1.一种压缩机故障实时检测及预警方法，其特征在于，包括以下步骤：

(1)预先获取历史压缩机运行数据；

(2)对运行数据先进行数据预处理，去除缺失值和异常值，进行归一化处理；采用季节性趋势分解STL进行数据分解，将数据分解为周期项、趋势项和残差项；对分解后的数据，采用离散时域傅里叶变换DTFT对数据进行特征提取；

(3)采用K折交叉验证法，将周期项、趋势项和残差项分割为K组数据集，划分为训练集和测试集；

(4)构建由TimeMixer模型和GBDT模型组成的压缩机故障实时检测模型；将训练集数据中周期项、趋势项输入至Timemixer模型进行训练；将训练集数据中残差项输入至梯度决策提升树GBDT模型中进行训练；将两个模型的输出累加，为压缩机故障实时检测模型的最终输出结果；

(5)对压缩机故障实时检测模型性能进行评估，计算每次训练的均方根误差RMSE、平均对称绝对百分比误差SMAPE及平均绝对误差MAE每项性能指标的平均值和标准差，并利用包络熵为RMSE、SMAPE、MAE分配自适应权重ω，对三项性能指标加权，并结合自适应权重构建加权预测函数；

(6)利用改进开普勒优化算法对TimeMixer模型和GBDT模型的关键参数组进行寻优，将优化后的模型传输至步骤(4)重新训练，并再次验证，若平均值和标准差不小于设定阈值，则重复此步骤；若平均值和标准差小于设定阈值，则输出离线压缩机故障实时检测模型；

(7)实时采集压缩机运行数据，利用训练好的压缩机故障实时检测模型进行实时预测，实时监测模型准确率；若压缩机故障实时检测模型的准确率不在阈值内，则返回步骤(4)进行模型更新训练；

(8)分级设定预测结果故障概率阈值α，进行实时故障报警。

2.根据权利要求1所述的一种压缩机故障实时检测及预警方法，其特征在于，步骤(1)所述压缩机运行数据包括温度、压力、流量、液位和振动。

3.根据权利要求1所述的一种压缩机故障实时检测及预警方法，其特征在于，步骤(5)实现过程如下：根据每个性能指标的时间序列数据构建嵌入向量，对于每个嵌入向量，计算其与所有其他向量在容忍度r内的距离，并确定相似性，对于嵌入维度m和容忍度r，计算至少有一个其他向量在容忍度内相似的向量比例φ(m,r,指标)，为每个指标计算其包络熵，公式为：ApEn(m,r,RMSE)＝φ(m,r,RMSE)‑φ(m+1,r,RMSE)ApEn(m,r,SMAPE)＝φ(m,r,SMAPE)‑φ(m+1,r,SMAPE)ApEn(m,r,MAE)＝φ(m,r,MAE)‑φ(m+1,r,MAE)

使用包络熵结果为每个性能指标分配权重ωz，并将权重标准化，所有权重总和为1，使得公式为：式中，z为RMSE、SMAPE、MAE中的一种，包络熵越大则权重越小，Σωz为所有权重总和；将三项性能指标进行配合权重，构建加权预测函数L(ω)，公式为：L(ω)＝ωRMSE·RMSE+ωSMAPE·SMAPE+ωMAE·MAE。

4.根据权利要求1所述的一种压缩机故障实时检测及预警方法，其特征在于，步骤(6)所述利用改进开普勒优化算法对TimeMixer模型和GBDT模型的关键参数组进行寻优，具体为：初始化关键参数组合，公式为：

式中，Xi为第i组关键参数组，N为搜索空间中关键参数组的个数， 和 为第j个关键参数的上界和下界，d为待优化TimeMixer和GBDT模型关键参数的个数，rand[0,1]为0到1之间的随机生成数；

定义关键参数的搜索趋势，每一个关键参数组都会向最优组的方向进行搜索，根据万有引力定律可得，公式为：式中， 和 表示Ms和mi的归一化值，分别表示最优关键参数组和一般关键参数组的大小，ε为一个很小的值，μ(t)为随时间t呈指数递减的函数，以控制搜索精度，ei为行星的轨道偏心率，以调整勘探与开发之间的平衡，r1为0到1之间的随机生成数，以便在优化过程中使搜索趋势有更大的变化， 是Ri的归一化值，表示最优关键参数组和一般关键参数组之间的欧氏距离，γ为常数，μ0为初始值，t和Tmax为当前迭代次数和最大迭代次数；

最优关键参数组和一般关键参数组在t时刻的大小用适应度评估，此时加入L1正则化，构建综合适应度函数，公式为：J(ω)＝L(ω)+λ||ω||1

式中， 为L1范数，λ为正则化系数，fit(t)为综合加权预测函数，r2为0到1之间随机生成的数字，用于分散不同候选解的大小；

当一般关键参数组接近最优关键参数组时会更加积极的进行搜索，相应的提高搜索速度，相反，当一般关键参数组远离最优关键参数组时，会放慢搜索速度，计算候选解的更新速度，公式为：M＝(r3×(1‑r4)+r4)

式中，Vi(t)为一般关键参数组在t时刻的速度，r3和r4为区间[0，1]的随机生成数， 为0～1之间的随机值的向量， 和 为从总体随机选择的解决方案，Γ为该算法逃离局部最优值的标志，Ri‑norm(t)为t时刻最优解与候选解之间的欧氏距离，并进行归一化处理，公式为：式中，如果Ri‑norm(t)≤0.5，则该组关键参数靠近最优关键参数组，并且由于最优关键参数组具有指向性的搜索趋势，将增加一般关键参数组更新速度防止向最优关键参数组漂移，否则，一般关键参数组更新速度会变慢；

当一般关键参数组向最优关键参数组靠近，陷入局部最优时，加入精英策略，改变搜索方向，用来逃离局部最优；

一般关键参数组在一定时间内，会逐渐靠近最优关键参数组，然后逐渐远离最优关键参数组，算法主要用开发阶段和探索阶段来模拟这两个阶段；在探索阶段，一般关键参数组与最优关键参数组之间差距较大，会更新每个远离最优关键参数组的一般关键参数组的新位置，公式为：式中， 为一般关键参数组到达新位置所需的速度， 为当前最优关键参数组的位置；

当一般关键参数组靠近最优关键参数组时，算法进入开发阶段，当一般关键参数组远离最优关键参数组时，算法进入探索阶段，引入参数h，h较大时，利用探测算子扩大候选解的搜索范围，h较小时，使用开发操作对该搜索范围进行开发，一般关键参数组与最优关键参数组之间的距离最小，则为目前最好的解决方案，公式为：η＝(a2‑1)×r4+1

式中，h为自适应因子，来控制最优关键参数组和当前关键参数组之间的距离，r为正态分布随机生成的数字，η为1到‑2的线性递减因子，a2为一个循环控制参数，在T个周期内从‑

1逐渐减小到‑2；

执行精英策略，确保一般关键参数组和最优关键参数组的最佳位置，公式为：

5.根据权利要求1所述的一种压缩机故障实时检测及预警方法，其特征在于，步骤(7)中利用训练好的模型进行实时预测，实时监测模型性能指标，确保指标在阈值内，具体为：当离线模型部分输出经过改进开普勒优化算法训练后的综合模型时，综合模型用于在线预警部分进行实时预测故障，此时统计综合模型输出结果，计算综合模型输出结果的准确率，并设定准确率的阈值，当准确率低于设定阈值时，模型需返回离线模型部分重新训练模型，同时更新用于模型离线训练的数据库。

6.根据权利要求1所述的一种压缩机故障实时检测及预警方法，其特征在于，步骤(8)实现过程如下：若0.7＞α≥0.5，则判定为警告；若0.9＞α≥0.7，判定为严重；若1≥α≥0.9，判定为紧急。

7.一种采用如权利要求1至6任一所述方法的压缩机故障实时检测及预警系统，其特征在于，包括：数据存储模块：存储历史压缩机运行数据，为中央集成处理模块进行训练模型的数据输入做准备；

数据优化提取模块：对运行数据先进行数据预处理，去除缺失值和异常值，进行归一化处理；采用季节性趋势分解STL进行数据分解，将数据分解为周期项、趋势项和残差项；对分解后的数据，采用离散时域傅里叶变换DTFT对数据进行特征提取；采用K折交叉验证法，将周期项、趋势项和残差项分割为K组数据集，划分为训练集和测试集；

压缩机故障实时检测模型构建及训练模块，构建由TimeMixer模型和GBDT模型组成的压缩机故障实时检测模型；将训练集数据中周期项、趋势项输入至Timemixer模型进行训练；将训练集数据中残差项输入至梯度决策提升树GBDT模型中进行训练；将两个模型的输出累加，为压缩机故障实时检测模型的最终输出结果；对压缩机故障实时检测模型性能进行评估，计算每次训练的均方根误差RMSE、平均对称绝对百分比误差SMAPE及平均绝对误差MAE每项性能指标的平均值和标准差，并利用包络熵为RMSE、SMAPE、MAE分配自适应权重ω，对三项性能指标加权，并结合自适应权重构建加权预测函数；

压缩机故障实时检测模型优化模块：利用改进开普勒优化算法对TimeMixer模型和GBDT模型的关键参数组进行寻优，输出离线压缩机故障实时检测模；

警报模块：分级设定预测结果故障概率阈值，进行实时故障报警。

8.根据权利要求7所述的一种压缩机故障实时检测及预警系统，其特征在于，所述系统还包括总监控屏模块，用于监控全系统的运行状态。

9.根据权利要求7所述的一种压缩机故障实时检测及预警系统，其特征在于，所述系统还包括实时数据获取模块，实时采集压缩机运行数据，利用训练好的压缩机故障实时检测模型进行实时预测，实时监测模型准确率；若压缩机故障实时检测模型的准确率不在阈值内，则将数据传输至压缩机故障实时检测模型构建及训练模块，重新进行模型训练。

10.根据权利要求7所述的一种压缩机故障实时检测及预警系统，其特征在于，所述实时故障包括警告、严重和紧急三种。