1.基于相关性分析的CNN‑LSTM突发故障预警方法，其特征在于，具体按照以下步骤实施：步骤1、构建制氩空分系统的突发故障阈值策略，通过监测的突发故障数据，确定突发故障出现的阈值；

步骤2、保留影响制氩空分系统突发故障发生的特征因素：对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析，保留具有相关性的特征变量，确定影响系统发生突发故障的特征因素；

步骤3、构建数据集构造策略：针对步骤2中的特征因素，构建突发故障预警数据集；

步骤4、实现特征提取：通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取，得到最终的特征映射序列；

步骤5、实现突发故障的预测：将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络，利用训练好的网络对测试样本进行预测，得到制氩空分系统运行状态的预测结果，结合步骤1中的阈值对预测结果进行分析，实现网络对突发故障的预警功能。

2.根据权利要求1所述的基于相关性分析的CNN‑LSTM突发故障预警方法，其特征在于，所述步骤1具体如下：步骤1.1、对制氩空分系统中精氩塔采集的温度数据进行划分：将直接反应制氩空分系统突发故障的M个时刻的精氩塔温度数据以n为间隔，划分到N个子区间内；

步骤1.2、统计所述步骤1.1得到的各子区间内的数据长度，并绘制柱状图；

步骤1.3、利用所述步骤1.2所得各子区间的数据长度，计算各子区间数据长度占总数据长度的百分比，并将所述步骤1.1得到的子区间划分到制氩空分系统的三类运行状态，即正常状态S1、趋于故障状态S2和故障状态S3中，若子区间数据长度占总数据长度的百分比大于10％，则将子区间划分到制氩空分系统的正常状态S1中；若子区间数据长度占总数据长度的百分比在5％‑10％之间，则将子区间划分到制氩空分系统的趋于故障状态S2中；若各子区间数据长度占总数据长度的百分比小于5％，则将子区间划分到制氩空分系统的故障状态S3中；

步骤1.4、计算突发故障的阈值：去除正常状态S1的数据，设趋于故障状态S2和故障状态S3的数据长度分别为t2和t3，根据式(1)计算两种状态的平均值，该平均值即为突发故障的阈值：其中，趋于故障状态S2中的第i个数据记为si，故障状态S3中的第j个数据记为sj，k表示制氩空分系统运行状态的个数，q为制氩空分系统突发故障发生的阈值。

3.根据权利要求2所述的基于相关性分析的CNN‑LSTM突发故障预警方法，其特征在于，所述步骤2具体如下：步骤2.1、对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行编号，将影响制氩空分系统突发故障的精氩塔温度数据编号为v，将其他部件的传感器监测数据编号为xm，m＝1,...,n，其中，xm表示制氩空分系统中第m个传感器的监测数据，n表示制氩空分系统中传感器的总个数；

步骤2.2、通过以下4个条件，判断步骤2.1中的变量xm和v是否满足计算Pearson相关系数的条件，如若其中某一变量未满足任意一条要求，则不可使用Pearson相关系数分析变量间的相关性，4个条件如下：(1)xm和v的标准差不可为0；

(2)xm和v之间需满足线性关系；

(3)xm和v的总体分布符合正态分布，或接近正态的单峰分布；

(4)xm和v的观测值成对存在，且每对观测值之间相互独立；

步骤2.3、计算步骤2.2之后的xm和v之间的Pearson相关系数 并计算v对自身的Pearson相关系数；

步骤2.4、利用所述步骤2.3中的Pearson相关系数 结合式(6)排除弱相关和极弱相关变量xr，r＝1,...w,w≤n，其中，xr表示被排除的变量，w表示被排除变量的个数，结合式(7)保留具有相关性的变量xp，p＝1,...h,h≤n，xp表示保留变量，h表示保留变量的个数，此处xp即为影响制氩空分系统突发故障发生的特征因素：

4.根据权利要求3所述的基于相关性分析的CNN‑LSTM突发故障预警方法，其特征在于，所述步骤2.3具体如下：步骤2.3.1、通过式(2)计算xm和v的数学期望，其中，xk表示变量xm中第k个数据， 为对应数据的概率，lk表示变量v中第k个数据， 为对应数据的概率，Nk和Nv分别表示xm和v的数据个数；

步骤2.3.2、通过式(3)计算xm和v的标准差 和 其中，ux和uv分别表示xm和v的算数平均值；

步骤2.3.3、通过式(4)计算xm和v的协方差；

Cov(xi,v)＝E((xi‑Exi)(v‑Ev))      (4)步骤2.3.4、根据式(5)计算xm和v的Pearson相关系数

5.根据权利要求3所述的基于相关性分析的CNN‑LSTM突发故障预警方法，其特征在于，所述步骤3具体如下：步骤3.1、构造样本集：将步骤2中保留的特征因素转换为矩阵形式；

步骤3.2、构造子训练集和子测试集：将每个特征因素xp按照7:3的比例划分为子训练集和子测试集；

步骤3.3、构造总训练集和总测试集：将所述步骤3.2得到的各子训练集按照列堆叠的形式合并为总训练集，同时，按照总训练集中各子训练集的合并顺序，将各子测试集以列堆叠的形式合并为总测试集，最终形成由总训练集和总测试集构成的突发故障预警数据集。

6.根据权利要求5所述的基于相关性分析的CNN‑LSTM突发故障预警方法，其特征在于，所述步骤5具体如下：以所述步骤4卷积神经网络CNN提取到的特征映射序列作为长短期记忆网络LSTM的输入，每进行一次预测得到输出的预测结果，将该预测结果和制氩空分系统实时采集的真实数据之间的误差反向传播给LSTM网络，并对网络中的各参数进行调优，当网络的误差小于

0.05时，说明网络收敛，可以对空分系统的突发故障进行预警。