1.一种复合材料成型工艺的参数优化方法，其特征在于，具体步骤包括：

获取若干已知力学特征参数的复合材料成品，采集复合材料成品制造过程中对应的工艺参数，将得到的工艺参数与对应复合材料成品的力学特征参数一一映射，生成训练样本数据集，所述力学特征参数包括拉伸强度、弯曲强度和层间剪切强度，所述工艺参数包括纤维体积比例、树脂粘度和模具平均温度；

基于训练样本数据集内的数据，建立神经预测网络，以训练样本数据集内的工艺参数作为模型的输入，并以对应的力学特征参数作为标签，对神经预测网络进行训练，得到力学特征预测模型；

获取各工艺参数的取值范围，在取值范围内随机生成若干组优化工艺参数组合，将不同优化工艺参数组合输入完成训练的力学特征预测模型中，得到该组合对应的力学特征参数预测值，根据力学特征参数预测值建立适应度函数，所述优化工艺参数组合包括三个基因位，分别对应纤维体积比例、树脂粘度和模具平均温度；

将一组优化工艺参数组合作为一个个体，组合内的工艺参数作为基因，基于适应度函数，通过遗传算法获得最优工艺参数组合，其中所述最优工艺参数组合为适应度函数值最高的优化工艺参数组合；

获取工艺流程参数，基于得到的工艺流程参数计算得到固化动力因子和纤维分布因子，根据得到的固化动力因子和固化反应因子对最优工艺参数组合内的参数进行修正，得到工艺参数精确值，完成复合材料成型工艺的参数优化，所述工艺流程参数包括纤维的平均长度、纤维相对于树脂流动方向的夹角、树脂的注射流量、固化时间和环境湿度。

2.根据权利要求1所述的一种复合材料成型工艺的参数优化方法，其特征在于：其中所述训练样本数据集的生成方法为：将工艺参数与对应复合材料成品的力学特征参数一一映射，形成对应网格，将形成的网格记为训练样本数据集；

基于训练样本集内的数据，建立神经网络预测模型，其中选择长短期记忆网络模型LSTM模型为基底模型建立，选取激活函数和优化算法，其中选择Tanh函数作为激活函数，选择Adam作为LSTM模型的优化算法；Tanh函数其公式为：；

式中， 表示Tanh函数，自变量 表示神经元的输入加权和，即神经元接收到的来自上一层的输入经过加权求和后的结果；

同时设定LSTM模型的超参数，所述LSTM模型的超参数包括：网络层数、迭代次数、学习率、批量数大小、训练次数、批处理数量和隐藏层神经元个数；

其中网络层数设置为4层网络结构，迭代次数设定为300，学习率设置为0.001，批量数大小设为32，训练次数设为100，批处理数量设为256，隐藏层神经元个数为32；

完成训练的力学特征预测模型输入为工艺参数数据，输出为力学特征参数预测值，所述力学特征参数预测值包括拉伸强度预测值、弯曲强度预测值和层间剪切强度预测值。

3.根据权利要求2所述的一种复合材料成型工艺的参数优化方法，其特征在于：在取值范围内随机生成若干组优化工艺参数组合所依据的逻辑为：在每个优化工艺参数的取值范围内随机生成若干不同数据，作为该优化参数的可选值，从该优化参数的所有可选值中，随机选择一个值作为优化工艺参数组合内对应基因位的数据。

4.根据权利要求3所述的一种复合材料成型工艺的参数优化方法，其特征在于：将一组优化工艺参数组合作为一个个体，组合内的工艺参数作为基因，其中具体的逻辑为：对组合内的工艺参数所有数据进行编码为对应基因，同一类型的目标参数互为等位基因，即一组优化工艺参数组合中对应有3个基因，包括纤维体积比例、树脂粘度和模具平均温度，对所有优化工艺参数组合进行编码，共得到若干个体；基于得到的所有个体构建初始种群，将初始种群标定为 ，且 ，表示初始种群中不同个体的索引，且u=1,2,，D，每个个体 均有3个基因，3个基因分别对应纤维体积比例、树脂粘度和模具平均温度的某个参数值，其中D为初始种群中个体的总个数。

5.根据权利要求4所述的一种复合材料成型工艺的参数优化方法，其特征在于：通过遗传算法获得最优目标参数组合具体所依据的逻辑为：对初始种群循环进行选择、交叉和变异操作，生成包含多个新个体的迭代种群，判断是否达到最大迭代次数，大于最大迭代次数时，选择当前种群中适应度函数值最高的个体作为最优优化参数组合，否则将生成的迭代种群作为初始种群进行迭代操作，直至满足迭代终止条件，选择迭代过程中，出现的适应度值最大的优化工艺参数组合作为最优目标参数组合，其中所述迭代终止条件为设置的最大迭代次数。

6.根据权利要求4所述的一种复合材料成型工艺的参数优化方法，其特征在于：根据力学特征预测模型输出的力学特征参数预测值建立适应度函数，其中适应度函数计算具体所依据的公式为：；

式中， 表示个体的适应度函数值， 、 和 分别为拉伸强度预测值、弯曲强度预测值和层间剪切强度预测值， 、 和 分别为拉伸强度目标值、弯曲强度目标值和层间剪切强度目标值，、和 分别为拉伸强度、弯曲强度和层间剪切强度的权重系数，其中且 、和 均大于0。

7.根据权利要求1所述的一种复合材料成型工艺的参数优化方法，其特征在于：基于得到的工艺流程参数计算得到固化动力因子和固化反应因子，其中固化动力因子计算所依据的公式为：；

式中， 为固化动力因子， 为纤维的平均长度，为纤维相对于树脂流动方向的夹角，为树脂的注射流量，为环境湿度；

其中固化反应因子计算所依据的公式为：

；

式中， 为固化反应因子，为固化时间， 为树脂的活化能，为气体常数， 为最优工艺参数组合内的最优模具平均温度；

根据得到的固化动力因子和固化反应因子对最优工艺参数组合内的参数进行修正，得到工艺参数精确值，其中具体所依据的修正公式为：；

；

；

式中， 为纤维体积比例精确值， 为树脂粘度精确值， 为模具平均温度精确值， 和 分别为最优工艺参数组合内的最优纤维体积比例和最优树脂粘度精确值， 和 分别为固化动力因子和固化反应因子的权重系数，其中 且 和 均大于0。

8.一种复合材料成型工艺的参数优化装置，其特征在于：所述一种复合材料成型工艺的参数优化装置用于执行权利要求1—7任一项所述的一种复合材料成型工艺的参数优化方法，包括：训练参数采集模块，用于获取若干已知力学特征参数的复合材料成品，采集复合材料成品制造过程中对应的工艺参数，将得到的工艺参数与对应复合材料成品的力学特征参数一一映射，生成训练样本数据集，所述力学特征参数包括拉伸强度、弯曲强度和层间剪切强度，所述工艺参数包括纤维体积比例、树脂粘度和模具平均温度；

预测模型训练模块，用于基于训练样本数据集内的数据，建立神经预测网络，以训练样本数据集内的工艺参数作为模型的输入，并以对应的力学特征参数作为标签，对神经预测网络进行训练，得到力学特征预测模型；

力学特征预测模块，用于获取各工艺参数的取值范围，在取值范围内随机生成若干组优化工艺参数组合，将不同优化工艺参数组合输入完成训练的力学特征预测模型中，得到该组合对应的力学特征参数预测值，根据力学特征参数预测值建立适应度函数，所述优化工艺参数组合包括三个基因位，分别对应纤维体积比例、树脂粘度和模具平均温度；

最优参数确定模块，用于将一组优化工艺参数组合作为一个个体，组合内的工艺参数作为基因，基于适应度函数，通过遗传算法获得最优工艺参数组合，其中所述最优工艺参数组合为适应度函数值最高的优化工艺参数组合；

精确参数修正模块，用于获取工艺流程参数，基于得到的工艺流程参数计算得到固化动力因子和纤维分布因子，根据得到的固化动力因子和固化反应因子对最优工艺参数组合内的参数进行修正，得到工艺参数精确值，完成复合材料成型工艺的参数优化，所述工艺流程参数包括模具纤维的平均长度、纤维相对于树脂流动方向的夹角、树脂的注射流量、固化时间和环境湿度。