1.一种基于EEMD分解和轻量化神经网络的化工过程故障诊断方法，其特征在于，包括以下步骤：步骤1：获取化工历史时序数据，并将其作为训练样本集和测试样本集；训练样本集用于建立本方法的智能故障检测模型，测试样本集用于验证本方法的诊断精度；

步骤2：对于获取的化工历史时序数据进行预处理操作，采用EEMD分解技术分解原始的化工数据序列；

步骤3：构建网络模型并进行模型训练，使用原子轨道搜索算法AOS对LSTM模型中的训练次数和学习率以及隐含层节点数三个参数进行网络参数寻优,使用故障检测模型AOS‑LSTM来构建主干的分类网络；

步骤3.1：首先通过如下公式对候选解进行初始化，确定电子的初始位置：其中， 表示候选解的初始位置， 是第i个候选解的第j个决策变量的最小和最大界限，rand是[0,1]范围内的均匀分布随机向量；

步骤3.2：设置电子数量、区域空间内虚拟层数以及候选解的维数；对学习率和训练次数以及隐含层节点数进行寻找；

每个电子都有一个能量状态，也就是候选解的目标函数值，更好目标函数值的候选解代表具有更低能级的电子，以下向量方程用于包含不同电子的目标函数值：其中，i为电子的数目，即可行解的数目， 是第k个虚拟层中的第i个解的目标函数值；

每个候选解以及每个候选解对应的能量密度，用下式表达：

其中， 是第k个虚拟层中的第i个候选解，k为第k个虚拟层，n为最大的虚拟层数；j为可行解的维数；

k

AOS算法将整个搜索域的最优适应度叫做LE，将第k个虚拟层中的最优解叫做LE，通过k全局最优和当前最优对电子的位置进行牵引寻优，最低能级的电子LE或LE是最优的候选解；

使用交叉熵的值作为电子的适应度函数，计算电子的适应度值，更新最优的适应度值，从而寻找到最优的模型参数，适应度函数如下：其中，y为输出实际值，为输出预测值；将训练LSTM得到的损失函数值作为AOS的适应度值，如果适应度值优于局部最优值和全局最优值，则更新这两者的值，若满足最小误差或者达到最大迭代次数就输出模型参数，将所得的参数用来训练LSTM模型，如果不满足就对算法进行更新；

步骤3.3：先计算第K个虚拟层的可行解的位置和适应度均值，获得局部最优解，得到第k kk个虚拟层的结合态BS和结合能BE，公式如下：

步骤3.4：通过全部的可行解的位置和适应度的均值，得到整体最优解，确定整体的结合态BS和结合能BE公式如下：步骤3.5：设置算法的迭代次数为100次，首先设置一个光子速率PR，在(0,1)范围内为每个电子生成一个均匀分布的随机数φ，当φ＞PR时且当 电子会移动到低的虚拟层，是对电子的位置进行更新，更新方式如下式:当 电子会移动到高的虚拟层，更新方式如下式：

α、β和γ都为随机生成的数字的向量，均匀分布在(0,1)之间；

k

LE为搜索域中最低能级的电子，LE为第k个虚拟层中最低能级的电子；

当φ＜PR时,此时电子受其它作用影响，而不是光子作用，电子位置更新如下式：其中r为φ的向量；

步骤3.6：在迭代完成到达结束条件时，输出全局最优解，并以该解为最优的学习率和训练次数以及隐含层节点数，也就是确定LSTM的最优参数，应用参数构建AOS‑LSTM模型，LSTM包括记忆细胞ct和三个门限：输入门it，遗忘门ft和输出门ot，当输入序列为xt时，三个门限和记忆细胞的输出如下：ft＝σ(wf[ht‑1,xt]+bf)

ot＝σ(wo[ht‑1,xt]+bo)

it＝σ(wi[ht‑1,xt]+bi)

ct＝ft×ct‑1+it×tanh(wg[ht‑1,xt]+bg)上述式中，σ为sigmod函数，ht‑1为前一时刻单元的输出，wi、wf、wo、wg为模型参数，bf、bi、bo、bg为偏置项；

在确定了LSTM网络的最优参数后，将数据输入到LSTM神经网络中进行训练，提取得到具有时间特性的特征信息，在网络中加入BN层，使用Adam优化器来对网络进行优化，最后由Softmax分类器进行故障类别的分类，得到最终的结果；

步骤4：对步骤3中网络模型进行压缩剪枝，在步骤3网络模型中使用BN层，采用剪枝的方法在BN层的缩放因子上加入L1；

步骤5：利用优化后的网络模型实现化工过程故障诊断。

2.根据权利要求1所述的基于EEMD分解和轻量化神经网络的化工过程故障诊断方法，其特征在于，所述步骤2中预处理包括如下步骤：步骤2.1：对于获取的化工时序数据，采用EEMD分解技术分解原始的化工数据序列，在原始信号数据x(t)中加入随机高斯白噪声xm(t)＝x(t)+knm(t)，式中，k为所加噪声幅值系数；

步骤2.2：然后利用EMD方法对信号xm(t)进行分解，获得IMF分量；

步骤2.3：每次加入不同的高斯白噪声序列，重复步骤2.1、2.2；

步骤2.4：将分解得到的各个IMF分量的均值记为最终分解结果 N为加噪声的次数；ci,m表示第m次EMD分解得到的第i个IMF分量；

步骤2.5：针对分解后的数据进行标准化处理，求出数据的均值和标准差，通过公式得到标准化处理后的数据，μ是样本数据的均值，σ是样本数据的标准差，标准化处理后适当选取训练样本与测试样本。

3.根据权利要求2所述的基于EEMD分解和轻量化神经网络的化工过程故障诊断方法，其特征在于，所述步骤2.2利用EMD方法对信号xm(t)进行分解具体为：首先找到信号x(t)所有的极值点，用3次样条曲线拟合出上下极值点的包络线，并求出上下包络线的平均值m(t)，在x(t)中减去m(t)得到h(t)，判断中间信号h(t)的极值点的个数和过零点的个数必须相等或相差最多不能超过一个，并且在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零；如果满足条件，h(t)就是一个IMF分量，如果不是，则以h(t)代替x(t)，重复以上步骤直到h(t)满足条件，获得IMF分量。

4.根据权利要求1所述的基于EEMD分解和轻量化神经网络的化工过程故障诊断方法，其特征在于，所述步骤4中对网络模型进行剪枝的具体操作为：采用剪枝的方法在BN层的缩放因子上加入L1，L1正则化对权重参数做了稀疏与特征选T 2择，L1正则化的公式为：min∑(yi‑wxi)+λ||w||1，其中前一项为损失函数，后一项表示有些权重比较小的数值会被正则化处理；

最终BN层会进行如下转换： zout＝αz+β,其中μβ和σβ是BN层上输入激活的均值和标准方差，α和β表示尺度和位移，它提供了将归一化激活线性转换回任何尺度的可能性，将BN层中的α参数作为需要的缩放因子。