1.基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，包括如下步骤：
1)定义闸门状态的关键数据，所述关键数据包括左右油缸行程偏差值ΔHc、闸门左右开度偏差值ΔH、闸门水封挤压度D、闸门噪声级别DB、闸门振动级别V；
2)采集所述关键数据，并设定误差分级标准；
3)确定所述关键数据的最佳误差范围，作为神经网络输出的期望值；
4)建立所述关键数据与油缸行程补偿值h的映射关系；
5)建立初始BP人工神经网络模型，将采集的所述关键数据输入BP人工神经网络模型，获得油缸行程补偿值h；
6)将所述油缸行程补偿值h输出至闸门电气同步纠偏控制系统，采集闸门状态的关键数据；
7)重复步骤5)～6)，进行人工神经网络训练，获得闸门运行最佳轨迹。
2.根据权利要求1所述的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特征在于：所述关键数据的误差分级标准分为程度依次加强的四级：0级、1级、2级和3级。
3.根据权利要求2所述的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特征在于：所述步骤3)中的所述关键数据的最佳误差范围指所述左右油缸行程偏差值ΔHc不大于30mm、所述闸门左右开度偏差值ΔH不大于20mm；所述闸门水封挤压度D为0级或者1级、闸门噪声级别DB为0级或者1级、闸门振动级别V为0级或者1级。
4.根据权利要求2所述的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特征在于：所述步骤4)中关键数据与油缸行程补偿值h的映射关系为：
h＝k1 k2 k3ΔHC
其中k1为闸门水封挤压度补偿系数，k2为噪声补偿系数，k3为闸门振动补偿系数，ΔHC为左右油缸行程偏差值；k1、k2和k3的取值范围均为0.0～1.0；当k1、k2和k3同时为1时，误差补偿值不输入到电气控制系统。
5.根据权利要求4所述的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特征在于：所述闸门水封挤压度补偿系数k1的取值与闸门水封挤压度D的对应关系为：所述闸门水封挤压度D为0级、1级、2级、3级时，所述闸门水封挤压度补偿系数k1的取值分别为0.0，0.2，0.4，0.8，且所述闸门水封挤压度补偿系数k1具有方向性。
6.根据权利要求4所述的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特征在于：所述噪声补偿系数k2的取值与闸门噪声级别DB的对应关系为：所述闸门噪声级别DB为0级、1级、2级、3级时，所述噪声补偿系数k2的取值分别为0.0，0.2，0.4，0.6。
7.根据权利要求4所述的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特征在于：所述闸门振动补偿系数k3的取值与闸门振动级别V的对应关系为：所述闸门振动级别V为0级、1级、2级、3级时，所述闸门振动补偿系数k3为的取值分别为0.0，0.4，0.8，1.0。
8.根据权利要求5所述的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特征在于：所述闸门水封挤压度D的误差分级标准，具体包括：
0级：水封与门槽无接触；
1级：水封在门槽顶端有轻微挤压，挤压度不大于5mm；
2级：水封在门槽顶端有挤压，挤压度不大于10mm；
3级：水封在门槽顶端有严重挤压，挤压度大于10mm，且水封与门槽完全贴紧。
9.根据权利要求6所述的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特征在于：所述闸门噪声级别DB的误差分级标准，具体包括：
0级：不大于环境噪声分贝5％；
1级：不大于环境噪声分贝10％；
2级：不大于环境噪声分贝20％；
3级：大于环境噪声分贝20％。
10.根据权利要求7所述的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特征在于：所述闸门振动级别的误差分级标准，具体包括：
0级：不大于多个振动传感器检测平均值的20％；
1级：不大于多个振动传感器检测平均值的60％；
2级：不大于多个振动传感器检测平均值的100％；
3级：大于多个振动传感器检测平均值的100％。