1.基于可解释图卷积神经网络的烟支质量控制图模式识别方法，其特征在于，方法包括：

S01、获取多个不同模式下的烟支控制图训练样本；

S02、提取每个烟支控制图训练样本的训练特征；所述训练特征包含多个形状特征和多个统计特征；

S03、根据所述训练特征生成特征测试集；构建多个分类网络模型，将每个烟支控制图训练样本对应的特征测试集分别输入多个所述分类网络模型中，获得多个分类预测结果数据，并对应得到ROC曲线图；

S04、根据所述ROC曲线图筛选获得最优分类网络模型；将所述最优分类网络模型、特征测试集和所述最优分类网络模型输出的分类预测结果数据输入SHAP解释器；

S05、所述SHAP解释器计算特征测试集中每个特征对分类预测结果数据的边际贡献，生成多个Shapley值；根据所述Shapley值生成高价值特征子集；

S06、将所述高价值特征子集输入已构建的图卷积神经网络中，训练模型并获取目标图卷积神经网络；

S07、获取实际采集的烟支控制图样本，并输入所述目标图卷积神经网络中，进行模式识别，获取烟支质量波动结果。

2.根据权利要求1所述的基于可解释图卷积神经网络的烟支质量控制图模式识别方法，其特征在于，S01中，获取多个不同模式下的烟支控制图训练样本的方法具体为：基于控制图模式仿真公式，使用蒙特卡洛法仿真获得多个不同模式下的烟支控制图训练样本。

3.根据权利要求1所述的基于可解释图卷积神经网络的烟支质量控制图模式识别方法，其特征在于，所述烟支控制图训练样本的模式包含：正常模式(NOR)、周期模式(CYC)、向下趋势模式(DT)、向上趋势模式(UT)、向下阶跃模式(DS)和向上阶跃模式(US)。

4.根据权利要求1所述的基于可解释图卷积神经网络的烟支质量控制图模式识别方法，其特征在于，所述形状特征包含：最小二乘线的斜率(slope)、平均穿越次数(nc1)、最小二乘线交叉次数(nc2)、循环成员(cmember)、线段的平均斜率(as)、最小二乘线和表示模式线段之间的斜率差(sd)、模式与均值线之间的面积(apm)、模式与其最小二乘线之间的面积(aps)和最小二乘线和线段之间的面积(ass)。

5.根据权利要求1所述的基于可解释图卷积神经网络的烟支质量控制图模式识别方法，其特征在于，所述统计特征包含：均值(mean)、累积和统计量(cusum)、偏度(skewness)、峰度(kurtosis)、均方值(mean square value)和标准差(standard deviation)。

6.根据权利要求1所述的基于可解释图卷积神经网络的烟支质量控制图模式识别方法，其特征在于，S03中，构建的多个分类网络模型具体为：决策树模型、随机森林模型、逻辑回归模型、支持向量机模型、XGBoost模型和GBDT模型。

7.根据权利要求6所述的基于可解释图卷积神经网络的烟支质量控制图模式识别方法，其特征在于，S05中，根据所述Shapley值生成高价值特征子集的具体方法为：计算每个Shapley值的平均绝对值并按照累计占比排序，选择Shapley值累计占比为前90％的特征构成高价值特征子集。

8.根据权利要求7所述的基于可解释图卷积神经网络的烟支质量控制图模式识别方法，其特征在于，S06中，使用反向传播算法对已构建的图卷积神经网络进行训练并获取所述目标图卷积神经网络。