1.一种基于注意力机制的CNN‑GRU合模拉杆应变预测方法，其特征在于，包括步骤如下：S1、采集注塑机合模机构装调过程数据，并构建历史数据库；其中，注塑机合模机构至少包括定模板、动模板、后模板、四根拉杆、对应设置于每根拉杆上的拉杆螺母、肘杆和液压系统，步骤S1具体包括：确定需要采集的数据变量，包括合模机构拉杆应变值和对应的拉杆螺母旋转角度；

根据装调采集数据需求和合模机构的结构特点选择数据采集装置并进行数据采集装置的方案布置，每根拉杆上靠近定模板的位置对称安装两个应变传感器用于采集合模加载时的拉杆应变值，每个拉杆螺母上安装一个磁栅编码器用于采集装调过程中的拉杆螺母旋转角度；

在合模机构装调开始前对应变传感器和磁栅编码器进行安装和校准，合模机构装调过程中通过数据采集和处理模块对所有传感器采集的数据同步进行采集存储和数据预处理，其中，所有传感器包括所有应变传感器和所有磁栅编码器；

构建历史数据库，用于存储合模机构装调过程的原始数据和经过预处理后的合模机构装调过程数据，所述历史数据库用于记录每次合模机构装调过程中的详细数据，至少包括合模机构型号、拉杆应变值、拉杆螺母旋转角度和设备状态；

S2、对步骤S1中获取的合模机构装调过程数据进行预处理，用预处理后的合模机构装调过程数据构建样本数据集，并将样本数据集划分为训练集和测试集；

S3、采用CNN‑GRU网络结构结合SE注意力机制构建多输入多输出合模机构拉杆应变预测模型，确定合模机构拉杆应变预测模型的输入、输出和网络参数，使用训练集对合模机构拉杆应变预测模型进行训练；

S4、使用测试集通过训练好的合模机构拉杆应变预测模型对合模机构装调过程进行预测，对预测结果进行反归一化得到调整后的拉杆应变预测值，并通过评价指标对最终预测结果进行评估；

S5、将训练好的合模机构拉杆应变预测模型部署到实际生产现场，在进行合模装调时，将实时采集的数据输入到合模机构拉杆应变预测模型中，合模机构拉杆应变预测模型输出当前装调操作后的拉杆应变预测值。

2.根据权利要求1所述的基于注意力机制的CNN‑GRU合模拉杆应变预测方法，其特征在于，步骤S1中，合模机构装调过程数据包括：四根拉杆装调过程中的当前时刻拉杆应变值、装调过程中对应的拉杆螺母旋转角度以及装调后的拉杆应变值。

3.根据权利要求1所述的基于注意力机制的CNN‑GRU合模拉杆应变预测方法，其特征在于，步骤S2具体包括：对步骤S1中获取的合模机构装调过程数据进行筛选，采用孤立森林算法进行异常值的识别和删除，通过基于随机分割的无监督异常检测方法，随机选择数据特征并进行分割，逐步分离出可能的异常点，识别和隔离不符合正常模式的数据点，将异常数据删除以确保所选数据样本为正常状态下的装调数据；

对筛选后的正常样本数据进行归一化处理，将输入数据和输出数据归一化到0到1之间；

将归一化后的样本数据进行存储，并构建样本数据集；

将历史数据库的样本数据集按照预设比例随机划分为训练集和测试集，其中，训练集的数量大于测试集的数量。

4.根据权利要求3所述的基于注意力机制的CNN‑GRU合模拉杆应变预测方法，其特征在于，步骤S2中，对筛选后的正常样本数据进行归一化处理，具体包括：采用min‑max归一化方法对样本数据进行线性变换，计算数据的最小值 和最大值，根据归一化公式将样本数据缩放到目标区间[0，1]之间；归一化公式表示如下：（1）

公式（1）中， 为归一化后的样本数据， 为原始样本数据， 为样本数据最小值，为样本数据最大值。

5.根据权利要求1所述的基于注意力机制的CNN‑GRU合模拉杆应变预测方法，其特征在于，步骤S3中，采用CNN‑GRU网络结构结合SE注意力机制构建多输入多输出合模机构拉杆应变预测模型，确定合模机构拉杆应变预测模型的输入、输出和网络参数，具体包括：确定合模机构拉杆应变预测模型的输入变量和输出变量：将四根拉杆装调过程中的当前时刻拉杆应变值和装调过程中对应的拉杆螺母旋转角度八个变量作为输入变量，将装调后的拉杆应变值四个变量作为输出变量；

确定合模机构拉杆应变预测模型的网络结构：选择双层一维卷积神经网络CNN和门控循环单元网络GRU并融合SE注意力机制构建合模机构拉杆应变预测模型，所述合模机构拉杆应变预测模型的网络结构依次包含输入层、CNN层、SE注意力机制层、GRU层和输出层；

确定合模机构拉杆应变预测模型的网络层数、每层单元数、迭代次数和学习率，采用Adam优化器对网络参数进行更新。

6.根据权利要求5所述的基于注意力机制的CNN‑GRU合模拉杆应变预测方法，其特征在于，输入层用于将原始合模机构装调过程数据作为合模机构拉杆应变预测模型的输入，具体是将原始合模机构装调过程数据经过预处理后输入到合模机构拉杆应变预测模型中；

CNN层包括卷积操作和激活函数，用于对输入的合模机构装调过程数据进行卷积处理，提取输入数据的局部特征和空间特征并将学习到的数据特征传递到SE注意力机制层；卷积表达式如下：（2）

公式（2）中，C表示卷积输出，X为输入数据，f表示激活函数，激活函数为ReLU激活函数，表示第j个卷积核权重矩阵，b为偏置项，*为卷积运算；

SE注意力机制层包括全局平均池化层和两层全连接层，用于对CNN卷积特征进行权重评估，通过压缩和激励操作调整特征通道权重，利用权重系数对每个通道的特征进行加权平均，选择性地增强对关键特征的关注，抑制不重要或不相关的特征；

GRU层包括更新门和重置门，GRU层用于利用门控机制选择性地保留和传递上一时刻输入的信息，其中，更新门用于控制从当前输入和历史状态中选择多少信息来更新当前状态，重置门用于控制候选隐藏状态是否依赖上一时刻状态并存储数据的短期变化，通过建立输入变量与输出预测目标之间的映射关系来预测输出；GRU层的数学表达式如下：（3）

（4）

（5）

（6）

公式（3）‑（6）中， 和 分别表示更新门和重置门， 表示当前隐藏状态， 表示候选隐藏状态， 和 均表示更新门的权重矩阵， 和 均表示重置门的权重矩阵， 和均表示隐藏状态的权重矩阵， 、 、 分别表示更新门、重置门和隐藏状态的偏移量，表示Sigmoid激活函数， 表示当前时刻输入值， 表示上一时刻的输出值，tanh表示双曲正切激活函数， 表示点积运算；

输出层包括全连接层，用于将GRU层的输出作为输入，通过全连接层输出合模机构拉杆应变预测结果。

7.根据权利要求1所述的基于注意力机制的CNN‑GRU合模拉杆应变预测方法，其特征在于，步骤S4中，评价指标包括均方根误差RMSE、平均绝对误差MAE和决定系数 ；评价指标RMSE、MAE、 的计算公式分别如下：（7）

（8）

（9）

公式（7）‑（9）中，n表示样本总数， 表示样本的拉杆应变真实值， 表示样本的拉杆应变预测值， 表示样本拉杆应变真实值的平均值。

8.根据权利要求1所述的基于注意力机制的CNN‑GRU合模拉杆应变预测方法，其特征在于，步骤S5具体包括：将经过训练和优化后的合模机构拉杆应变预测模型集成到实际生产线的装调系统中；

在合模机构装调操作时，通过实际生产现场配置的传感器实时采集四根拉杆装调过程中的拉杆应变值和装调过程中对应的拉杆螺母旋转角度，并将采集到的数据作为合模机构拉杆应变预测模型的输入变量，根据训练好的合模机构拉杆应变预测模型的参数进行计算，输出当前装调操作下的拉杆应变预测值。