1.基于改进LSTM的光纤光栅高炉炉壳温度补偿检测方法，具体步骤如下，其特征在于：步骤1，搭建高炉温度、应变检测系统：高炉温度、应变检测系统由光源、不同初始中心波长的光纤光栅阵列、光电探测器、信号调理电路、数据采集卡和上位机组成，光电探测器将光纤光栅阵列的光信号转化为电信号，电信号经过信号调理电路后，经数据采集卡将光纤光栅阵列的数字量采集至上位机中；

步骤2，对所采集的数字量数据进行预处理；通过平滑滤波对信号进行滤波处理，同时使用滑动窗口检测采集信号的异常值，剔除信号的异常值，并对数据进行归一化处理；

步骤3，设计改进的LSTM高炉温度和应变估计模型：将步骤2处理后的光纤光栅阵列数据作为输入，高炉的应变和温度作为输出，并在LSTM输入门前加入多层结构的神经网络层，构建改进的LSTM高炉温度和应变估计模型；

步骤4，对改进的LSTM高炉温度和应变估计模型微调：对改进的LSTM高炉温度和应变估计模型参数进行微调，直至模型收敛；

步骤5，模型在线应用：将步骤2～步骤4训练得到的改进的LSTM高炉温度和应变估计模型在线应用，实现对高炉温度和应变的精准预测。

2.根据权利要求1所述的基于改进LSTM的光纤光栅高炉炉壳温度补偿检测方法，其特征在于：步骤2中对所采集的数字量数据进行预处理的过程可以表示如下：对所采集的数字量数据进行平滑滤波处理的公式如下：式中，x’i+k为i+k处的光纤光栅阵列的数字量，N是平滑滤波的点数，N为偶数，xi为平滑滤波后在i处的光纤光栅阵列数值；信号经过滤波处理后，再设置滑动窗口，滑动窗口是维护一定长队列，每在队尾插入一个新的信号值就在队列头部删除一个信号值，然后对其求出均值，如果新的信号值与滑动窗均值的差超过阈值，则判定光纤光栅受到干扰，并删除干扰的信号值，并对信号进行归一化处理：xmin和xmax分别是原始数据的最小值和最大值。

3.根据权利要求1所述的基于改进LSTM的光纤光栅高炉炉壳温度补偿检测方法，其特征在于：进一步，步骤3中设计改进的LSTM高炉温度和应变估计模型的过程可以表示如下：步骤3.1：设计编码网络，将编码网络的隐含层连接至LSTM的输入门，编码网络的输入为xi，输出为xt，编码网络在隐含层提取数据特征xt；对光纤光栅阵列样本数据中的任意样本xi，隐含层的编码矢量xt以及编码网络重构输出 可分别表示为：(1) (1)

xt＝f(W xi+b )        (3)(1) (1) (2) (2)

式中，W 、b 分别为编码网络的权重矩阵和偏置项，W 、b 分别为解码网络的权重矩阵和偏置项；

步骤3.2：设计编码网络损失函数，函数定义为Jsparse(W，b)：式中，β是稀疏惩罚因子的权重系数，N是训练样本的个数，λ是权重衰减系数，nl是网络模型的层数，sl、sl+1分别代表第l层和第l+1层网络神经元节点个数， 代表第l层的第j个神经元与l+1层的第k个神经元之间的权重，s2表示隐藏层神经元个数，ρ为稀疏性参数，为第j个隐藏层神经元的平均活跃度。

步骤3.3：更新编码网络各层的权重和偏置：式中，α为更新步长，为更新因子， 是第l层的第j个神经元与l+1层的第k个神经元之间的偏置；

步骤3.4：将隐含层的编码矢量xt作为输入门的输入构建输入门，输入门表示如下：qt＝g(Wxqxt+Whqht‑1+Wcqct‑1+bq)+Wnqnt     (7)式中，g()是激活函数，Wxq是输入门与xt之间的权重系数，ht‑1是t‑1时的隐藏状态，Whq是输入门与隐藏状态之间的权重系数，ct‑1是t‑1时的细胞状态，Wcq是输入门样本与细胞状态间的权重系数，bq是输入门的偏置项，qt为输入门输出，nt是t时的噪声干扰，Wnq是输入门与噪声干扰之间的权重系数，通过添加噪声干扰来提高模型的鲁棒性；

步骤3.5：构建改进LSTM模型的遗忘门，遗忘门表示如下：ft＝g(Wxfxt+Whfht‑1+Wcfct‑1+bf)     (8)式中，ft为遗忘门输出，Wxf是遗忘门和xt间的权重系数，Whf是遗忘门和隐藏状态间的权重系数，Wcf为遗忘门样本与细胞状态ct‑1间的权重系数，bf是遗忘门的偏置项；

步骤3.6：构建改进LSTM模型的细胞状态：ct＝ftct‑1+qttanh(Wxcxt+Whcht‑1+bc)     (9)式中，Wxc是细胞状态与xt之间的权重系数，Whc是细胞状态与隐藏状态ht‑1间的权重系数，bc为细胞状态的偏置项；

步骤3.7：构建改进LSTM模型的输出门，输出高炉的温度和应变值st：st＝g(Wxsxt+Whsht‑1+bs)      (10)式中，st是输出门输出的高炉温度和应变估计值，Wxs是输出门与xt间的权重系数，Whs是输出门样本与ht‑1之间的权重系数，Wcs是输出门样本与ct之间的权重系数，bs为输出门的偏置项

步骤3.8：通过输出门对t时刻的隐藏状态ht进行更新：ht＝sttanh(ct)       (11)步骤3.9，根据损失函数阈值和循环次数重复步骤3.3～步骤3.8，预训练改进的LSTM网络。

4.根据权利要求1所述的基于改进LSTM的光纤光栅高炉炉壳温度补偿检测方法，其特征在于：步骤4中对改进的LSTM高炉温度和应变估计模型微调的过程可以表示如下：通过训练样本重新构建步骤3中整体模型的损失函数，将光纤光栅阵列数据作为输入，所对应的高炉应变和温度实际值作为输出，继续使用梯度下降法对网络参数进行更新，最后完成模型的微调，提高模型的精确性。