1.一种基于ILSTM网络的复杂工业过程运行状态评价方法，其特征在于，具体包括以下步骤：

步骤一：使用离线数据训练ILSTM网络特征提取模型和分类器模型，建立状态评价离线模型；

A1：采集工业过程的原始数据 其中，N为采样点个数，X＝[x1,x2,...,xN]为工业的过程数据，Y＝[y1,y2,...,yN]为对应的综合经济指标数据，对原始数据进行预处理，包括异常数据的剔除和对齐；

A2：根据公式(1)对X数据和Y数据进行标准化计算，使得计算后的数据均值为0，标准差为1；

式中，x′是经过标准化处理之后的数据，x是输入数据，μ是均值，σ是标准差；

A3：使用窗口长度为H的滑动窗口对X和Y进行连续采样，得到序列数据，X数据和Y数据在t时刻采样得到的序列如公式(2)、(3)所示；

式中， 为选煤过程在第t时刻第m个过程变量， 为选煤过程在第t时刻第k个综合经济指标变量；

A4：随机初始化ILSTM网络参数，包括各网络层的连接权重W、偏置b；

A5：利用Y数据对LSTM网络引入有监督学习，得到过程数据的重构值 的同时得到综合经济指标的预测值

A6：根据公式(4)计算特征提取模型的损失函数JILSTM：A7：使用BPTT优化算法反向微调，优化模型参数W和b，直到最小化JILSTM或实现JILSTM的收敛，得到特征提取模型；

A8：对综合经济指标数据Y进行状态等级划分，得到标签数据A9：对yl进行独热编码操作，将分类变量表示为二进制变量y′l；

A10：随机初始化softmax分类器的参数θ；

A11：将特征提取模型的隐藏层输出h和二进制变量y′l作为输入，训练softmax分类器，得到状态识别模型，根据公式(5)获得softmax分类器的输出：式中， 为softmax的输入， 为标签，标签数目为k，p(yl＝j|x)是x对应状态等级为j的概率， 为分类器的参数；

A12：根据公式(6)计算分类器损失函数J(θ)：A13：反向微调分类器模型参数，直到最小化J(θ)或实现J(θ)的收敛，得到状态识别模型；

A14：级联特征提取模型和状态识别模型，反向微调各层权重项和偏置项，得到完整的运行状态评价模型；

步骤二：使用在线数据进行运行状态评价；

B1：采样得到在线过程数据X，并对X进行标准化处理；

B2：对在线数据以窗口长度为H的滑动窗口滑动采样，得到长度一致的序列数据；

B3：将序列数据输入运行状态评价模型，得到在线数据属于不同运行状态等级的后验概率 其中，i∈{1,2,...,q}，q为状态等级类别，最终的评价结果为当前时刻最大后验概率对应的状态等级，即当运行状态评价模型评价当前运行状态为非优时，进行非优因素追溯，具体步骤如下：S1：用优状态数据训练LSTM‑AE模型；

S11：采样得到优状态过程数据X＝(x1,…,xT)，并对X进行标准化处理；

S12：随机初始化LSTM‑AE模型参数，包括各层的连接权重W、偏置b；

S13：将X作为LSTM‑AE模型的输入，得到重构数据为 根据公式(7)计算输入序列与输出序列间的误差，即所有时间步误差之和：式中，f(·)、g(·)为非线性激活函数，ht‑1为前一时刻的隐藏特征，T为时间步步长；

S14：反向优化LSTM‑AE模型，调整权值项和偏置项，直到损失函数最小化或实现损失函数收敛，得到非优因素追溯模型；

S2：输入非优状态的数据，进行非优因素溯源：S21：采集得到非优状态的过程数据为X1＝(x1,…,xT)，进行标准化处理；

S22：输入已经训练好的LSTM‑AE模型，根据SPE贡献图的定义，通过公式(8)计算各过程变量对非优状态的贡献率：

S23：对比各过程变量的贡献率大小，贡献率大的过程变量即定义为导致非优状态的主要变量。