1.一种基于深度学习的填料塔液泛状态在线辨识方法，其特征在于，所述方法包括以下步骤：

1)获取视频数据和标签数据：运行填料塔设备，调用摄像头采集其运行过程中的视频数据，同时通过人工观测的方式获得标签数据，并根据时间将视频数据和标签数据进行匹配；

2)数据预处理并制作数据集：视频数据和标签数据不能直接用于建立网络模型，需要对这些数据进行预处理，包括：视频截取和时序化处理；利用处理后的数据制作数据集，并将其分为训练集、验证集和测试集三部分；

3)建立卷积长短期记忆神经网络并训练：首先利用卷积长短期记忆单元搭建卷积长短期记忆层提取视频数据中的时间和空间特征；然后在卷积长短期记忆层后搭建分类器层，利用提取到的特征信息对填料塔下一时刻处于液泛状态或非液泛状态进行判断；最后利用自适应矩估计算法在训练集上优化网络模型参数；

4)评估网络模型辨识性能：采用准确率、精确率、召回率和调和均值评价指标在测试集上对网络模型的辨识性能进行评估，是否满足要求。

2.如权利要求1所述的一种基于深度学习的填料塔液泛状态在线辨识方法，其特征在于，所述步骤2)中，数据预处理并制作数据集的过程如下：

2.1：对视频数据进行截取

视频数据由静态图像数据按照时间顺序堆叠而成，每一帧的图像都代表了不同时刻填料塔的工作状态，按照一秒一帧的方式截取视频数据，每一帧图像表示填料塔不同时刻的工作状态；

2.2：对截取的图像数据进行时序化处理

将截取到的连续几张图像按照时间顺序排列组成一个输入样本，总的输入样本表示如下：χ＝[x1,x2,…,xi,…,xN]T

其中，N为样本总数；xi是第i个输入样本，可表示为一个四维张量，第一维表示单个样本包含的图像帧数；第二维表示单张图像在宽度上分布的像素点；第三维表示单张图像在高度上分布的像素点；第四维表示图像的通道数，彩色图像通道数为3，灰度图像通道数为1；

2.3：制作数据集，并将其分为训练集、验证集和测试集三部分数据集包括输入样本和输出样本，输出样本中的标签表示对应的输入样本的下一时刻填料塔是否处于液泛状态，其中处于液泛状态为1，否则为0，输出样本表示如下：Y＝[y1,y2,…,yi,…,yN]T

其中，yi∈{0,1}，是第i个输出样本；

将数据集分为训练集、验证集和测试集，训练集用于模型的训练，其样本数为总样本数的60％；验证集用于对模型的超参数进行选择，选择在验证集上表现最好的模型作为最终的测试模型，其样本数为总样本数的10％；测试集用于对最终的模型进行评估，其样本数为总样本数的30％。

3.如权利要求1或2所述的一种基于深度学习的填料塔液泛状态在线辨识方法，其特征在于，所述步骤3)中，建立卷积长短期记忆神经网络并训练的过程如下：

3.1：建立卷积长短期记忆神经网络

采用卷积长短期记忆单元建立卷积长短期记忆层以提取视频数据中的时间和空间特征，其计算流程如下：其中，表示第i个输入样本中t时刻对应的输入图像数据； 表示当前时刻输入数据与遗忘门之间的权值矩阵； 表示上一时刻网络中隐藏层的输出； 表示上一时刻网络隐藏层输出与遗忘门之间的权值矩阵； 表示遗忘门的偏置；*表示卷积运算；σ是sigmoid激活函数； 是遗忘门的输出，表示“遗忘”上一时刻信息的比例；

其中，表示新状态的候选值；wac表示当前时刻输入数据与状态单元之间的权值矩阵；

whc表示上一时刻网络隐藏层输出与状态单元之间的权值矩阵；bc表示状态单元的偏置；

tanh表示双曲正切激活函数；

其中， 表示新状态的候选值用于当前状态更新的比例；wal表示当前时刻输入数据与输入门之间的权值矩阵；whl表示上一时刻网络隐藏层输出与输入门之间的权值矩阵；bl表示输入门的偏置；σ是sigmoid激活函数；

上式对状态单元中的状态值 进行更新，得到新的状态值

其中， 是输出门的输出；wxo表示当前时刻输入数据与输出门之间的权值矩阵；who表示上一时刻网络隐藏层输出与输出门之间的权值矩阵；bo表示输出门的偏置； 表示当前时刻的输出；

建立分类器层，利用提取到的特征对输入样本进行分类，由于输出样本中的标签只有两类，分类器层中只有一个神经元，其激活函数为sigmoid函数；

3.2：确定网络模型的目标函数

训练集的目标函数表示如下：

其中，θ表示模型参数，包括模型中的权值和偏置；Ntrain表示训练集的样本数；hθ(xi)为模型的预测值；

3.3：利用自适应矩估计算法训练模型

自适应矩估计算法在参数更新过程中通过对梯度的一阶矩估计和二阶矩估计，自适应的为每一个参数设置不同的学习率进行更新；在概率论中，如果一个随机变量X服从某个分布，X的一阶矩定义为E(X)，也就是样本均值；X的二阶矩定义为E(X2)，也就是样本平方的均值；

利用自适应矩估计算法优化模型参数，首先定义α表示初始学习率，它控制参数的更新比率，定义较大的值在更新过程中会有更快的更新速度，网络会更快的收敛，而定义较小的值时参数的更新速度会相应变慢，但网络会收敛到更好的性能；定义β1表示一阶矩估计指数衰减率；定义β2表示二阶矩估计指数衰减率；定义m表示梯度的一阶矩；定义n表示梯度的二阶矩；定义t表示时间步。

4.如权利要求3所述的一种基于深度学习的填料塔液泛状态在线辨识方法，其特征在于，所述步骤3.3中，自适应矩估计算法的优化流程如下：

3.3.1)初始化相关参数：在0时刻，令α＝0.001，β1＝0.9，β2＝0.999，m＝0，n＝0，不断优化θ，直到目标函数f(θ)满足求解要求；

3.3.2)更新一阶矩和二阶矩：在任意时刻，只要目标函数f(θ)不满足求解要求，就会在下一时刻更新一阶矩和二阶矩，过程如下：其中，gt是t时刻权值的梯度；是求梯度符号；θt-1是t-1时刻的权值矩阵。

mt＝β1·mt-1+(1-β1)·gt

上面两个式子分别对一阶矩和二阶矩进行更新；

上面两个式子分别对一阶矩和二阶矩进行偏差校正，其中， 和 分别是校正后的一阶矩和二阶矩；

3.3.3)更新网络参数，过程如下所示：

其中，θt是t时刻更新后的权值矩阵；θt-1是t-1时刻待更新的权值矩阵；同时为了避免分母为零，令参数ε＝10-8；

若θt满足求解要求，则停止优化并输出结果，否则跳回2)继续优化。