1.一种混合注意力卷积神经网络与XGBoost算法的工业过程性能评估方法，其特征在于包括如下步骤：步骤1、数据处理：以一定频率采集工业过程中系统变量的运行数据，建立包含多变量，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2、构建注意力卷积神经网络故障诊断模型；

步骤3：利用划分好的训练集训练注意力卷积网络模型；

步骤4：将模型性能最好时所提取到的特征输入到XGBoost分类器中拟合提升树；

步骤5：故障诊断：将测试集输入到ACNN‑XGBoost模型中，XGBoost分类器的输出可以反映模型最终的诊断结果；

所述数据预处理是指对数据集进行离差标准化处理(Min‑maxnormalization),具体转换函数如下：式中min(x)和max(x)分别表示数据样本中的最小值和最大值，xi表示样本数据；

所述对故障类型进行编号打标签是指对数据集进行one‑hot编码，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；

所述注意力卷积神经网络故障诊断模型由三层卷积神经网络、两个注意力卷积模块以及FC层叠加构成；

所述三层卷积神经网络中每层都与BN层叠加，卷积层对数据进行卷积运算，采用elu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L2正则化技术；其中卷积层的卷积运算如下式所示：[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；

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；相关操作如下：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；

两个注意力卷积模块在每两次卷积之后添加注意力机制模块；注意力机制模块函数表示如下：C*H*W C*1*1

先设输入特征为F∈R ,CABM依次推断出一维通道权重系数：MC∈R 和一个二维的

1*H*W

空间权重系数:Ms∈R ，整体的公式为：

分别是通道注意力和空间注意力操作，其中 表示对应元素相乘。

2.如权利要求1所述的混合注意力卷积神经网络与XGBoost算法的工业过程性能评估方法，其特征在于：所述elu激活函数，其计算公式为：

FC层通过权值矩阵将提取的深层特征进行融合，经Dropout层后，输入到softmax层，并将输出结果与真实标签的交叉熵作为损失函数；

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，其具体操作为：式中Bernoulli(p)函数表示以概率p随机生成一个0或1的向量，wi，bi分别表示第i个神l经元的权重和偏置，y 表示第l层的输入，f(·)表示激活函数之后将输出结果输入到Softmax分类层；

Softmax分类层将输入特征进行分类运算，其计算公式如下：式中zi表示第i个输出神经元的输出。

3.如权利要求2所述的混合注意力卷积神经网络与XGBoost算法的工业过程性能评估方法，其特征在于：步骤3具体为：将上述划分好的训练集输入到ACNN模型中进行训练，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adam优化器进行反向传播，更新整个模型的参数，优化损失函数。

4.如权利要求3所述的混合注意力卷积神经网络与XGBoost算法的工业过程性能评估方法，其特征在于：步骤4具体为：对于给定一个具有n个样本和m个特征的数据集D＝{(Xi,yi)}(|D|＝n,Xim∈R ,yi∈R)，提升树模型对样本i通过t迭代后预测其输出 公式如下：m T

式中F＝{f(x)＝wq(x)}(q:R→T,w∈R)为提升树构成的函数空间；q表示将示例映射到相应叶索引的每棵树的结构；T树上叶子的数目；每个fk对应一棵独立树结构q以及权重w；

XGBoost的目标损失函数L主要由正则项Ω和损失函数l所组成，具体为式中yi和 分别为真实值和预测值，γ和λ分别为L1和L2的正则系数，二者共同决定提升树模型的复杂度；

XGBoost算法使用二阶泰勒展开进行近似以便优化损失函数，如下式中 分别是损失函数的一阶和二阶导数；忽略常数项 并将第j个叶子节点样本集Ij＝{i|q(xi)＝j}带入，可以简化为对wj求导计算最优权重

通过计算得到相应的最优目标函数值

通过贪心算法比较分裂增益来选择特征的切分点，设IL和IR是分割后左右节点的集合，则分裂增益值可以用下式表示：