第二隐藏层，一个第二输出层；所述融合解码器的神经网络层之间采取全连接的网络结构；

所述二级结构中，所有所述第一隐藏层的神经元排列在同一神经网络层，作为所述第二隐藏层。

2.如权利要求1所述的方法，所述多特征获取步骤中，

获取所述温度特征具体包括：在原油容器或管道内设置温度传感器，在所述定长时间段内根据预设温度采样频率进行多次采样，得到所述温度特征；

获取所述超声波声速特征具体包括：在原油容器或管道内的两侧分别设置超声波发射器和接收器，以超声波到达接收器的时刻作为采样时刻；使用超声波发射器和接收器之间的距离除以超声波在发射器和接收器之间传播的时间，在所述定长时间段内根据预设超声波采样频率进行多次计算，得到所述超声波声速特征；

获取所述超声波衰减系数特征具体包括：在原油容器或管道内的两侧分别设置超声波发射器和接收器，以超声波到达接收器的时刻作为采样时刻；使用超声波到达接收器时转化的电信号的电压值除以发射器发射超声波时的电信号的电压值，再除以超声波发射器和接收器之间的距离，在所述定长时间段内根据预设超声波采样频率进行多次计算，得到所述超声波衰减系数特征；

获取所述原油流速特征具体包括：在原油容器或管道内设置流速传感器，在所述定长时间段内根据预设原油流速采样频率进行多次计算，得到所述原油流速特征；

获取所述原油密度特征具体包括：在原油容器或管道内设置密度传感器，在所述定长时间段内根据预设原油密度采样频率进行多次计算，得到所述原油密度特征。

3.如权利要求1所述的方法，所述基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练包括，预先在预定数量的定长时间段进行原油采样并计算每个所述定长时间段的多个特征；

将每个所述定长时间段的多个特征，分别输入到多个所述第一输入层；

对所述多个特征编码器进行编码训练、对所述融合解码器进行解码训练；所述融合解码器的第二输出层输出所述多个特征的重建值；所述编码训练和解码训练使得输入的多个特征和所述重建值的误差达到最小。

4.如权利要求1所述的方法，所述原油凝结识别步骤中，

所述多层前馈神经网络包括一个第三输入层，至少一个第三隐藏层，一个第三输出层；

所述多层前馈神经网络的神经网络层之间采取全连接的网络结构；

所述第三输入层的神经元数量与所述融合编码的维度相同；

所述第三输出层输出所述原油凝结度预测值。

5.如权利要求4所述的方法，所述基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练包括，预先在预定数量的定长时间段进行原油采样并计算每个所述定长时间段的多个特征，获取该定长时间段的原油凝结度标定值；

基于所述多个特征编码器将每个定长时间段的多个特征转换为融合编码；

将每个定长时间段的所述融合编码输入所述多层前馈神经网络，将所述第三输出层的输出与该定长时间段的原油凝结度标定值进行比较，根据比较得到的误差对所述多层前馈神经网络进行反向传播参数训练，直到所述误差满足预设结束条件。

6.如权利要求1所述的方法，所述基于所述原油凝结度预测值识别原油凝结程度包括，将所述原油凝结度预测值作为原油凝结程度的定量表示，或，根据所述原油凝结度预测值是否超过预设阈值，判断原油是否凝结。

7.一种基于特征融合的原油凝结识别装置，包括：

多特征获取模块，获取当前定长时间段内原油采样的多个特征;所述多个特征按照各自测量频率测量得到；所述多个特征至少包括温度特征，还包括以下特征中的至少一种：超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征；

多特征融合模块，基于已训练的多个特征编码器，将所述多个特征转换为多个特征编码；拼接所述多个特征编码得到融合编码；所述多个特征编码器是与一个融合解码器组成二级结构后，基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练得到的；

原油凝结识别模块，基于已训练的多层前馈神经网络，将所述融合编码转换为原油凝结度预测值；所述多层前馈神经网络的训练是基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练；基于所述原油凝结度预测值识别原油凝结程度；

所述多特征融合模块中，

每个所述特征编码器包括一个第一输入层、一个第一隐藏层；所述第一输入层的神经元数量与所述特征的维度相同；所有所述第一隐藏层具有相同的神经元数量，输出相同维度的特征编码；每个所述特征编码器的神经网络层之间采取全连接的网络结构；

所述融合解码器包括一个第二隐藏层，一个第二输出层；所述融合解码器的神经网络层之间采取全连接的网络结构；

所述二级结构中，所有所述第一隐藏层的神经元排列在同一神经网络层，作为所述第二隐藏层。

8.一种电子设备，其特征在于，包括：

至少一个处理器，存储器，以及与其他电子设备通信的通信接口；

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述电子设备能够执行权利要求1‑6中任一项所述的方法。

9.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1‑6中任一项所述的方法。