1.一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：包括如下步骤：

步骤S1、从水泥煅烧系统的数据库中选取与水泥熟料f‑CaO含量相关的多个输入变量为辅助变量，将输出变量的水泥熟料f‑CaO含量值作为预测变量；

步骤S2、将预测变量按照辅助变量的有效时段分别进行时间序列扩充，再使用滑动窗口技术平衡数据间的时间尺度，最后将处理的数据进行归一化；

步骤S3、搭建DDM‑GAN模型，将步骤S2中归一化后的数据作为真实的水泥样本数据输入DDM‑GAN模型进行训练，在DDM‑GAN模型中生成可靠的水泥样本数据；DDM‑GAN模型包括编码器、生成器和判别器，生成器为多层反卷积神经网络结构，编码器与判别器为多层卷积神经网络结构，其中编码器与生成器构成变分自编码器，同时生成器与判别器构成生成对抗网络；所述编码器将输入矩阵 编码为潜在向量z,生成器此时作为解码器将该潜在向量 解码至数据空间，得到解码数据 潜在向量z和解码数据的表示如下：z＝En(x)＝q(z|x)，

其中，En(x)为编码器对输入数据进行编码，q(z|x)为编码结果；De(z)表示解码器对潜在向量进行解码；p(x|z)为解码结果；

变分自编码器的先验分布的正则项 和重构损失 公式如下：

DKL(q(z|x)||p(z))，

上式中，DKL为KL散度，q(z|x)||p(z)表示用q(z|x)来拟合p(z)时产生的信息损耗，q(z|x)表示潜在向量z的分布，p(z)表示高斯分布；Eq(Z|x)[log p(Dn(x)|z)]表示经过重构后的期望项；

变分自编码器的损失函数如下：

步骤S4、搭建CNN预测模型，将步骤S3中DDM‑GAN生成的水泥数据样本与步骤S2中真实的水泥数据样本混合作为CNN预测模型的训练集，输入CNN预测模型中进行训练，同时DDM‑GAN模型持续生产可靠的水泥样本数据，继续扩充卷积预测网络的训练集；

步骤S5、构建C‑DDM‑GAN模型：将CNN预测模型和DDM‑GAN模型组合为C‑DDM‑GAN模型，应用C‑DDM‑GAN模型实现对水泥生产数据的数据增强和对水泥熟料游离氧化钙的预测。

2.根据权利要求1所述的一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：所述步骤S1中辅助变量分别为窑主机电流、二次风温、窑尾温度、烟室NOx、二室篦下压力、分解炉出口温度、窑头负压、烟室O2、烟室CO、窑转速和三次风温并分别定义为X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X11和X12，预测变量为水泥熟料f‑CaO含量值，定义为Y。

3.根据权利要求1所述的一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：所述步骤S2中辅助变量的测量周期为一分钟，游离氧化钙含量离线测量的周期为一小时，将游离氧化钙含量按照其有效的一个小时时段内进行扩充，扩充完成后，将扩充后的预测变量与其有效时段内辅助变量的时间序列拼接成输入矩阵

4.根据权利要求1所述的一种数据驱动的水泥熟料游离氧化钙的预测方法，其特征在于：所述DDM‑GAN模型的目标函数如下：上式中，D(x)为判别器对真实数据的判别结果，G(z)为生成器的生成数据，D(G(z))为判别器对生成器的生成数据的判别结果，En(x)为编码器的编码结果，De(En(x))为VAE部分的输出，D(De(En(x)))为判别器对VAE输出的判别结果。