1.一种基于数据增强变压器网络的水泥熟料游离钙预测方法，其特征在于：所述方法包括以下步骤：

步骤1：对水泥生产工艺分析，选取与水泥熟料f‑CaO含量相关的12个变量为辅助变量，水泥熟料f‑CaO含量Y为预测变量，以12个变量的时间序列矩阵作为回归预测网络的输入，再将所选的每个变量时间序列进行归一化处理；其中，12个变量为窑电流平均值X1、二次风温平均值X2、烟室NOX平均值X3、分解炉出口温度1X4、分解炉出口温度2X5、窑头负压反馈X6、烟室氧气滤波X7、二室北篦下压力反馈X8、二室南篦下压力反馈X9、分解炉喂煤量X10、高温风机转速X11和窑头煤反馈X12；

步骤2：将水泥熟料f‑CaO含量数据按照其对应输入变量的有效时段进行时间序列匹配，再使用滑动窗口技术平衡辅助变量和水泥熟料f‑CaO含量间的时间尺度，将按照上述处2

理的数据进行归一化，作为具有双重关注机制数据增强功能的变压器网络A G‑Transformer网络的输入；

步骤3：搭建DAWGAN网络，网络包含生

成器和判别器，采用Wasserstein距离作为判别器的损失函数；生成器和判别器种分别加入通道注意力和空间注意力，将随机高斯噪声输入生成器，将真实变量与f‑CaO数据拼接成的样本对输入判别器，训练DAWGAN，使DAWGAN能够生成准确有效的样本数据；

步骤4：搭建Transformer回归预测模型，结合DAWGAN数据增强模型与Transformer回归预测网络，将DAWGAN的生成数据与真实数据混合扩充作为Transformer回归预测网络的训练数据集，并对Transformer回归预测网络训练；

2

步骤5：应用AG‑Transformer中训练好的回归预测网络，实现水泥熟料游离游离钙的预测。

2.根据权利要求1所述的一种基于数据增强变压器网络的水泥熟料游离钙预测方法，其特征在于：所述步骤1中12个变量的时间序列矩阵为将一个小时内12个变量的时间序列组成的二维数据，其中列代表一个变量的采样数据，行代表一个小时内的12个变量在一小时内的含量值。

3.根据权利要求1所述的一种基于数据增强变压器网络的水泥熟料游离钙预测方法，其特征在于：所述步骤3中，生成器和判别器均为多层反卷积神经网络结构，同时在反卷积层后添加通道注意力和空间注意力，增加反卷积神经网络的捕捉长期依赖能力；生成器的输入为随机高斯噪声，输出为12个辅助变量和标签值水泥熟料f‑CaO数据的拼接，判别器的输入有两部分，分别是生成数据和真实数据，输出为生成数据和真实数据分布之间的距离；

采用RMSprop算法更新参数。

4.根据权利要求3所述的一种基于数据增强变压器网络的水泥熟料游离钙预测方法，其特征在于：所述步骤3的具体操作为：将随机高斯噪声作为生成器的输入，通过多层反卷积神经网络和双重注意力进行特征提取，有效地捕捉全局依赖特征，从全局和局部两方面进行特征提取，提高生成数据质量；Wasserstein距离作为损失函数，Wasserstein距离定义如下：其中，Pr为真实数据分布，Pg为生成数据分布，fw为含参数w的判别器网络，在WGAN中，判别器做的是近似拟合Wasserstein距离，距离L可以指示训练进程，其数值越小，表示真实分布与生成分布的Wasserstein距离越小，生成对抗网络训练的越好；

双重注意力机制用于提升反卷积神经网络的表达能力和捕获长期依赖能力，通道注意力和空间注意力公式分别为：

7×7

其中，F为特征数据，Mc为通道注意力特征图，Ms为空间注意力特征图，f 为卷积神经网络，AvgPool为平均池化，MaxPool为最大池化；生成器和判别器中添加双重注意力：通道注意力和空间注意力，自适应地重新调整空间和通道特征，从局部和全局两方面提取特征信息，增加卷积网络捕捉长期依赖关系能力；提高了模型稳定性，加快了模型收敛速度，保证生成数据具有原有的时序特性，并为水泥熟料f‑CaO含量的预测提供了大量有效数据。

5.根据权利要求1所述的一种基于数据增强变压器网络的水泥熟料游离钙预测方法，其特征在于：所述步骤4中，将步骤3中DAWGAN生成的数据与真实数据混合扩充Transformer回归预测网络的训练集，输入Transformer回归预测网络进行训练，在此过程中DAWGAN不断生成大量准确有效的数据，继续扩充Transformer回归预测网络的训练集。

6.根据权利要求5所述的一种基于数据增强变压器网络的水泥熟料游离钙预测方法，其特征在于：所述步骤4的具体操作为：将DAWGAN生成的标签用于扩充由多头自注意力机制组成的Transformer回归预测模型的训练集，多头自注意力机制的公式如下：Transformer网络的训练集数据由真实数据和DAWGAN生成的数据两部分组成，首先对数据进行位置编码，使变量之间的关键特征匹配是特征层面的详细时序匹配，然后将混合扩充后的数据集送入Transformer回归预测模型的编码器，最终通过解码器输出，实现水泥熟料f‑CaO含量的预测。