1.一种烧结砖隧道窑焙烧过程智能优化控制方法，其特征在于，包括：步骤A：基于遗传算法GA训练极限学习机ELM，构建输入为隧道窑离在线数据，输出为烧结砖的品质的烧结砖隧道窑焙烧智能预测模型；

步骤B：根据烧结砖隧道窑生产过程运行经验总结初始案例，建立包含多组优良烧结砖成品的历史焙烧案例的优化案例库；

步骤C：采用案例推理方法计算出与当前工况相似度最高的历史焙烧案例，得出当前工况下隧道窑各带的最优温度值；

步骤D：根据所述智能预测模型和所述当前工况下隧道窑各带的最优温度值，计算相应的变频器频率，并根据计算结果调整当前工况下的变频器频率。

2.根据权利要求1所述的方法，其特征在于，所述步骤A包括：分别采集烧结砖隧道窑焙烧过程的离线检测参数、期望工艺指标和在线检测参数；

对所述离线检测参数、期望工艺指标和在线检测参数进行分析，将上述各类参数信号依据各自指标划分到0到100之间；

采用遗传算法对极限学习机中输入层和隐层神经元之间的连接权值以及隐层神经元的阈值进行优化；

根据优化得到的输入层和隐层神经元之间的连接权值以及隐层神经元的阈值建立模型；

将离线检测参数、期望工艺指标和在线检测参数输入到经遗传算法改进过的极限学习机中，构建输入为隧道窑离在线数据，输出为烧结砖的品质的烧结砖隧道窑焙烧智能预测模型。

3.根据权利要求2所述的方法，其特征在于，所述采用遗传算法对极限学习机中输入层和隐层神经元之间的连接权值以及隐层神经元的阈值进行优化包括：初始化遗传算法，确定种群规模M，随机生成M个染色体作为初始种群Y(0)，交叉概率Pc，变异概率Pm，终止进化代数N；

随机初始化种群M，将遗传算法中的每个染色体都由一系列极限学习机的输入权值wj和阈值bj构成；

对适应度函数进行选择，求取适应度函数fit，选择适应度最小的染色体；

初始化迭代次数N＝1；

从种群Y(t)中运用选择算子选择出L对母体L≥M；

选择子代，从种群Y(t)中形成的L个候选个体中选择适应度高的M个染色体，形成新一代种群Y(t+1)；

当达到进化代数N的时候，终止进化，其中N是在初始化种群时给定确切值，选择出第N代中适应度最高的染色体作为最优解targetvalue；

将选择出适应度最高的染色体，作为极限学习机输入层和隐层神经元之间的连接权值以及隐层神经元的阈值。

4.根据权利要求1所述的方法，其特征在于，所述步骤C包括：采用案例推理对实时的隧道窑焙烧过程进行案例表示，将其称为当前案例；

应用KNN算法检索到优化案例库中与实时的隧道窑焙烧过程相似度最高的历史案例；

对检索到的相似度最高的历史案例进行案例修正；

根据当前案例与历史案例的相似度，对所述当前案例进行案例复用；

在所述案例复用成功后，将当前案例存储到所述优化案例库中；

对所述优化案例库进行维护，及时删除冗余、过期的案例。

5.根据权利要求2-3任意一项所述的方法，其特征在于，所述离线检测参数包括以下任意一种或多种：生坯水分、配煤热值、烧结砖强度、烧结砖吸水率、抗冻性、合格率；

所述期望工艺指标包括烧结砖合格率、强度、吸水率；

所述在线检测参数包括：由热电偶以及压力探头经DCS系统的I/O模块传送上来的隧道窑各带温度数据和压力值。

6.一种烧结砖隧道窑焙烧过程智能优化控制装置，其特征在于，包括：模型构建模块，用于基于遗传算法GA训练极限学习机ELM，构建输入为隧道窑离在线数据，输出为烧结砖的品质的烧结砖隧道窑焙烧智能预测模型；

案例库建立模块，用于根据烧结砖隧道窑生产过程运行经验总结初始案例，建立包含多组优良烧结砖成品的历史焙烧案例的优化案例库；

最优值计算模块，用于采用案例推理方法计算出与当前工况相似度最高的历史焙烧案例，得出当前工况下隧道窑各带的最优温度值；

频率调节模块，用于根据所述智能预测模型和所述当前工况下隧道窑各带的最优温度值，计算相应的变频器频率，并根据计算结果调整当前工况下的变频器频率。

7.根据权利要求6所述的装置，其特征在于，所述模型构建模块包括：数据采集子模块，用于分别采集烧结砖隧道窑焙烧过程的离线检测参数、期望工艺指标和在线检测参数；

数据分析子模块，用于对所述离线检测参数、期望工艺指标和在线检测参数进行分析，将上述各类参数信号依据各自指标划分到0到100之间；

参数优化子模块，用于采用遗传算法对极限学习机中输入层和隐层神经元之间的连接权值以及隐层神经元的阈值进行优化；

初始建模子模块，用于根据优化得到的输入层和隐层神经元之间的连接权值以及隐层神经元的阈值建立模型；

最终建模子模块，用于将离线检测参数、期望工艺指标和在线检测参数输入到经遗传算法改进过的极限学习机中，构建输入为隧道窑离在线数据，输出为烧结砖的品质的烧结砖隧道窑焙烧智能预测模型。

8.根据权利要求7所述的装置，其特征在于，所述参数优化子模块包括：算法初始化子模块，用于初始化遗传算法，确定种群规模M，随机生成M个染色体作为初始种群Y(0)，交叉概率Pc，变异概率Pm，终止进化代数N；

种群初始化子模块，用于随机初始化种群M，将遗传算法中的每个染色体都由一系列极限学习机的输入权值wj和阈值bj构成；

函数选择子模块，用于对适应度函数进行选择，求取适应度函数fit，选择适应度最小的染色体；

迭代初始化子模块，用于初始化迭代次数N＝1；

母体选择子模块，用于从种群Y(t)中运用选择算子选择出L对母体L≥M；

子代选择子模块，用于选择子代，从种群Y(t)中形成的L个候选个体中选择适应度高的M个染色体，形成新一代种群Y(t+1)；

终止进化子模块，用于当达到进化代数N的时候，终止进化，其中N是在初始化种群时给定确切值，选择出第N代中适应度最高的染色体作为最优解targetvalue；

参数确定子模块，用于将选择出适应度最高的染色体，作为极限学习机输入层和隐层神经元之间的连接权值以及隐层神经元的阈值。

9.根据权利要求6所述的装置，其特征在于，所述最优值计算模块包括：案例表示子模块，用于采用案例推理对实时的隧道窑焙烧过程进行案例表示，将其称为当前案例；

案例检索子模块，用于应用KNN算法检索到优化案例库中与实时的隧道窑焙烧过程相似度最高的历史案例；

案例修正子模块，用于对检索到的相似度最高的历史案例进行案例修正；

案例复用子模块，用于根据当前案例与历史案例的相似度，对所述当前案例进行案例复用；

案例存储子模块，用于在所述案例复用成功后，将当前案例存储到所述优化案例库中；

案例库维护子模块，用于对所述优化案例库进行维护，及时删除冗余、过期的案例。

10.根据权利要求7-8任意一项所述的装置，其特征在于，所述离线检测参数包括以下任意一种或多种：生坯水分、配煤热值、烧结砖强度、烧结砖吸水率、抗冻性、合格率；

所述期望工艺指标包括烧结砖合格率、强度、吸水率；

所述在线检测参数包括：由热电偶以及压力探头经DCS系统的I/O模块传送上来的隧道窑各带温度数据和压力值。