1.一种化工过程故障识别方法，其特征是，包括如下步骤：实时获取化工生产过程中的运行数据；

对获取的运行数据进行预处理；

采用主成分分析方法选择运行数据中的关键特征数据；

基于半监督学习方法建立动态主动安全半监督支持向量机模型，将关键特征数据输入训练好的动态主动安全半监督支持向量机模型，输出化工过程的运行状态；

所述动态主动安全半监督支持向量机模型的训练过程，包括如下步骤：获取化工生产过程的历史数据，所述历史数据包括有故障数据和无故障数据；

对获取的历史数据进行预处理；

采用主成分分析方法选择运行数据中的关键特征数据，所述关键特征数据包括有标签数据和无标签数据；

将采用主动学习方法为无标签数据添加标签，将添加标签后的数据与有标签数据作为输入，输入动态主动安全半监督支持向量机模型进行训练，以故障类型或者运行正常为输出，获得动态主动安全半监督支持向量机模型的参数；

所述将采用主动学习方法为无标签数据添加标签，包括如下步骤：结合化工过程数据的历史信息和未来信息优化识别模型的伪标签置信度；

根据伪标签置信度计算关键特征数据的熵值，采用主动学习挑选高熵值的关键特征数据，基于知识本体为关键特征数据的添加数据标签。

2.如权利要求1所述的一种化工过程故障识别方法，其特征是：关键特征数据包括有标签数据和无标签数据，动态主动安全半监督支持向量机模型对关键数据的处理包括采用主动学习方法为无标签数据添加标签的步骤。

3.如权利要求1所述的一种化工过程故障识别方法，其特征是：所述采用主成分分析方法选择运行数据中的关键特征数据，包括如下步骤：计算预处理后的数据矩阵的特征协方差矩阵及协方差矩阵的特征值、特征向量；按方差贡献率从大到小排序，获得方差贡献率之和超过设定比例阈值的变量作为主成分变量；

根据主成分变量建立主元线性表达式,根据特征值计算各主元线性表达式中主成分变量的系数；

根据主元线性表达式中主成分变量的系数，获得综合得分模型,通过主成分变量的方差计算综合得分模型中的变量系数；

对所得综合得分模型中的变量系数进行归一化，重新确定变量权重；

将重新确定变量权重按照权重值大小进行排序，权重总和高于设定阈值的变量对应的运行数据为关键特征数据。

4.如权利要求3所述的一种化工过程故障识别方法，其特征是：根据特征值计算各主元线性表达式中主成分变量的系数，计算公式为：其中，coe是第d个主元线性表达式中变量q的系数；v是变量q的第d个主元；e是第d个主元的特征根；

或

根据主元线性表达式中主成分变量的系数，计算综合得分模型中的变量系数，计算公式为：其中，方程中w是综合得分模型中变量q的系数；o是主成分数量；s是第d个主元的方差。

5.如权利要求1所述的一种化工过程故障识别方法，其特征是：所述结合化工过程数据的历史信息和未来信息优化识别模型的伪标签置信度的方法具体为：将历史数据按照故障分类，得到对应k个故障的k个类别；

计算每个数据属于某各类别K的置信度,根据计算的置信度采用均值法计算每个关键特征数据的伪标签置信度。

6.一种化工过程故障识别系统，其特征是，包括：数据获取模块：用于实时获取化工生产过程中的运行数据；

预处理模块：用于对获取的运行数据进行预处理；

关键特征数据提取模块：用于采用主成分分析方法选择运行数据中的关键特征数据；

识别模块：用于将关键特征数据输入训练好的动态主动安全半监督支持向量机模型，输出化工过程的运行状态；

所述动态主动安全半监督支持向量机模型的训练过程，包括如下步骤：获取化工生产过程的历史数据，所述历史数据包括有故障数据和无故障数据；

对获取的历史数据进行预处理；

采用主成分分析方法选择运行数据中的关键特征数据，所述关键特征数据包括有标签数据和无标签数据；

将采用主动学习方法为无标签数据添加标签，将添加标签后的数据与有标签数据作为输入，输入动态主动安全半监督支持向量机模型进行训练，以故障类型或者运行正常为输出，获得动态主动安全半监督支持向量机模型的参数；

所述将采用主动学习方法为无标签数据添加标签，包括如下步骤：结合化工过程数据的历史信息和未来信息优化识别模型的伪标签置信度；

根据伪标签置信度计算关键特征数据的熵值，采用主动学习挑选高熵值的关键特征数据，基于知识本体为关键特征数据的添加数据标签。

7.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项方法所述的步骤。

8.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项方法所述的步骤。