1.一种基于多变量相关性分析的化工过程故障诊断方法，其特征在于，包括：(1)采集数据SD＝[s1,s2,...,sn]，其中s为变量，n为变量个数；为每一组数据添加表示正常状态或者特定故障状态的标签lz， 为标签种类数；根据数据SD和标签lz构建样本数据集；

(2)采用ReliefF特征选择算法，从样本数据集中筛选出与故障具有强相关性的特征输入变量，构成关键特征集；

(3)采用HVD分解算法，对关键特征集进行分解得到若干IMF分量，利用斯皮尔曼相关系数提取出与关键特征集具有强关联性的IMF分量，构造信号分解后的能量变化率特征向量作为样本集；

(4)构建TimesNet和OSRELM融合的故障诊断模型TimesNet‑OSRELM，利用样本集对TimesNet‑OSRELM模型进行训练；

(5)利用经训练的TimesNet‑OSRELM模型进行故障诊断，根据故障诊断结果与设定的警报阈值，确定故障是否发生以及故障类型；

步骤(4)中，利用NRBO算法对OSRELM模型的正则化参数C和山脊参数L进行优化；

步骤(4)中，引入精英反向动态边界策略和自适应正余弦搜索策略对NRBO算法进行改进；精英反向动态边界策略包括：

1)精英反向动态边界不断缩小搜索空间，提高引入位置更新中对搜索空间，提高NRBO的寻优效率，表达式如下：式中，xn+1为迭代后个体的位置；r1∈(0,1)内的随机数；ub是被优化参数的上限；lb是被优化参数的下限； 为个体的最优位置；

2)自适应正余弦搜索策略包括：

牛顿‑拉夫逊优化算法的后期寻优中加入正余弦搜索策略，对最优解进行扰动，从而得到新解，减少原始算法易陷入局部最优解的可能性，公式如下：w(n)＝wmax*(wmax‑wmin)*(Mit‑n)/Mit(14)其中， 为个体扰动后的位置，sin(n)表示正弦函数，cos(n)表示余弦函数，n为第n次迭代次数，w(n)为自适应惯性权重；P为随机概率；wmax为最大惯性权重；wmin为最小惯性权重；Mit为最大迭代次数。

2.根据权利要求1所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(1)中，采集的数据包括过程变量数据和操作参数数据。

3.根据权利要求1所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(2)中，ReliefF特征选择算法筛选特征输入变量包括：(201)初始化：为样本数据集中的每个特征赋予一个初始权重；

(202)迭代抽样：进行多次迭代，在每次迭代中，随机选择一个样本点sg，在sg的同类样本中找到k个最近邻样本NHT，在不同类中找到k个最近邻样本NMS；

(203)更新权重：对于每个特征，计算sg与NHT和NMS的差异，并更新特征权重，更新公式如下：其中，ωz+1为更新后的特征权重，ωz为更新前的特征权重，diff(z,sg,NHTt)表示特征z在样本点sg和NHTt上的差值；class(sg)表示样本点sg所属的故障类型或者状态，P(class(sg))表示样本点sg所属类别的先验概率，P(C)为类C的先验概率，NMS(C)为第C个不同类的第t个最近邻点，diff(z,sg,NMS(C)表示特征z在样本点sg和NMS(C)上的差值；步骤(201)至(203)重复m次；

(204)计算平均权重：在m次迭代后，计算每个特征的平均权重；

(205)根据特征的平均权重，选择权重最大的前H个特征输入变量，构成关键特征集。

4.根据权利要求1所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(3)中，HVD分解算法分解关键特征集包括：(301)计算幅值最大分量的瞬时频率：

其中，F(t)表示二分量非平稳信号；a1(t)表示信号的第一个分量的瞬间幅值；a2(t)表示信号的第二个分量的瞬间幅值；i表示虚数单位；f1(t)表示信号的第一个分量的瞬时频率；f2(t)表示信号的第二个分量的瞬时频率；θ1表示信号的第一个分量的初始相位；θ2表示信号的第二个分量的初始相位；

当a1(t)>a2(t)时，经过希尔伯特变换得到的瞬时频率为：其中，f(t)表示瞬时频率；f1表示分量幅值最高的瞬时频率，f2表示分量的瞬时频率；

(302)计算幅值最大分量的瞬时幅值和相位，用两个正交信号分别乘以原信号F(t)，同时采用滤波器滤去振荡部分，由此可以计算瞬时幅值ar(t)和瞬时相位θr：其中， 表示采用低通滤波器滤去的振荡部分所得到的同相输出信号； 表示采用低通滤波器滤去的振荡部分所得到的正交相输出信号；

(303)迭代计算，通过重复上述步骤(301)和(302)，提取最大幅值分量F1(t)，并将二分量非平稳信号F(t)与最大幅值分量F1(t)作差，由此可得到新的初始信号Fn‑1(t)：Fn‑1(t)＝F(t)‑F1(t)(6)

重复步骤(301)和(302)直至得到满足条件的幅值分量后结束。

5.根据权利要求4所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(3)中，斯皮尔曼相关系数提取IMF分量包括：将关键特征集经HVD分解为q个独立的IMF分量，通过式(7)和式(8)计算未损伤信号Ewp和有损伤信号Eyp的最优IMF分量能量：其中，T为采样时间；Fwp(t)为未损失状态下信号分解的IMF分量；Fyp(t)为有损失状态下信号分解的IMF分量；p为最优IMF分量的阶数；

由式(7)和式(8)可以得到损伤前后的最优IMF能量，由此可得能量变化率构造信号分解后的能量变化率特征向量作为样本集，并划分训练集和测试集。

6.根据权利要求4所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(3)中，由式(6)的迭代次数n或者Fn‑1(t)的归一化标准差σ＜0.001作为迭代的终止条件。

7.根据权利要求1所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(4)中，能量变化率特征向量输入到TimesNet，利用TimesNet进行特征选择将输入的特征变量由一维序列X1D经过嵌入层得到深度特征 即第L层TimesBlock的输入为并且第L层通过2D卷积提取二维时序变化，如公式(10)所示；

其中， 为第L层TimesBlock的输出；

使用TimesNet中TimesBlock模块对输入的特征向量进行隐式特征提取，提取后的数据送入到OSRELM的输入层；

牛顿‑拉夫逊优化算法流程如下：

①选着初始点x0：从参数定义域中随机选择一个初始点x0，作为算法的起始点；

②计算适应度函数f(x)和其导数f'(x)：在初始点x0处计算函数f(x)的值以及一阶导数f'(x)的值；这些值将用于更新迭代点；

③更新迭代点：利用牛顿‑拉夫逊公式进行迭代，计算下一个迭代点xn+1：其中xn是第n次迭代的近似根；f(xn+1)是函数在xn处的值；f'(xn+1)是函数在xn处的导数值；

④检查收敛条件：当达到算法最大迭代次数或者满足分类精度时，此时认为算法趋于收敛，停止迭代；

⑤重复迭代：如果未满足停止条件，则重复步骤②和步骤③，直到满足停止条件；

⑥输出结果：当满足停止条件时，输出最优的正则化参数C和山脊参数L。