1.一种化工过程故障诊断报警方法，其特征在于，包括如下步骤：步骤1：获取田纳西伊斯曼TE过程中的操作变量和过程变量作为历史数据；根据故障种类的不同，添加故障种类标签，构建不同故障的原始数据集；

步骤2：对采集到的原始数据集进行分解和降维处理；采集到的不同故障种类数据集作为多元经验模式分解MEMD的输入，MEMD分解方法将多元输入数据投影到一个更高的维度，协同考虑多元输入后再将信号分解为不同的分量；分解后的分量进一步采用核主成分分析KPCA，提取分量信号中的重要成分，降低数据维度；

步骤3：建立基于STGCN的化工过程故障诊断模型，并利用改进的黑猩猩优化算法ChOA优化基于STGCN的化工过程故障诊断模型的关键参数；利用采集到的田纳西伊斯曼原始数据集与改进ChOA算法对建立的基于STGCN的化工过程故障诊断模型进行训练，求出STGCN网络的最优关键参数、最小化损失函数误差；所述改进的黑猩猩优化算法ChOA使用混沌初始化种群并添加双重自适应权重；改进的黑猩猩优化算法步骤为：步骤3.1：设置ChOA算法的目标函数为诊断准确率并初始化相关参数，包括：初始位置、种群规模、迭代次数；

步骤3.2：在原始的黑猩猩算法中，初始化是根据输入参数的维度和数量随机生成的，故在黑猩猩种群初始化过程中引入Logistic混沌初始化，使4个黑猩猩种群进行更广泛的初步搜索，提高了算法的搜索效率其，表达式为：其中，k(n+1)是更新后个体位置，λ是控制变量；

步骤3.3：根据黑猩猩的劳动划分，种群分为4类：攻击黑猩猩、拦截黑猩猩、追逐黑猩猩和驱赶黑猩猩；黑猩猩在群体中有独立思考的能力，在某些情况下会出现混乱的狩猎行为；

步骤3.4：在黑猩猩捕猎的过程中，黑猩猩需要根据自己和猎物之间的距离来判断下一步行动的方向和距离：d＝|cxprey(t)‑mxchimp(t)|

xchimp(t+1)＝xprey(t)‑ad

其中，d是猎物和黑猩猩之间的距离；t是当前的迭代次数是猎物和黑猩猩之间的距离；

xprey(t)是猎物当前的位置；xchimp(t)是黑猩猩的当前位置；a，m，c为系数向量；

步骤3.5：每只黑猩猩都根据自己的劳动分工来独立地决定捕猎的过程，即每只黑猩猩和猎物之间的位置向量；4种黑猩猩与猎物确定它们的位置向量后，每只黑猩猩根据最佳黑猩猩位置更新其位置，并根据最佳黑猩猩个体位置估计猎物的位置，其表达式如下：其中，dAttacker,dBarrier,dChaser,dDriver分别表示在攻击黑猩猩、拦截黑猩猩、追逐黑猩猩和驱赶黑猩猩阶段与猎物的距离；xAttacker,xBarrier,xChaser,xDriver是攻击黑猩猩、拦截黑猩猩、追逐黑猩猩、驱动黑猩猩相对于猎物的位置向量，a1～a4，c1～c4，m1～m4分别是四种黑猩猩的向量系数；

步骤3.6：在优化过程中，选择黑猩猩的正常位置更新或通过混沌模型进行的位置更新，选择的概率为50％，其公式为：其中，μ为[0,1]范围内的一个随机数；

步骤3.7：判断是否达到最大迭代次数，若未达到则ChOA算法进入步骤3.2；否则，结束运行并输出最终结果；

步骤4：利用训练优化后的化工过程故障诊断模型对田纳西伊斯曼过程数据进行诊断，得到诊断结果并计算其准确率；

步骤4.1：根据步骤2中数据结构构建邻接矩阵A,并对邻接矩阵A节点参数进行归一化，组成模型需要的图数据：其中，表示节点xi的均值，σi表示该节点的标准差；

步骤4.2：根据化工过程数据，按照时间关系构建多节点的图Gi：Gi＝(xi,E,A)

其中，E表示节点之间的边集合；

步骤4.3：通过门控线性单元GLU和一个一维卷积网络构成时间卷积模块，用于捕捉时间特征；门控线性单元可以选择传递需要的信息进入下一个节点，其表达公式如下：其中，M和N是不同的卷积核，c1和c2是不同的偏置参数；

步骤4.4：通过图卷积模块在空间域上进行高阶体征提取，充分利用化工过程故障数据的关联性和全局性，在卷积是采用切比雪夫多项式近似，其卷积公式如下：其中，Z是图卷积核大小，TZ是拉普拉斯矩阵的多项式展开近似，Θz是多项式系数，最终图卷积可以表示为：其中，Di和D0是输入和输出的特征图的大小，D代表维度特征，R为实数集合；

步骤4.5：最后将得到的数据进行反归一化处理，根据测试结果输出故障类型；

步骤5：根据步骤4中诊断的结果，判断是否发出警报，从而提醒工厂与工人及时处理，并在报警时展示故障类型。

2.根据权利要求1所述的一种化工过程故障诊断报警方法，其特征在于，所述步骤2中利用MEMD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：T

步骤2.1：对于原始的多元化工过程数据s(t)＝[s1(t)，s2(t)…，sn(t)] ，投影向量为其中 是(n‑1)的单位球上第k个沿着角度的投影向量，k＝1,2...，K，K是投影向量的总数量；

步骤2.2：在得到方向矢量集的投影向量U之后，计算s(t)沿着投影向量 的映射值，记为 其计算公式为：步骤2.3：提取出映射信号 在取局部极值时的瞬时时间

步骤2.4：对 使用多元样条插值获法对极值点进行插值操作，取得多元投影包络线 是 矢量方向的信号sl(t)的包

络，l＝1，2，...，n；

步骤2.5：计算多元信号的局部均值：

步骤2.6：计算多元输入序列与局部均值的差d(t)：

d(t)＝s(t)‑m(t)

步骤2.7：若d(t)符合多变量IMF的要求，若满足条件记为di(t)，则di(t)为第i次分解后的分量，并将原始信号中的该分量成分去掉，得到新的原始信号ki(t)，i＝1，2，...，m：ki(t)＝s(t)‑d(t)

步骤2.8：重复执行步骤2.2‑步骤2.7，直至d(t)不满足IMF的要求，并将此时d(t)记为残差r(t)，得到最终多元分解信号S(t)＝[k1(t)，k2(t)，...，km(t)，r(t)]。

3.根据权利要求1所述的一种化工过程故障诊断报警方法，其特征在于，所述STGCN的化工过程故障诊断模型的关键参数包括：STGCN模型的学习率、隐藏层节点数、训练迭代次数，在利用改进的黑猩猩优化算法ChOA优化基于STGCN的化工过程故障诊断模型的关键参数时，种群即为需要优化的关键参数；

步骤4.1：将步骤2中数据划分为训练集和测试集，以供模型训练和迭代寻优STGCN模型的关键参数使用；

步骤4.2：将STGCN模型的关键参数送入ChOA：其维度为3，维度根据关键参数种类确定，其初始值由步骤3.2中混沌初始化得出；

步骤4.3：STGCN模型根据训练集和步骤4.2中关键参数进行模型训练，记录诊断训练结果及准确率并将其传回ChOA算法中，其准确率计算公式如下；

其中，准确率Accuracy为正确分类的故障类型与总故障样本ALL的比值，正确分类指被检索到正样本TP和未被检索到正样本TN，准确率送入ChOA记为适应度值，作为为算法迭代寻优指标；

步骤4.4：重复步骤4.3，比较并找出最优适应度值，记录该次迭代优化出的关键参数，直到ChOA算法迭代结束；

步骤4.5：将步骤4.4中最优关键参数作为模型的最终使用参数，送入测试集进行测试，得到最终STGCN的化工过程故障诊断模型的诊断结果。

4.一种基于权利要求1至3任一所述的化工过程故障诊断报警方法的系统，其特征在于，所述系统包括数据采集模块、数据预处理模块、模型训练模块、故障诊断模块和报警模块；

数据采集模块，获取田纳西伊斯曼TE过程中的操作变量和过程变量作为历史数据；根据故障种类的不同，添加故障种类标签，构建不同故障的原始数据集；

数据预处理模块，用于对采集到的原始数据集进行分解和降维处理；采集到的不同故障种类数据集作为多元经验模式分解MEMD的输入，MEMD分解方法将多元输入数据投影到一个更高的维度，协同考虑多元输入后再将信号分解为不同的分量；分解后的分量进一步采用核主成分分析KPCA，提取分量信号中的重要成分，降低数据维度；

模型训练模块，用于建模基于STGCN的化工过程故障诊断模型，并通过采集到的田纳西伊斯曼原始数据集与改进ChOA算法对建立的基于STGCN的化工过程故障诊断模型进行训练，求出网络的最优关键参数、最小化损失函数误差；

故障诊断模块，利用训练优化后的化工过程故障诊断模型对田纳西伊斯曼过程数据进行诊断，得到诊断结果，并诊断出故障时判定故障类型；

报警模块，用于在诊断出故障时，发出警报并显示故障类型，从而提醒工厂与工人及时处理。