1.一种基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，包括以下步骤：步骤S1：获取历史数据库中的正常工况数据X0，利用其均值mean(X0)和标准差std(X0)对历史数据Xold标准化，得到标准化后的训练数据X；

步骤S2：利用慢特征分析SFA方法从训练数据X中提取慢特征S＝[S1,S2,...,SM]；

步骤S3：引入Jensen‑Shannon散度JS，结合滑动窗口方法处理慢特征S，将其映射到概率空间，得到训练数据X的概率慢特征P＝[P1,P2,...,PM]；

步骤S4：数据集制备：重复步骤S2和步骤S3，得到正常工况及各故障类型的若干概率慢特征数据样本，标记故障标签，作为训练数据集；

步骤S5：利用训练数据集构建对比学习样本对；

步骤S6：利用训练数据集样本对训练以一维卷积神经网络1D‑CNN为主干网络的对比学习特征提取器；

在步骤S6中，利用训练数据集样本对训练以1D‑CNN为主干网络的对比学习特征提取器的具体步骤为：S601、根据训练数据慢度自适应调整对比损失温度系数τ；

S602、利用1D‑CNN为主干的特征提取网络提取样本pi的特征zi；

S603、利用提取的特征zi计算慢特征对比损失Lsf；

S604、使用自适应矩估计算法Adam优化器更新网络参数，保存参数；

在所述步骤S601中，根据训练数据慢度调整对比损失温度系数τ的具体方法为：慢度是慢特征分析中的重要概念，慢度的大小是衡量数据变化快慢情况的重要指标，随时间变化较快的慢特征为噪声特征，而随时间变化较慢的慢特征反映数据真实的变化情况；

温度系数τ是对比损失的重要参数，其取值范围为0‑1，决定着对比学习中模型对样本的区分度，温度系数值越接近于0，模型越关注困难样本，但同时也容易导致模型收敛缓慢、泛化能力差，反之若值设的过大接近1，则会导致模型学习没有轻重；

依据特征慢度计算公式： 计算得到训练数据所有特征的平均慢度Δ(S)，最大慢度Δ(S)max，最小慢度Δ(S)min；从正常的历史数据中，计算得到正常特征的标准慢度Δ(S)N；

通过下式，实现由数据慢度确定温度系数τ：

由该式计算的温度系数相比通过经验设定的温度系数，帮助特征提取器更准确的提取特征，更快的收敛模型；

步骤S7：利用经过训练的特征提取器提取的特征训练Softmax分类器；

步骤S8：到达设定训练轮次后，保存训练好的对比学习特征提取器和Softmax分类器的网络参数；

步骤S9：采集工业生产过程中的数据作为测试数据Xnew，按照与步骤S1到步骤S4同样的方法制备得到无标签测试数据集；

步骤S10：将制备好的无标签测试数据集依次输入训练好的对比学习特征提取器和Softmax分类器，得到故障分类结果。

2.根据权利要求1所述的基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，在所述步骤S1中，对历史数据Xold利用正常数据X0均值mean(X0)和标准差std(X0)进行标准化的表达式为：X＝(Xold‑mean(X0))/std(X0)         (1)T n×m

式中，X＝[X1,X2,...,Xn]∈R ，n为样本数，m为变量数。

3.根据权利要求1所述的基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，在步骤S2中，利用慢特征分析方法从训练数据X中提取慢特征的具体步骤为：(1)从历史数据库中得到正常工况数据X0；

(2)求白化矩阵：对正常数据X0的协方差矩阵进行奇异值分解： 得到白‑1/2 T

化矩阵Q＝Λ U，X0的白化变换则为：

(3)求变换矩阵：对白化数据B的一阶导 的协方差矩阵进行奇异值分解：‑1/2 T

求得变换矩阵W＝PΛ U；

n×m

(4)训练数据X的全部慢特征即按如下公式计算：S＝WX，其中S＝[S1,S2,...,Sm]∈R ；

(5)计算正常工况数据X0中各变量的慢度Δ(X0j)，依据公式确定慢特征个数M，其中q＝0.1代表集合{Δ(Xj)}的0.1上分位数；

n×M

(6)得到训练数据X的慢特征S＝[S1,S2,...,SM]∈R ，其中M＜m，代表主要慢特征个数，n为样本数。

4.根据权利要求1所述的基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，在步骤S3中，利用JS散度采用滑动窗口方法计算训练数据X的概率慢特征P的具体步骤为：滑动窗口算法的参数设置为：窗宽设置为H，步长设置为1，每个采样时刻向后移动一次，数据样本个数为n，共有N＝n‑H+1个采样时刻；

将历史数据库中正常工况数据X0作为基准数据，经过与步骤S1、S2同样的处理后得到基n×M准数据慢特征SB＝[SB1,SB2,...,SBM]∈R ；

计算SB的均值和方差作为基准均值μB和基准方差λB；

计算第k个采样时刻训练数据X的主要慢特征S的均值μS(k)和方差λS(k)；

由公式(2)计算训练数据X的第k个采样时刻的概率慢特征P，公式(2)的表达式如下：N×M

计算得到P＝[P1,P2,...,PM]∈R ，N为采样时刻数，M为主要慢特征数。

5.根据权利要求1所述的基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，在步骤S5中，利用训练数据集构建对比学习样本对的具体步骤为：训练数据集表示为D＝{pi,yi}，其中p为样本数据，y∈{1,...,K}代表故障标签，i∈I≡{1,2,...,N}代表样本索引；

在数据集D中，对于任意两个不同的样本[pi,pj],如果yi＝yj,即故障标签相同，则它们构成一个正样本对，否则构成负样本对；

得到正样本对集：

负样本对集：

+ ‑

样本对总集合：A＝{P ,P}。

6.根据权利要求1所述的基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，在所述步骤S6中，所述步骤S602中，输入信号在1D‑CNN为主干的特征提取网络中的依次经过输入层、第一卷积层、第一池化层、第二卷积层、第二池化层，展平层、输出层，具体参数及作用如下：输入层：接受概率慢特征数据作为输入信号pi；

第一卷积层：卷积核大小为3，用于提取输入信号的特征；

第一池化层：池化核大小为2，用于减少每个特征图的空间尺寸；

第二卷积层：卷积核大小为3，用于进一步提取经过一次卷积处理后的信号特征；

第二池化层：池化核大小为2，用于减少每个特征图的空间尺寸；

展平层：将得到的多维特征展平为一维特征向量；

输出层：输出经过提取的特征zi；

在所述步骤S603中，利用提取的特征zi计算慢特征对比损失Lsf的具体步骤为：假设一个训练批次的样本总数为N，则对比损失被计算为Lsf其中，函数dis(·)用于计算两个特征之间的欧式距离，τ是温度系数；

训练该损失实现最大化正样本对的相似度和最小化负样本对的相似度效果，使同标签样本更相似，并放大不同标签样本之间的差异。

7.根据权利要求1所述的基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，在步骤S7中，利用经过训练的特征提取器提取的特征训练Softmax分类器的具体步骤为：定义至步骤S6为止所述特征提取操作为函数F(·)，则zi＝F(xi)；

首先，根据输入数据的维度，使用一个或多个全连接层将zi转换为与分类数相同长度的向量，则Softmax分类器的输出表示为：其中，θ为待优化的全连接层参数；

使用Adam优化器优化参数θ，损失函数如下：其中，y为样本真实标签，优化完后保留参数。

8.根据权利要求1所述的基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，在步骤S9、S10中，在线测试数据从安装在工业生产设备上的多种传感器获得，将该数据经过处理后，输入步骤S8保存的已训练的对比学习模型中，输出微小故障诊断结果。

9.根据权利要求1所述的基于概率慢特征对比学习的工业过程微小故障诊断方法，其特征在于，步骤S1至S3为概率慢特征提取阶段，步骤S4至S8为慢特征对比学习训练阶段，步骤S9至S10为在线数据故障诊断阶段。