1.一种危化产品仓库状态监测方法，其特征在于，包括如下步骤：

步骤1：针对危化产品仓库的险情种类，收集危化产品仓库险情现场数据，包括正常情况下的仓库数据信息，建立危化产品险情数据集；

步骤2：针对危化产品仓库的环境特点，设计基于STM32单片机与网络摄像头的现场数据采集点，采集识别所需的视频、音频和传感器信号信息；

步骤3：分别对步骤1和步骤2采集到的危化产品险情数据集、视频、音频、传感器信号信息数据进行编码处理，融合得到模型的训练数据与输入数据；

步骤4：建立改进的多模态Autoformer模型，所述改进的多模态Autoformer模型为在Autoformer模型中加入多层感知头MLP Head，将Autoformer的序列预测结构改为状态分类结构，并将Autoformer的序列分解单元改进为VMD分解；

步骤5：将步骤3中得到的训练数据送入步骤4中改进的多模态Autoformer模型中，并使用改进的海洋捕食者算法MPA对改进的多模态Autoformer模型中的超参数进行优化，得到危化产品仓库状态监测分析模型；所述改进的MPA算法为在MPA算法的初始化过程中，使用拉丁超立方初始化代替其原始的随机初始化，并在位置更新策略中引入全球领先和声搜索策略和自适应协作搜索策略进行位置修正；

步骤5.1：设置MPA算法的目标函数为监测状态分类的准确率并初始化相关参数，参数包含：最大迭代次数、种群规模、维度大小、搜索空间的上界与下界；

步骤5.2：使用拉丁超立方初始化方法代替MPA算法中的随机初始化方法，其公式如下：其中，lbj,i为第i个种群的第j个维度的下界，ubj,i为第i个种群的第j个维度的上界，Aj表示第i个种群所在的子搜索空间，RFP为全排列操作，n表示种群规模，d表示问题维度，Xi表示第i个种群的初始化值，rand为一个取值为[0,1]的随机值；

步骤5.3：根据目标函数计算适应度值，并根据适应度值筛选出最优解；

步骤5.4：根据捕食者与猎物的速度比关系，种群在搜索空间内的三种迭代方式如下：步骤5.4.1：捕食者速度远高于猎物，猎物以布朗运动躲避捕食者的攻击，此过程的数学公式表示为：其中，Iter是当前迭代次数，Maxiter为设置的最大迭代次数，RB是一个服从正态分布的随机向量，P为0.5的常数，R为0到1范围内的随机向量，Prey为猎物矩阵，包含当前所有种群，Elite为捕食者矩阵，包含当前被视为最优解的种群，stepsize是种群在搜索空间中位置更新的步长；

步骤5.4.2：捕食者速度近似于猎物时，猎物使用levy飞行躲避捕食者追捕，而捕食者则使用布朗运动追捕猎物，此过程的数学公式表示为：其中，RL是基于levy分布的随机向量，CF是一个控制捕食者运动步长的自适应参数；

步骤5.4.3：在捕食者速度远低于猎物时，捕食者以levy飞行对猎物进行追捕，此过程以数学公式表示为：步骤5.5：对MPA算法的位置更新策略进行改进，额外引入全球领先和声搜索策略与自适应协作搜索策略对MPA的种群进行位置修正，设置选择倾向参数ST为0.5的常数，当随机值大于ST时，使用全球领先和声搜索策略，反之随机值小于0.5时，使用自适应协作搜索策略，两种搜索策略的具体步骤如下：步骤5.5.1：全球领先和声更新策略的数学公式如下：

其中，Xα,j表示捕食者的第j个维度，m和n是随机挑选的两个不同的个体，且满足i≠m≠n，是一个取值为0到2的自适应变量，rand1和rand是取值为0到1的随机数，jrand是在捕食者向量中随机挑选的一个维度，GR为0.2的常数；

步骤5.5.2：自适应协作搜索策略的公式如下：

其中Xβ,j，Xγ,j表示适应度为第二和第三的代理，SR为0.5的常数，rand2和rand是取值为

0到1的随机数；

步骤5.6：通过涡流与鱼群效应影响MPA算法，使捕食者有小概率进行空间跳跃进行局部最优解的跳出，这一过程以数学公式表示如下：其中，FADs为0.2的常数，表示捕食者进行空间跳跃的概率；U是一个布尔类型的向量，表示种群中受到影响的个体；Preyr1和Preyr2表示在猎物矩阵中随机选择的两个种群向量；

步骤5.7：通过步骤5.3至步骤5.6对当前解不断进行更新，并同步更新全局最优解；

步骤5.8：通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤

5.3，最终在最大迭代次数内输出最优结果；

步骤6：利用步骤5中训练优化后的危化产品仓库状态监测分析模型对步骤3中得到的模型输入数据进行监测分析，得到危化产品仓库的状态监测结果。

2.根据权利要求1所述的一种危化产品仓库状态监测方法，其特征在于，所述步骤2中的现场数据采集点进行现场数据采集，具体步骤如下：步骤2.1：利用多个网络摄像头收集危化产品仓库不同节点的视频数据和音频数据，并直接通过工业网关将数据上传至监测平台；

步骤2.2：STM32采集端搭载光照传感器、有害气体传感器、温湿度传感器和ZigBee通讯模块，负责采集仓库现场的各类信息，所述STM32采集端数量与网络摄像头的数量相匹配；

步骤2.3：STM32通讯端仅搭载ZigBee通讯模块，负责通过ZigBee通讯快速整合多个STM32采集端的传感器信息，并通过工业网关将传感器信息上传至监测平台。

3.根据权利要求1所述的一种危化产品仓库状态监测方法，其特征在于，所述步骤3中，对步骤1和步骤2采集到的危化产品险情数据集、视频、音频、传感器信号信息数据进行编码处理，融合得到模型的训练数据与输入数据，具体步骤如下：步骤3.1：对收集到的视频信息按选定的时间间隔进行分块编码，得到一组三维特征张量；

步骤3.2：对收集到的音频信息按选定的时间间隔进行分段编码，得到一组二维特征张量；

步骤3.3：对收集到的传感器信息按选定的时间间隔进行值编码，得到一组二维特征张量；

步骤3.4：将步骤3.2与3.3中的张量映射至三维，得到两组三维特征张量，并与步骤3.1中的三维特征张量进行加权相加，完成数据融合。

4.根据权利要求1所述的一种危化产品仓库状态监测方法，其特征在于，所述步骤4中的改进的多模态Autoformer模型，其步骤如下：步骤4.1：将多模态Autoformer模型中的解码层替换为多层感知头，以实现监测分析中的监测状态分类任务，将经过多模态Autoformer模型编码层得到的高维特征张量输入多层感知头，经过隐藏层后使用sigmod函数进行激活，并连接至输出层实现状态分类结果的输出，多层感知头的具体公式如下：l l l‑1 l‑2 l‑1 l

y＝f(Wf(W x +B )+B) (1)

l l l

其中，y为第l层模型的输出，W为第l层网络与上一层网络之间的权重，B为第l层网络l的偏置，x为第l层网络的输入，f为sigmod激活函数；

步骤4.2：为对特征张量进行精确分解，将多模态Autoformer中的分解单元改进为VMD分解单元，以提取更准确的特征趋势。

5.一种基于权利要求1至4任一所述的一种危化产品仓库状态监测方法的预警系统，其特征在于，包括：险情数据收集部分，用于针对危化产品仓库的险情种类，收集危化产品仓库险情现场数据，包括正常情况下的仓库数据信息，建立危化产品险情数据集；

现场数据采集部分，针对危化产品仓库的环境特点，设计基于STM32单片机与网络摄像头的现场数据采集部分，采集识别所需的视频、音频和传感器信号信息，STM32采集端搭载光照传感器、有害气体传感器、温湿度传感器和ZigBee通讯模块；STM32通讯端仅搭载ZigBee通讯模块，负责通过ZigBee通讯快速整合多个STM32采集端的传感器信息；

多模态状态监测分析部分，用于建立改进的多模态Autoformer模型，并使用改进的海洋捕食者算法MPA对改进的多模态Autoformer模型中的超参数进行优化，得到危化产品仓库状态监测分析模型；利用训练优化后的危化产品仓库状态监测分析模型对模型输入数据进行监测分析；

前端显示预警，用于对于获取的危化产品仓库的状态监测结果进行前端界面展示，并根据不同的险情等级进行不同的预警方案。