1.一种基于深度学习的无油超高速离心压缩机自动优化系统，其特征在于，包括：采集模块，用于采集压缩机的运行数据，其中，所述运行数据包括输入数据和目标数据，其中，所述输入数据包括输出温度、输出流量和输出气体压缩率，所述目标数据包括冷却温度、转速、工作流量和工作压力；

预处理模块，用于对所述运行数据进行预处理；

构建模块，用于构建基于长短时记忆网络的目标预测模型，其中，所述目标预测模型包括依次连接的输入层、输出层和基于注意力机制改进的具有门控注意力的长短时记忆网络层，其中，所述输入层与所述长短时记忆网络层之间包括一维卷积神经网络层，所述一维卷积神经网络层分别与所述输入层和所述长短时记忆网络层连接，所述一维卷积神经网络层包括1×4卷积层和最大池化层；

划分模块，用于将预处理后的运行数据按预设比例划分为训练集和验证集，其中，所述训练集和所述验证集中均包括输入数据以及相对应的目标数据；

寻优模块，用于利用所述训练集对所述目标预测模型进行训练，并结合卷积神经网络模型和遗传算法对所述目标预测模型进行超参数寻优；

验证模块，用于利用所述验证集对训练后得到的目标预测模型进行预测准确率验证；

获取模块，用于在所述预测准确率大于预设准确率的情况下，获取当前输入数据，利用训练后的目标预测模型给出当前目标数据，否则，调用所述寻优模块；

优化模块，用于按所述当前目标数据对所述压缩机进行调整优化；

其中，所述寻优模块具体用于：

S1051：使用所述卷积层对所述训练集进行特征提取：;

其中， 表示经过i层卷积特征提取后的输出特征向量， 表示输入数据， 和表示第i层卷积层的权值矩阵和偏置向量，g表示ReLU激活函数，符号“ ”表示卷积运算；

S1052：通过所述最大池化层对所述输出特征向量进行数据降维：;

其中， 和 分别表示降维前后的输出特征向量，P表示池化函数；

S1053：将降维后的输出特征向量作为所述长短时记忆网络层的输入信息进行输入，捕捉所述输入数据与所述目标数据之间的关系；

S1054：结合卷积神经网络模型和遗传算法对所述目标预测模型进行超参数寻优，其中，所述超参数为权重参数和偏置参数；

S1055：将寻优后的超参数代入所述目标预测模型，完成所述目标预测模型的训练；

所述长短时记忆网络层包括记忆单元、遗忘门、输入门、输入门候选值和输出门，所述遗忘门、输入门和输出门均由Sigmoid函数和点乘单元组成，所述门控注意力相应的电路布置于记忆单元和遗忘门之间以及所述输入门和所述输出门之间，其中，所述门控注意力的作用是将记忆信息传递至所述遗忘门、所述输入门和所述输出门；

所述S1053具体包括：

S1053A：所述遗忘门 、输入门 、输出门 、输入门候选值 和以输出数据 作为所述目标数据的计算方式具体为：,

,

,

,

,

;

其中，  和 分别表示当前时刻t的输入信息和输出数据， 表示前一时刻t‑1的输出数据， 表示记忆单元C的当前细胞状态、 表示记忆单元在前一时刻t‑1时的细胞状态， 、 和 分别表示所述遗忘门对于输入数据 、 和 的权重参数， 、和 分别表示所述输入门对于输入数据 、 和 的权重参数， 、 和分别表示所述输出门对于输入数据 、 和 的权重参数， 和 分别表示所述记忆单元对于输入数据 和 的权重参数，其中，所述权重参数的下标表示连接来源， 、、 和 分别表示所述长短时记忆网络层中遗忘门 、输入门 、输出门 、记忆单元的偏置参数， 和 分别表示Sigmoid激活函数和tanh激活函数；

S1053B：通过门控注意力机制对当前时刻t的输入信息 的权值参数进行权重分配：令中间变量 ：

;

其中， 表示特征i的输入信息，所述特征即所述输出温度、所述输出流量或者所述输出气体压缩率，W和b分别表示进行权重分配的特征矩阵和偏置参数；

计算特征i的权重分配权值参数 ：

；

对重分配后的权值参数进行加权求和，并将得到的和值 作为当前时刻t的输入信息的权值参数：；

S1053C：将所述和值作为当前时刻t相应输入数据 的权值参数。

2.根据权利要求1所述的基于深度学习的无油超高速离心压缩机自动优化系统，其特征在于，所述采集模块具体用于：通过均匀降采样方式采集所述运行数据。

3.根据权利要求1所述的基于深度学习的无油超高速离心压缩机自动优化系统，其特征在于，所述预处理模块具体用于：通过删除方式去除异常值，完成所述运行数据的预处理。

4.根据权利要求1所述的基于深度学习的无油超高速离心压缩机自动优化系统，其特征在于，所述预设比例为7：3。

5.根据权利要求1所述的基于深度学习的无油超高速离心压缩机自动优化系统，其特征在于，所述S1054具体包括：S1054A：构建包括所述超参数的卷积神经网络模型，确定隐含层最大节点数，其中，所述卷积神经网络模型包括输入层、隐含层和输出层；

S1054B：将所述卷积神经网络模型中的正则化参数和比例系数作为种群个体，初始化所述遗传算法的最大迭代次数和种群数量；

S1054C：基于均方根误差计算所述卷积神经网络模型中每个种群个体的适应度值；

S1054D：重复迭代，直至达到所述最大迭代次数；

S1054F：输出最大适应度时对应的正则化参数和比例系数；

S1054G：将所述正则化参数和所述比例系数代入所述卷积神经网络模型，将此时的超参数作为寻优结果输出。

6.根据权利要求5所述的基于深度学习的无油超高速离心压缩机自动优化系统，其特征在于，所述S1054A具体包括：S1054A1：确定所述卷积神经网络模型输出矩阵 ：,

,

,

;

其中，L表示所述隐含层的节点数量， 表示输入矩阵， , 分别表示隐含层第i个节点的输入权重和输出权重， 分别表示代表所述超参数的节点i的权重参数和偏置参数，r表示正则化参数，λ表示所述权重参数和所述偏置参数的比例系数， 表示最大备选节点，n表示用于初始化第i个节点权重参数的随机参数， 表示在所述随机参数n下循环遍历所述最大备选节点的随机采样值， 表示在随机参数确定为1的情况下，循环遍历所述最大备选节点的随机采样值；

S1054A2：根据所述输出矩阵，计算所述卷积神经网络模型的预测误差 ：;

其中，Y表示观测实际误差；

S1054A3：在所述预测误差大于或者等于预设误差的情况下，停止循环，并将此时的节点数量作为所述隐含层的最大节点数。

7.根据权利要求5所述的基于深度学习的无油超高速离心压缩机自动优化系统，其特征在于，所述适应度值 的计算方式为：;

其中，u表示代表所述正则化参数和所述比例系数的种群个体， 表示目标数据实际值， 表示目标数据的输出值，M表示样本数量即选取的训练集中相对应输入数据和目标数据的组数。

8.根据权利要求1所述的基于深度学习的无油超高速离心压缩机自动优化系统，其特征在于，还包括：监测模块，用于对所述当前目标数据进行实时监测，在所述当前目标数据出现异常时，发出警报。