1.一种神经网络辅助的水成膜灭火剂低温预警装置，其特征在于，通过在线监测系统监测水成膜灭火剂的温度，包括如下部件：
（1）微控制器，负责收集从两只温度传感器中获得的温度数据，其中一只位于水成膜灭火剂罐体表面，且由保温块覆盖，回传温度记为To，另一只位于罐体附近的空气中，回传温度记为Ta；
（2）本地终端机，负责暂存微控制器回传的温度数据，并对其进行初步分析后，从Ta和To中抽取8个特征数据向上传送至本地核心节点，分别为Ta和To每日的初始值，记为Ta_start、To_start；Ta和To每日的终值Ta_end和To_end；Ta和To在每日最后两个小时中的平均值Ta_avg和To_avg；Ta和To在一日之中的最小取值Ta_min和To_min；
（3）本地核心节点，负责接收数据和执行神经网络训练与预测功能，使用的预测模型中，将下一日罐体最低温度记为PTo_next_min，以本日罐体最低温度To_min作为PTo_next_min的初猜值，即从神经网络的角度看，To_min神经元向最终输出神经元PTo_next_min传递值，其权重固定为1.00；
（4）云端服务器，负责获取当地天气预报特征数据并将其传递给本地核心节点，从当地天气预报数据中抽取当日预报最低气温F_min和最高气温F_max，次日预报最低气温F_next_min和最高气温F_next_max并向下传送至本地核心节点；
本地核心节点使用以下神经网络预测模型预测下一个24小时中罐体的最低温度：
为了预测明日To序列的最低值，将它的实测值记为To_next_min，而模型预测值记为PTo_next_min，先建立一个极简模型，即预测明日To最低值与今日相同：
，
为了评价其预测精度，选择经典的回归算法构建损失函数：
，
式（2）中，N为参与计算的数据个数，设想To序列的最低值随气象预报的气温最低值改变，对应的优化权重记为W1：
以气象预报气温最高值预测：
以To序列终温预测：
在此式中To_start的意义是前一日的To_end；同样地，也通过Ta序列终温进行预测：
；
在神经网络中间层中对Ta_start、To_start、Ta_end、To_end、Ta_avg、To_avg、Ta_min、To_min、F_min、F_max、F_next_min、 F_next_max共12个输入元素两两相减得到7个次级神经元，相减的方式为：（W1） F_next_min – F_min, （W2）F_next_max – F_max,（W3）To_end – To_start, （W4）Ta_end – Ta_start, （W5）Ta_end – Ta_min，（W6）Ta_avg– To_avg，（W7）F_max – F_next_min，即从神经网络的角度看，上述12个输入元素线性组合生成7个次级神经元依次对应7个权重W1‑W7时，权重固定为 1.00或‑1.00；
引入常数权重输入下一层，以常数“1”神经元表示，对应的权重记为W0，常量神经元1和所述的7个次级神经元向最终输出神经元PTo_next_min传递值，
To_min作为参考基准，直接传递至输出端，通过输入数据优化权重W0‑W7优化模型。
2.根据权利要求1所述的一种神经网络辅助的水成膜灭火剂低温预警装置，其特征在于，
水成膜灭火剂灌装在容积为10升的双层不锈钢罐体，通过在线监测系统监测，所述的微控制器为安装华为LiteOS® 5.0实时操作系统的单片机，负责从包括型号DS18B20的具有防水功能的温度传感器中收集温度数据，收集间隔为10分钟；微控制器将数据通过TTL通讯传回本终端机，所述的本地终端机采用安装了Loongnix 1.0操作系统的单片机，本地终端机通过SSH通讯将数据传至本地核心节点，所述的本地核心节点采用安装了Loongnix20操作系统的计算机，而后通过物联网传至云端服务器；本地气象预报由当地气象局网络站点提供。
3.根据权利要求1或2所述的一种神经网络辅助的水成膜灭火剂低温预警装置，其特征在于，本地核心节点预测逻辑是以每日的15点作为日期分界线。
4.根据权利要求1或2所述的一种神经网络辅助的水成膜灭火剂低温预警装置，其特征在于，所述的微控制器每10分钟收集一次温度数据，装置中所有设备对温度的储存和处理使用绝对温标（开尔文），以避免深度学习网络在数据跨0时产生的不合理行为。
5.一种根据权利要求1至4任一项所述的一种神经网络辅助的水成膜灭火剂低温预警装置的预测方式，其特征在于，本地核心节点使用以下神经网络预测模型预测下一个24小时中罐体的最低温度：
为了预测明日To序列的最低值，将它的实测值记为To_next_min，而模型预测值记为PTo_next_min，先建立一个极简模型，即预测明日To最低值与今日相同：
，
为了评价其预测精度，选择经典的回归算法构建损失函数：
，
式（2）中，N为参与计算的数据个数，设想To序列的最低值随气象预报的气温最低值改变，对应的优化权重记为W1：
，
以气象预报气温最高值预测：
，
以To序列终温预测：
，
在此式中To_start的意义是前一日的To_end；同样地，也通过Ta序列终温进行预测：
；
在神经网络中间层中对Ta_start、To_start、Ta_end、To_end、Ta_avg、To_avg、Ta_min、To_min、F_min、F_max、F_next_min、 F_next_max共12个输入元素两两相减得到7个次级神经元，相减的方式为：（W1） F_next_min – F_min, （W2）F_next_max – F_max,（W3）To_end – To_start, （W4）Ta_end – Ta_start, （W5）Ta_end – Ta_min，（W6）Ta_avg– To_avg，（W7）F_max – F_next_min，即从神经网络的角度看，上述12个输入元素线性组合生成7个次级神经元依次对应7个权重W1‑W7时，权重固定为 1.00或‑1.00；
引入常数权重输入下一层，以常数“1”神经元表示，对应的权重记为W0，常量神经元1和所述的7个次级神经元向最终输出神经元PTo_next_min传递值，To_min作为参考基准，直接传递至输出端，通过输入数据优化权重W0‑W7优化模型。
6.根据权利要求5所述的一种神经网络辅助的水成膜灭火剂低温预警装置的预测方式，其特征在于，对应8个权重W0‑W7，在一次预测中，先根据过去最近14日数据训练模型，优化W0‑W7。
7.根据权利要求5所述的一种神经网络辅助的水成膜灭火剂低温预警装置的预测方式，其特征在于，输入过去2周数据，共14个点，并通过批梯度下降（Batch 
GradientDescent）策略更新参数W0‑W7以降低L2，学习率定为0.001；经过100万次迭代后完成模型优化，然后根据优化后模型和当日数据演绎模型，获取最终预测结果，即PTo_next_min神经元的值，预测下一日罐体最低温度。