1.一种基于多特征融合和宽度学习的故障监测与诊断方法，其特征在于：包括以下步骤：

S1、获取实际工业过程中带有故障标签的历史过程信号；所述历史过程信号包括故障信号和正常信号；

S2、基于所述历史过程信号进行多特征提取，构建多特征向量；

S3、将所述多特征向量输入到宽度学习网络进行训练，获得故障诊断模型；

S4、将所述故障诊断模型应用于实际工业过程进行实时故障诊断。

2.如权利要求1所述的一种基于多特征融合和宽度学习的故障监测与诊断方法，其特征在于：步骤S2中，基于机理分析，将所述历史过程信号中的变量分为控制变量、连续测量变量和状态变量，提取所述控制变量中的二值报警信号和所述连续测量变量中的慢特征信号、定性趋势信号和二值报警信号，具体为：S21、利用定性趋势分析方法提取所述历史过程信号中的连续测量变量的趋势特征，获得定性趋势信号；

S22、基于步骤S1中所述历史过程信号中的所述正常信号，计算出上下报警阈值，并基于所述上下报警阈值，获取二值报警信号；

S23、利用慢特征分析方法提取所述历史过程信号中的连续测量变量的慢特征，获得慢特征信号；

所述多特征向量即为所述历史过程信号、所述定性趋势信号、所述二值报警信号和所述慢特征信号构成的向量。

3.如权利要求2所述的一种基于多特征融合和宽度学习的故障监测与诊断方法，其特征在于：步骤S21中，获取定性趋势信号的具体过程为：(1)利用小波变换对历史过程信号进行预处理，去除局部信号的噪声，然后进行Min‑Max归一化处理，获得预处理后的历史过程信号；

(2)计算出预处理后的历史过程信号的样本差值；

(3)基于定性趋势分析方法，利用所述样本差值提取预处理后的历史过程信号的定性趋势，获取定性趋势信号。

4.如权利要求3所述的一种基于多特征融合和宽度学习的故障监测与诊断方法，其特征在于：步骤(3)的具体实现过程为：当所述样本差值小于‑δ时，所述定性趋势为减，所述定性趋势信号数值‑1来表示；

当所述样本差值大于等于‑δ且小于等于δ时，所述定性趋势为不变，所述定性趋势信号用数值0来表示；

当所述样本差值大于δ时，所述定性趋势为增，所述定性趋势信号用数值1来表示；其中，δ∈[0.01，0.05]。

5.如权利要求2所述的一种基于多特征融合和宽度学习的故障监测与诊断方法，其特征在于：步骤S22中，若所述历史过程信号中的所述正常信号具有基于先验知识设定的上下报警阈值，则将该上下报警阈值作为所述上下报警阈值；若没有基于先验知识设定的上下报警阈值，则根据所述历史过程信号的所述正常信号的种类进行处理，具体为：若所述历史过程信号的所述正常信号符合高斯分布，则根据3σ原理，计算出所述历史过程信号中的所述正常信号的均值和标准差，采用均值加减倍数可调的标准差作为所述上下报警阈值；若所述历史过程信号的所述正常信号不符合高斯分布，则使用核密度估计方法估计所述正常信号的概率密度函数，并基于所述概率密度和显著性水平α，计算出所述上下报警阈值；其中，α的值为0.005或0.01或0.05；

通过判断所述历史过程信号是否超过所述上下报警阈值，生成由数值0和1组成的二值报警信号，具体为：当所述历史过程信号超过所述上下报警阈值时，二值报警信号为1，表示发生异常，否则，二值报警信号为0，表示未发生异常。

6.如权利要求1所述的一种基于多特征融合和宽度学习的故障监测与诊断方法，其特征在于：步骤S3的具体实现过程为：S31、将所述多特征向量构成第一输入矩阵Xtrain，并对所述第一输入矩阵Xtrain进行Min‑Max归一化处理，获得处理后的第一输入矩阵Xtrain；

S32、基于步骤S31中所述处理后的第一输入矩阵Xtrain，生成输入节点，输入节点激活函数为：

I

Z＝Φ[XtrainWei+βei]其中，Φ为线性激活函数，βei为输入节点的偏置矩阵，Wei为Xtrain的权重矩阵，且βei和WeiI

中的数值在[0，1]之间随机生成，输入节点Z＝[Z1，Z2，...Zi]，i表示输入节点的总数；

I J

S33、对输入节点Z进行线性组合，生成增强节点H＝[H1，H2，...，Hj]，增强节点激活函数为：

J I

H＝ξ[ZWhj+βhj]

I J

其中，j表示增强节点的总数，ζ为tanh激活函数，Whj为Z的权重矩阵，βhj为H 的偏置矩阵，且Whj和βhj中的数值在[0，1]之间随机生成；

I J

S34、将步骤S32中输入节点Z和步骤S33中增强节点H构成第二输入矩阵A，所述第二输I J

入矩阵A为宽度学习网络的输入，其中A＝[Z|H]；

+

S35、根据公式计算出第二输入矩阵A的伪逆A，所述公式为：T

其中，λ为常数，E为单位矩阵，A表示A的转置；

+

S36、基于步骤S35中所述伪逆A，计算出权值矩阵，具体公式为：+

Wn＝AYn

其中，Wn为权值矩阵，即为宽度学习网络的权值，Yn表示历史过程信号的故障标签组成的矩阵。

7.如权利要求6所述的一种基于多特征融合和宽度学习的故障监测与诊断方法，其特征在于：步骤S5中，将所述故障诊断模型应用于实际工业过程故障诊断，具体过程为：S41、在线采集实际工业过程中的过程信号，通过判断所述过程信号是否超过所述上下报警阈值来获取所述过程信号的二值报警信号；

S42、基于步骤S41中所述二值报警信号，判断是否发生异常，若发生异常，则提取所述过程信号的定性趋势信号和慢特征信号，将生成由所述过程信号、所述二值报警信号、所述定性趋势信号和所述慢特征信号构成的多特征数据矩阵Xtest，执行步骤S43；否则，则判断为正常工况状态；

S43、将所述多特征数据矩阵Xtest输入到所述故障诊断模型中，获得输出矩阵Yn.test，即为对应的故障标签，其中，Yn.test＝XtestWn，Wn为权值矩阵；

S44、将步骤S43中所述故障标签与实际的故障标签进行对比，采用评价指标F1‑score评估所述故障诊断模型的诊断性能，若Micro F1大于第一设定阈值且Macro F1大于第二设定阈值，则继续使用所述故障诊断模型；否则，返回步骤S3，重新进行训练，获得新的故障诊断模型。

8.如权利要求7所述的一种基于多特征融合和宽度学习的故障监测与诊断方法，其特征在于：所述第一设定阈值＝0.90，所述第二设定阈值＝0.85。