1.一种超临界萃取过程中工艺参数的非解耦建模优化方法，其特征在于：该方法包括以下步骤：
s1:获取影响萃取率的n个变量因素的历史生产数据和试验数据，记录所述变量因素不同取值对应的萃取率，并从中提取出样本数据；
s2:使用深度极限学习机建立以所述n个变量因素作为输入域、萃取率作为输出的模型；深度极限学习机由多层堆叠自编码器和极限学习机组成，使用多层堆叠自编码器从样本数据中提取出上述n个变量因素之间的深层特征；再以所述深层特征作为输入、萃取率作为输出，使用极限学习机进行拟合，学习萃取过程中的非线性输入输出关系；
s3:使用粒子群智能优化算法实现对超临界萃取过程中工艺参数的优化，将s2中训练完成的模型作为粒子群智能优化过程中的适应度函数，计算每个粒子的适应度函数值，寻找最优工艺参数。
2.根据权利要求1所述的一种超临界萃取过程中工艺参数的非解耦建模优化方法，其特征在于：在步骤s2中，所述多层堆叠自编码器由多个自编码器堆叠而成；
所述单个自编码器由输入层、隐层和输出层的神经网络结构组成；输入层的神经元个数等于系统输入变量的个数，输入层的n个神经元代表影响萃取率的n个变量因素，输出层和输入层结构相同，隐层有10个神经元；
自编码器包括两个部分：从输入层到隐层的映射关系是一个编码过程，通过映射函数将输入信号xi映射到隐层输出oj，即
oj＝f(wij·xi+bi),i＝1,...,8,j＝1,...,10；
从隐层到输出层的映射关系是一个解码过程，通过映射把隐层输出oj映射到输出层
隐层和输出层神经元的激活函数都为sigmoid函数，即:
网络的损失函数为均方根误差：
3.根据权利要求1所述的一种超临界萃取过程中工艺参数的非解耦建模优化方法，其特征在于：在步骤s2中，所述极限学习机对应的网络表示为：
其中，qi表示模型的输入，由堆叠自编码器提取的深层特征；ωij表示第i个输入到第j个隐层神经元的输入权重；激活函数g(z)选择sigmoid函数；βj代表输出权重；bj代表第j个隐层神经元的偏置，随机初始化网络的输入权重ωij和偏置bj之后，确定隐层的输出，再使用最小二乘方法求解出输出权值，完成网络的训练。
4.根据权利要求1所述的一种超临界萃取过程中工艺参数的非解耦建模优化方法，其特征在于：所述变量因素为萃取温度、流入阀门开度、流出阀门开度、二氧化碳流速、萃取时间、样品颗粒密度、样品颗粒直径和超临界流体密度。