1.一种芳烃歧化生产环节的产物预测方法，其特征在于，方法包括：
步骤1：接收选定的芳烃歧化生产环节的操作条件作为代理模型的输入变量，接收选定的芳烃歧化生产环节的产物产率作为代理模型的输出变量，设定输入变量的上下限范围，生成若干个初始样本点，利用机理模型获得所有初始样本点的实际输出响应值，同时生成测试样本集用于代理模型的精度验证；
步骤2：根据初始样本点以及初始样本点的实际输出响应值，建立多个子kriging代理模型；
步骤3：在样本空间内随机生成多个候选采样点，分别计算该多个候选采样点在该多个子kriging代理模型上的输出响应值，并得到每个候选采样点在该多个子kriging代理模型上的输出响应值的交叉验证方差；
步骤4：分别计算该多个候选采样点的稀疏度，将每个候选采样点的稀疏度与交叉验证方差分别归一化后相加，得到每个候选采样点的不确定性权重；
步骤5：选择不确定性权重最大的候选采样点作为新增采样点，反归一化后利用机理模型计算出实际输出响应值，将新增采样点加入到代理模型的训练样本集中以重新训练代理模型，通过多次迭代后得到最终的代理模型；
步骤6：通过建立的代理模型实现对芳烃歧化生产过程的模拟，对芳烃歧化产物产率进行预测。
2.根据权利要求1所述的芳烃歧化生产环节的产物预测方法，其特征在于，作为代理模型的输入变量的芳烃歧化生产环节的操作条件包括：歧化进料总量、进料甲苯流量、进料c9流量、循环氢流量、补充氢流量、反应温度、反应压力、进料甲苯含量、进料甲乙苯含量、进料三甲苯含量；输出变量选择歧化环节的产物产率包括：歧化氢气收率、干气收率、轻烃收率、苯收率、c8+收率。
3.根据权利要求1所述的芳烃歧化生产环节的产物预测方法，其特征在于，步骤1中的初始样本点是在各输入变量上下限范围内利用拉丁超立方采样生成，用于测试的样本集也是在搜索空间中利用拉丁超立方采样生成。
4.根据权利要求1所述的芳烃歧化生产环节的产物预测方法，其特征在于，步骤2中的初始样本点在建立多个子kriging代理模型之前先进行归一化操作。
5.根据权利要求1所述的芳烃歧化生产环节的产物预测方法，其特征在于，步骤4中的每个候选采样点的不确定性权重为：
weight＝δ2(x)/max(δ2(x))+sparsity(x)/max(sparsity(x))，其中sparsity(x)是每个候选点的稀疏度，δ2(x)是步骤3中得到的每个候选采样点在该多个子kriging代理模型上的输出响应值的交叉验证方差。
6.一种芳烃歧化生产环节的产物预测系统，其特征在于，包括：
样本生成模块，接收选定的芳烃歧化生产环节的操作条件作为代理模型的输入变量，接收选定的芳烃歧化生产环节的产物的产率作为代理模型的输出变量，设定输入变量的上下限范围，生成若干个初始样本点，利用机理模型获得所有初始样本点的实际输出响应值，同时生成测试样本集用于代理模型的精度验证；
子kriging代理模型建立模块，根据初始样本点以及初始样本点的实际输出响应值，建立多个子kriging代理模型；
交叉验证方差计算模块，在样本空间内随机生成多个候选采样点，分别计算该多个候选采样点在该多个子kriging代理模型上的输出响应值，并得到每个候选采样点在该多个子kriging代理模型上的输出响应值的交叉验证方差；
不确定性权重获取模块，分别计算该多个候选采样点的稀疏度，将每个候选采样点的稀疏度与交叉验证方差分别归一化后相加，得到每个候选采样点的不确定性权重；
代理模型建立模块，选择不确定性权重最大的候选采样点作为新增采样点，反归一化后利用机理模型计算出实际输出响应值，将新增采样点加入到代理模型的训练样本集中以重新训练代理模型，通过多次迭代后得到最终的代理模型；
模型预测模块，通过建立的代理模型实现对芳烃歧化生产过程的模拟，对芳烃歧化产物产率进行预测。
7.根据权利要求6所述的芳烃歧化生产环节的产物预测系统，其特征在于，作为代理模型的输入变量的芳烃歧化生产环节的操作条件包括：歧化进料总量、进料甲苯流量、进料c9流量、循环氢流量、补充氢流量、反应温度、反应压力、进料甲苯含量、进料甲乙苯含量、进料三甲苯含量；输出变量选择歧化环节的产物产率包括：歧化氢气收率、干气收率、轻烃收率、苯收率、c8+收率。
8.根据权利要求6所述的芳烃歧化生产环节的产物预测系统，其特征在于，样本生成模块中的初始样本点是在各输入变量上下限范围内利用拉丁超立方采样生成，用于测试的样本集也是在搜索空间中利用拉丁超立方采样生成。
9.根据权利要求6所述的芳烃歧化生产环节的产物预测系统，其特征在于，子kriging代理模型建立模块中的初始样本点在建立多个子kriging代理模型之前先进行归一化操作。
10.根据权利要求6所述的芳烃歧化生产环节的产物预测系统，其特征在于，不确定性权重获取模块中的每个候选采样点的不确定性权重为：
weight＝δ2(x)/max(δ2(x))+sparsity(x)/max(sparsity(x))，其中sparsity(x)是每个候选点的稀疏度，δ2(x)是交叉验证方差计算模块中得到的每个候选采样点在该多个子kriging代理模型上的输出响应值的交叉验证方差。