1.一种烧结混合料最优目标水分预测方法，其特征在于：包括以下步骤：S1：获取烧结现场的混合料烧结前的配矿结构信息、混合料水分信息以及混合料烧结后的烧结透气性指标信息；

S2：根据烧结情况处理烧结前的数据信息，对步骤S1得到的数据进行时序对正处理并剔除异常数据，构建烧结透气性评价指标，筛选出烧结透气性良好时的配矿结构信息与混和料水分数据样本组作为最优样本；

S3：确定BP神经网络的初始结构，利用WOA鲸鱼算法优化BP神经网络结构，通过筛选后的数据样本对优化后的BP神经网络进行离线训练，得到满足边界条件的基于WOA‑BP神经网络的最优烧结目标水分预测模型；具体步骤为：S31：确定BP神经网络的拓扑结构并进行初始化，包括确定网络输入层参数、输出层参数、隐藏层神经元个数、激活函数与学习精度；将筛选后的最优样本数据归一化并作为BP网络的训练样本，得到BP神经网络的训练误差；赋值各神经元之间的初始权值与初始阈值；

S32：利用WOA鲸鱼算法优化BP神经网络的初始权值与初始阈值，具体步骤为：S321：初始化WOA鲸鱼算法，设置鲸鱼的种群规模、初始最小权值与最大权重、最大迭代次数以及收敛因子，将BP神经网络的初始权值和初始阈值转化为鲸鱼的位置向量，生成随机算子，并选择包围机制或螺旋方式，更新鲸鱼个体位置；

S322：将BP神经网络的训练误差作为鲸鱼算法的适应度函数对鲸鱼个体位置进行评价，重复步骤S321对鲸鱼个体位置寻优直到满足评价要求或到达最大迭代次数得到最优权值与最优阈值；

S323：将最优权值和最优阈值解码输出到BP神经网络中，得到结构最优的WOA‑BP神经网络模型；

S33：利用最优数据样本对经过WOA鲸鱼算法优化后的BP神经网络模型进行训练，不断地进行输入数据的正向传播及输出结果误差的反向传播，直至输出结果误差满足计算精度或到达最大迭代次数为止；

S4：通过离线训练好的最优烧结目标水分预测模型在线实时预测当前配矿结构下的最优目标水分，同时不断对网络参数进行小规模训练优化以适应生产环境的变化。

2.根据权利要求1所述的一种烧结混合料最优目标水分预测方法，其特征在于：所述的步骤S1中，配矿结构信息包括各原料化学成分以及料仓下方皮带秤测量的下料质量；

混合料水分信息包括二次混料机出料口处的微波水分仪测量值；

烧结透气性指标信息为各风箱处的负压值、风量大小、抽风面积、料层厚度。

3.根据权利要求1所述的一种烧结混合料最优目标水分预测方法，其特征在于：所述的步骤S2中，具体步骤为：S21：对步骤S1得到的数据进行时序对正处理，以烧结过程最后一个风箱负压测量点为基准，将各原料下料值与混合料水分测量值延时到时间节点，确保在不同工序的测量变量为同一段物料的特征；剔除包括停机阶段、设备异常阶段、数据抖动幅度过大的异常数据组，得到正常生产情况下的历史数据组；

S22：根据各风箱负压值、烧结机料层透气性信息构建烧结透气性指数评价烧结情况，筛选出烧结透气性良好时的配矿结构信息与混和料水分数据样本组，包括适宜制粒水分的数据集，将该数据集作为最优样本并进行数据分割处理。

4.根据权利要求3所述的一种烧结混合料最优目标水分预测方法，其特征在于：所述的步骤S22中，具体步骤为：S221：设m为烧结机的风箱数量； 为第i个风箱对应的加权系数，其大小是根据各个风箱位置处烧结阶段所影响烧结质量的程度进行判定，且满足 ； 为第i个风箱处透过料层的风量大小， 为第i个风箱处的抽风面积， 为第i个风箱处的料层厚度， 为第i个风箱处料层的上下压力差，n为气体特性常数；按如下公式计算烧结透气性指数：；

根据烧结透气性指标筛选出前40%具有良好烧结透气性对应的历史下料量与混合料水分数据样本；

S222：将筛选后的数据样本按70%：15%：15%的比例分割为训练集、验证集和测试集。

5.根据权利要求1所述的一种烧结混合料最优目标水分预测方法，其特征在于：所述的步骤S31中，具体步骤为：S311：选取包括混匀矿、溶剂、燃料、粉尘、白云石、生石灰和冷返矿的配矿原料成分作为输入层xi，i=（1，2，3，4，5，6，7）；设输出层节点为混合后水分；

S312：设m为隐藏层神经元数量，n为输入层节点数，l为输出层节点数，α为1 10之间的~任意数；按如下公式计算BP神经网络的隐藏层的神经元数量：；

S313：选取函数sigmod（）作为输入层与隐藏层之间的传递函数，选取函数tansig（）作为隐藏层与输出层之间的传递函数，设网络学习次数为1000，学习速率为0.02，训练最下误差为0.00001；

设 是输入层第i个节点与隐藏层第j个节点之间的连接权值， 是隐藏层第j个节点上的阈值；则隐藏层第j个节点的输出yj为：；

设 是隐藏层第j个节点与输出层第k个节点之间的连接权值， 是输出层第k个节点上的阈值；则输出层节点的输出 为：；

设 为数据样本实际值；将步骤S2得到的最优样本归一化并作为BP网络的训练样本，得到网络输出与实际样本的均方误差函数为：；

S314：选取0 1之间的随机数作为网络神经元连接的初始权值和初始阈值。

~

6.根据权利要求5所述的一种烧结混合料最优目标水分预测方法，其特征在于：所述的步骤S321中，具体步骤为：将BP神经网络的初始权值和初始阈值转化为鲸鱼的位置向量 ，计算鲸鱼个体适应度，更新座头鲸位置；设 为第t代位置向量， 为第t代最优位置向量；设 和 属于区间[0，1]之间的随机数； 表示迭代次数的最大值，t表示当前迭代次数；迭代过程中，a在区间[2，0]线性减小；A和C是系数向量；令种群初始迭代次数为1，产生一个[0，1]之间的随机数p；若距离系数 ，且 ，则鲸鱼通过收缩环绕的方式更新位置进行包围捕食，设D为鲸鱼采用缩水式环绕时第t代最优位置向量与第t代位置向量之间的距离，如公式(1)到(5)所示；

（1），

（2），

（3），

（4），

（5）；

为第t+1代的位置向量，b是一个常数；l是一个0到1之间的随机数；若距离系数，且 ，则鲸鱼通过螺旋的方式更新位置进行包围捕食，设 为鲸鱼采用螺旋上升时第t代最优位置向量与第t代位置向量之间的距离，如公式(6)、(7)所示；

（6），

（7）；

设  为当前一代中任意个体的位置向量；若距离系数 ，则为探索食物阶段，鲸鱼通过不断搜索的方式更新自身位置，如公式(8)、(9)所示；

（8），

（9）。

7.根据权利要求1所述的一种烧结混合料最优目标水分预测方法，其特征在于：所述的步骤S4中，对网络参数进行小规模训练优化的具体步骤为：按照步骤S2至步骤S3处理网络参数并保留每天生产运行的相关数据。

8.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求7中任意一项所述的一种烧结混合料最优目标水分预测方法。