1.一种采样数据异常变化在线监测与诊断方法，其特征在于，所述方法包括以下步骤：S100，采集传感器网络的数据并通过训练好的神经网络进行预测得到预测数据；

S200，根据预测数据构建基于预测残差的数据管道；

S300，根据数据管道确定综合监测指数；

S400，根据综合监测指数构建状态监测模型；

S500，根据状态监测模型进行传感器网络采样数据的异常变化监测与诊断；

在S200中，根据预测数据构建基于预测残差的数据管道的方法包括以下步骤：m

S201，比对时间序列数据{X(tk)∈R ,k＝0,1,2,…}与预测数据序列之间差异，形成残差序列：

S202，对于当前监测时刻ts(s>n)，计算残差序列各分量的偏差中值和离差中值：式中 xj(tk)和 分别表示X (tk)和 的第j个分量，其中，是中值算子，用于计算序列的中值，j＝1,2,...,m；

S203，根据偏差中值和离差中值形成残差数据管道：[Ej(tk)‑4.5Θj(tk)，Ej(tk)+4.5Θj(tk)](j＝1,2,...,m)           (3)；

利用式(3)构造传感网测量数据随时间变化的数据管道确定传感网采集的

多维测量数据X(tk)各分量的第一符号型综合监测指数Tj(tk)：式中 当Tj(tk)＝1时，第j个传感器网络的节点异常报警；

其中，n表示为时间采集点。

2.根据权利要求1所述的一种采样数据异常变化在线监测与诊断方法，其特征在于，在S100中，所述传感器网络为设置于石化管道内部的多个传感器节点组成，传感器节点的传感器类型包括温度传感器、压力传感器、流速传感器，用于采集温度、压力、流速中任意一种物理量数据。

3.根据权利要求1所述的一种采样数据异常变化在线监测与诊断方法，其特征在于，在mS100中，传感器网络采集的数据为时间序列数据{X(tk)∈R ,k＝0,1,2,…}，X(tk)为传感器网络按照时间先后顺序采集的数据，所述神经网络为长短记忆神经网络LSTM，通过前n点采样数据对神经网络进行训练进而得到训练好的神经网络，通过训练好的神经网络进行预测的方法为：通过训练好的神经网络进行滑动预测，在预测过程实时更新训练好的神经网络，m形成多维的预测数据序列 R 为m维的实数空间， 为得到的预测数据。

4.根据权利要求1所述的一种采样数据异常变化在线监测与诊断方法，其特征在于，在S300中，根据数据管道确定综合监测指数的方法为：对传感器采集的时间序列数据中的xj(tk)进行归一化处理：从而将式(4)所示第一符号型综合监测指数改进为第二符号型综合监测指数