1.一种化工过程故障诊断方法，其特征在于，包括如下步骤：

步骤1：获取化工生产过程中操作变量和生产过程中各传感器测量的过程变量作为化工生产过程的历史数据，包括各种过程变量传感器和现场仪表，操作变量包括总进料量、阀门开度、搅拌速度，过程变量包括流量、压力、温度和液位；

步骤2：对采集的化工过程数据进行去噪和特征降维处理；化工生产过程的历史数据作为TVF‑EMD分解模型的输入，利用改进的鲸鱼优化算法优化TVF‑EMD分解模型的关键参数，关键参数为TVF‑EMD分解模型的带宽阈值ξ，TVF‑EMD分解模型把历史数据分解为多个不同频率的分量，再去除加权峰度指数低的分量并重构剩余分量，得到去噪后的化工生产过程数据；去噪后的化工生产过程数据作为核主成分分析KPCA模型的输入，通过KPCA对重构的高维度数据集进行特征降维，去除包含故障信息少的变量输入；

加权峰度指数WKI由相关系数CC和最大峰值指数KI加权得到，对于信号x和y，计算方式如下：WKI＝CC·KI

其中，E表示数学期望，M为信号长度；

步骤3：建立基于BiGRU的化工过程故障诊断模型，利用改进的鲸鱼优化算法优化基于BiGRU的化工过程故障诊断模型的关键参数，关键参数为学习率rl和隐藏层节点个数nh；所述改进的鲸鱼优化算法包括：混沌Bernoulli初始化替换原本的随机初始化，添加双重自适应权重改变鲸鱼个体位置更新方式；

改进的鲸鱼优化算法优化带宽阈值ξ、学习率rl和隐藏层节点个数nh具体步骤为：步骤3.1：设置WOA算法的目标函数为诊断准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小；

步骤3.2：利用混沌Bernoulli映射初始化WOA算法的种群位置，Bernoulli映射的计算公式为：其中，xi表示第i个个体位置，λ设置为0.4，x0设置为0.152；

步骤3.3：根据目标函数，计算每个个体的适应度值，并记录当前适应度值最高个体的位置为Xbest；

步骤3.4：将标准WOA算法中的线性因子a改为非线性因子a′并计算独立变量A和C，计算公式如下：A＝2a′r‑a′

C＝2r

其中，t为当前迭代次数，T为总迭代次数，r为0～1之间的随机数；

步骤3.5：计算双重自适应权重w的值，计算公式如下：

步骤3.6：根据A和0～1之间的随机变量p的值选择不同的方式更新每个个体的位置，更新公式如下：其中，t是当前迭代数，Xb(t)代表最佳鲸鱼的位置，l是[‑1,1]之间的随机值，是当前种群中随机鲸鱼的地位，b是定义对数螺旋形状的常数；

步骤3.7：迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入步骤3.2；否则，结束运行，输出最终运行结果；

步骤4：通过化工过程的历史数据与改进的鲸鱼优化算法对建立的基于BiGRU的化工过程故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；

步骤5：利用步骤4中训练优化后的化工过程故障诊断模型对化工过程数据在线故障诊断，得到对应的诊断结果。

2.根据权利要求1所述的一种化工过程故障诊断方法，其特征在于，所述步骤2中利用TVF‑EMD分解模型把历史数据分解为多个不同频率的分解步骤如下：步骤2.1：对故障数据的第i个变量Xi(t)进行希尔伯特变换，得到变换后的结果Hi(t)，计算Xi(t)的瞬时幅度A(t)和瞬时频率F(t)，计算公式如下：F(t)＝arctan[Xi(t)/Hi(t)]

步骤2.2：确定瞬时幅值A(t)的局部极大值和局部极小值，得到两个集合{tmax}和{tmin}，然后对{tmax}和{tmin}进行插值计算B样条曲线，得到曲线B1(t)和B2(t)，通过下式计算相应的瞬时均值γ1(t)和瞬时包络γ2(t)以及：步骤2.3：计算瞬时频率分量λ1(t)和λ2(t)：

步骤2.4：计算局部截止频率λ′(t)：

步骤2.5：计算信号φ(t)＝cos[∫λ′(t)d(t)]，并将φ(t)的极值点作为构造时变滤波器的节点，采用B样条插值对变量xi(t)进一步进行滤波，结果记录为m(t)；

步骤2.6：当满足停止条件σ(t)时，xi(t)表示为IMF，若不满足条件则xi(t)＝xi(t)‑m(t)，重复执行步骤2.1‑步骤2.5，σ(t)的计算公式如下：式中，BL(t)为两分量信号的Loughlin瞬时带宽，λa(t)为单个分量瞬时频率的加权平均值。

3.一种基于权利要求1所述的一种化工过程故障诊断方法的化工过程故障诊断系统，其特征在于，包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、故障诊断模块和存储模块；

数据采集模块，用于获取化工生产过程中操作变量和生产过程中各传感器测量的过程变量，包括各种过程变量传感器和现场仪表，操作变量包括总进料量、阀门开度、搅拌速度，过程变量包括流量、压力、温度和液位；

数据处理模块，用于对采集的化工过程数据进行去噪和特征降维处理；化工生产过程的历史数据作为TVF‑EMD分解模型的输入，TVF‑EMD分解模型把历史数据分解为多个不同频率的分量，再去除加权峰度指数低的分量并重构剩余分量，得到去噪后的化工生产过程数据；去噪后的化工生产过程数据作为核主成分分析(KPCA)模型的输入，通过KPCA对重构的高维度数据集进行特征降维，去除包含故障信息少的变量输入；

模型训练模块，用于建立基于BiGRU的化工过程故障诊断模型，并通过化工过程的历史数据与智能优化模块对建立的故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；

智能优化模块，用于优化所使用TVF‑EMD分解模型与基于BiGRU的化工过程故障诊断模型的关键参数，模块内部包含一种改进的鲸鱼优化算法程序，改进的策略包括：混沌Bernoulli初始化替换原本的随机初始化，添加双重自适应权重改变鲸鱼个体位置更新方式；

故障诊断模块，用于对化工过程数据的在线故障诊断，将经过处理的新样本送入到故障诊断模块，并得到对应的诊断结果，并将诊断结果传输到存储模块；

存储模块，用于存储和展示由CAN总线传输的化工过程原始数据以及对应的诊断结果，同时可以判断是否产生故障以及在故障产生时发出警报并显示故障类型。

4.根据权利要求3所述的一种化工过程故障诊断系统，其特征在于，所述数据采集模块包括数据检测单元与通信单元，检测单元由各种传感器、仪器仪表、微处理器和通信接口构成，微处理器选择单片机、CPLD芯片、FPGA芯片，通信单元通过CAN总线技术负责检测单元与各模块和上位机之间的通信。