1.一种特征提取模型训练方法，其特征在于，所述方法应用于电解铝生产工艺，包括：获取待训练使用的样本数据；

所述获取待训练使用的样本数据包括：获取电解铝工艺设备中包含的历史样本数据，将高频出现数据标注为初始关键数据，结合电解铝制造工艺获取两个关键数据：吨铝直流电耗和电流效率；设置电解铝工艺过程中理想电耗-电流对应模型，电耗-电流对应模型获取过程变量：系列电流、槽工作电压、AE次数、NB次数、RC次数、AE等待时间、NB间隔、AE间隔、分子比、出铝量、铝水平、电解质水平、槽温、加氟次数、氟化盐日用量；基于测控系统对以上数据进行取样，建立工艺变量集和目标集，对工艺变量集和目标集进行归一化处理；

输入所述样本数据至待训练模型，分别得到重构误差函数信息和目标预测误差函数信息；

融合所述重构误差函数和所述目标预测误差函数为区分复合误差函数；

训练所述待训练模型直至误差满足预设值，并提取所述样本数据中的特征提取向量，输入所述特征提取向量至神经网络进行训练直至所述特征提取向量误差满足预设值。

2.根据权利要求1所述的特征提取模型训练方法，其特征在于，所述待训练模型结构包括区分降噪自编码网络和ANN神经网络。

3.根据权利要求2所述的特征提取模型训练方法，其特征在于，输入所述样本数据至所述待训练模型，分别得到重构误差函数信息和目标预测误差函数信息，包括：输入所述样本数据至所述自编码网络得到重构误差函数信息；

输入所述样本数据经编码输入至所述ANN神经网络得到目标预测误差函数信息。

4.根据权利要求2所述的特征提取模型训练方法，其特征在于，训练所述待训练模型直至误差满足预设值，包括：基于所述区分复合误差函数，利用梯度下降算法训练区分降噪自编码网络，直到获取的误差满足预设误差值。

5.根据权利要求4所述的特征提取模型训练方法，其特征在于，所述区分降噪自编码网络包括隐含层。

6.根据权利要求5所述的特征提取模型训练方法，其特征在于，提取所述样本数据中的特征提取向量，包括：当区分降噪自编码网络中的误差满足预设误差值时，从隐含层得到输入样本数据的特征提取向量。

7.根据权利要求2所述的特征提取模型训练方法，其特征在于，输入所述特征提取向量至神经网络进行训练直至所述特征提取向量误差满足预设值，包括：将提取的特征提取向量输入至所述ANN神经网络模型进行训练，直至所述特征提取向量误差满足预设误差值。

8.一种特征提取方法，其特征在于，包括：基于权利要求1~7任一项所述特征提取模型训练方法中得到的特征提取模型，具体包括以下方法：输入实时运行数据至所述特征提取模型；

通过所述区分自编码网络中的隐含层处理得到对应的特征表达。

9.一种特征提取模型训练装置，其特征在于，所述装置用于电解铝生产，包括：获取模块，获取待训练使用的样本数据；所述获取待训练使用的样本数据包括：获取电解铝工艺设备中包含的历史样本数据，将高频出现数据标注为初始关键数据，结合电解铝制造工艺获取两个关键数据：吨铝直流电耗和电流效率；设置电解铝工艺过程中理想电耗-电流对应模型，电耗-电流对应模型获取过程变量：系列电流、槽工作电压、AE次数、NB次数、RC次数、AE等待时间、NB间隔、AE间隔、分子比、出铝量、铝水平、电解质水平、槽温、加氟次数、氟化盐日用量；基于测控系统对以上数据进行取样，建立工艺变量集和目标集，对工艺变量集和目标集进行归一化处理；

第一函数获取模块，用于得到重构误差函数信息和目标预测误差函数信息；

融合模块，用于融合所述重构误差函数和所述目标预测误差函数为区分复合误差函数；

训练模块，用于训练待训练模型直至误差满足预设值，并提取所述样本数据中的特征提取向量，输入所述特征提取向量至神经网络进行训练直至所述特征提取向量误差满足预设值。

10.一种电子设备，其特征在于，

所述电子设备包括：

存储器，用于存储可执行指令；

处理器，用于运行所述存储器存储的可执行指令时，实现权利要求1至8任一项所述特征提取模型训练方法。