1.一种基于多模态数据融合的真空炉AI压力控制方法，其特征在于，包括以下步骤：S1.实时获取真空炉的炉压力数据；S2.对炉压力数据进行预处理，得到预处理后的炉压力数据，并将预处理后的炉压力数据进行特征提取，得到炉压力特征向量；S3.构建包括融合层、决策层、CNN结构的时域特征子网络、全连接神经网络结构的频域特征子网和全连接神经网络结构的多模态关联特征子网络的AI压力控制模型，将炉压力特征向量输入AI压力控制模型处理得到炉压力控制参数；所述将炉压力特征向量输入AI压力控制模型处理的方法为：将时域特征输入到时域特征子网络得到时域特征中间表征,频域特征输入到时域特征子网络得到频域特征中间表达,多模态关联特征输入到多模态关联特征子网络得到多模态关联特征中间向量，据此将时域特征中间表征、频域特征中间表达和多模态关联特征中间向量输入融合层得到融合特征，并将融合特征输入到决策层得到炉压力控制参数；S4.将炉压力控制参数转换为炉压力控制指令，据此真空炉执行炉压力控制指令，同时对真空炉执行炉压力控制指令的过程进行安全监测，并判断是否对AI压力控制模型进行更新。
2.根据权利要求1所述一种基于多模态数据融合的真空炉AI压力控制方法，其特征在于，所述炉压力数据包括炉腔压力时序数据、加热区温度时序数据和气体流量时序数据，其中炉腔压力时序数据、加热区温度时序数据和气体流量时序数据通过NI CompactRIO平台控制物理传感器进行同步采集，并基于IEEE 1588协议用于实现时间同步；所述物理传感器包括压力传感器、温度传感器和气体流量传感器。
3.根据权利要求2所述一种基于多模态数据融合的真空炉AI压力控制方法，其特征在于，所述对炉压力数据进行预处理的方法：对炉压力数据通过基于局部离群因子算法识别并修复炉压力数据的野点，得到异常值处理的炉压力数据，据此将异常值处理的炉压力数据依次通过小波变换和卡尔曼滤波处理，得到预处理的炉腔压力时序数据、加热区温度时序数据和气体流量时序数据，据此共同构成预处理后的炉压力数据。
4.根据权利要求3所述一种基于多模态数据融合的真空炉AI压力控制方法，其特征在于，所述将预处理后的炉压力数据进行特征提取的方法：将预处理的炉腔压力时序数据 分别通过均值公式、波峰因数公式和标准差公式计算得到压力均值 、压力波峰因数 和压力标准差 ，据此基于压力均值 和压力标准差 ，得到压力偏度 和压力峰度 ；将预处理的炉腔压力时序数据 通过快速傅里叶变换转换为炉腔压力频域频谱数据 ，据此基于炉腔压力频域频谱数据 ，得到压力频域中心 、压力总能量 、压力均方根频率 和压力主导频率 ；对预处理的炉腔压力时序数据 和加热区温度时序数据 通过皮尔逊相关系数公式计算得到压力温度相关系数 ，同时通过滞后相关性公式计算得到压力温度滞后相关性 ；对预处理的炉腔压力时序数据 和气体流量时序数据 通过皮尔逊相关系数公式计算得到压力流量相关系数 ，同时通过滞后相关性公式计算得到压力流量滞后相关性 。
5.根据权利要求4所述一种基于多模态数据融合的真空炉AI压力控制方法，其特征在于，所述炉压力特征向量包括时域特征、频域特征和多模态关联特征，其中时域特征包括压力均值 、压力波峰因数 、压力标准差 、压力偏度 和压力峰度 ，频域特征包括压力频域中心 、压力总能量 、压力均方根频率 和压力主导频率 ，多模态关联特征包括压力温度相关系数 、压力温度滞后相关性 、压力流量相关系数 和压力流量滞后相关性 。
6.根据权利要求1所述一种基于多模态数据融合的真空炉AI压力控制方法，其特征在于，所述炉压力控制参数包括阀门开度控制参数 和泵频率控制参数 。
7.根据权利要求1所述一种基于多模态数据融合的真空炉AI压力控制方法，其特征在于，将炉压力控制参数通过控制参数指令转换公式转换为包括实际开度值 和实际频率值 的炉压力控制指令。
8.根据权利要求7所述一种基于多模态数据融合的真空炉AI压力控制方法，其特征在于，所述对真空炉执行炉压力控制指令的过程进行安全监测，并判断是否对AI压力控制模型进行更新的方法：实时获取真空炉执行炉压力控制指令过程中真空炉的炉内压力和炉内温度，将炉内压力 和炉内温度 分别与真空炉压力安全上下限和真空炉温度安全上下限进行对比；若 大于真空炉压力安全上限 、 大于真空炉温度安全上限 、 小于真空炉温度安全下限 或 小于真空炉压力安全下限 ，则执行预设的真空炉安全控制策略，同时采用增量学习方式对AI压力控制模型进行重新训练更新。
