1.工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于包括如下步骤：步骤一、以频率fs采集工业过程系统变量的运行数据，建立一个含有多变量，多类型故障的数据集，并对其进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；

步骤二、构建多尺度残差卷积与LSTM网络故障诊断模型，包括残差模块、多尺度残差模块、LSTM模块以及分类模块，具体包括如下步骤：步骤2.1、残差模块包括卷积层和BN层，卷积层对数据进行卷积运算，采用relu激活函数，padding采用same表示填充输入，使得输出与输入具有相同的长度，并使用正则化；

BN层对输入数据进行批归一化操作，使得输出数据的均值0，方差为1；

残差模块的输出结果输入到最大池化层中；

步骤2.2、多尺度残差模块分别采用不同卷积核大小的卷积核数量为64的残差模块并行连接，将提取到的特征数据拼接成特征向量，通过多尺度特征连接模块进行特征融合得到输出特征y，之后输入到LSTM模块；

步骤2.3、LSTM模块包括两层单元数分别为64和128的LSTM网络、BN层以及最大池化层，采用激活函数，输出结果输入到分类模块中；

步骤2.4、分类模块包括全连接层与dropout层，全连接层将卷积网络提取到的局部特征进行展平加权，输入到dropout层；

dropout层以概率p随机丢弃网络中的神经元，加强模型的泛化能力，之后将输出结果输入到分类层；

步骤三、利用训练集训练多尺度残差卷积与LSTM网络故障诊断模型，以故障类型标签作为所述模型的输出，将输出标签与真实标签的交叉熵作为损失函数，利用优化器进行反向传播，更新整个模型的参数，优化损失函数；

步骤四、将测试集输入训练好的多尺度残差卷积与LSTM网络故障诊断模型中，进行故障识别，输出诊断结果。

2.如权利要求1所述的工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于所述步骤2.1中的卷积运算如下：[l] [l] [l‑1] [l]

x ＝f(W *x +b )    (2)

[l] [l]

式中x 表示第l层的输出，l∈[1，2，…,n]，W 表示第l层卷积核，“*”表示卷积运算，b[l]表示第l层对应的偏置，f(·)表示激活函数。

3.如权利要求1所述的工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于所述步骤2.1中的BN层，具体操作如下：式中 表示经BN层计算后的输出；yi表示输入的特征值；E表示输入特征值的均值；D表示输入特征值得方差；γ和β表示模型中需要训练的参数。

4.如权利要求1所述的工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于所述步骤2.1中的正则化是L2正则化，具体表示如下：(n) n

式中N表示样本数，y 表示第n个样本的实际标签，n∈[1,2,…,N]，x表示第n个样本，θ为其参数，lp为范数函数，p∈[1,2]，代表L2范数，λ为正则化系数，f(·)为学习的神经网络，L(·)为损失函数。

5.如权利要求1所述的工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于所述步骤2.1中的最大池化层，具体计算如下：h＝max(c(t))    (6)

式中h表示池化层的输出，c(t)表示输入特征中每个神经元的数值集合，t∈[1，2，…,n],表示第t个神经元。

6.如权利要求1所述的工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于所述步骤2.3中的激活函数是tanh激活函数，具体计算公式如下：

7.如权利要求1所述的工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于所述步骤2.4中的全连接层，具体计算公式如下：y＝W*x+b    (8)

式中W表示权重，b表示偏置，x表示输入神经元，y表示加权后的输出。

8.如权利要求1所述的工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于所述步骤2.4中的分类层是Softmax分类层，将输入特征进行分类运算，其计算公式如下：式中 表示第i个输出神经元的值。

9.如权利要求1所述的工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于所述步骤一中的数据预处理，是指对数据集进行离差标准化处理，对采集的原始信号数据集进行线性变化，使数据样本落在[0，1]区间，相关转换函数如下：式中min{·}表示原始数据中的最小值，max{·}表示样本数据中的最大值，xi表示样本数据。

10.如权利要求1所述的工业过程的多尺度残差卷积与LSTM融合性能评估方法，其特征在于所述步骤一中的打标签，是指对数据集进行one‑hot编码，即使用N位状态寄存器来对N个故障进行编码，每个故障都有各自独立的寄存器位，且在任意时刻，只有其中一位有效。