1.一种基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法，其特征在于：所述方法包括以下步骤：(1)收集生产过程正常运行状态下的采样数据，组成建模用的训练数据集：X＝[x1，x1，…，xn]T，其中，X∈Rn×m，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵，上标号T表示矩阵转置；

(2)对数据集X进行标准化处理，使每个测量变量的均值为0，方差为1，得到新的数据矩阵(3)利用PCA方法对数据矩阵 进行白化处理得到数据矩阵Z∈Rn×M，其中，M≤m为矩阵Z中变量个数，具体实现方式如下所示：①计算 的协方差矩阵 其中S∈Rm×m；

②计算矩阵S的所有特征值和特征向量，并剔除小于0.0001的特征值及其对应的特征向量，得到特征向量矩阵P＝[p1，p2，…，pM]∈Rm×M以及特征值对角矩阵D＝diag(λ1，λ2，…，λM)∈RM×M；

③对 进行白化处理，得到

(4)从三种非二次函数中选择第k个非二次函数Gk后，调用MICA迭代算法求取与Gk相对应的MICA故障检测模型，重复此操作直至建立三个MICA模型，其中，k＝1，2，3分别为三种不同的非二次函数的标号；

(5)对训练数据构造相应的T2和Q统计量，并利用和密度估计(KDE)法分别得到T2和Q统计量在置信度α＝99％条件下所对应的控制限；

(6)收集新的过程采样数据xnew∈Rm×1，并将其进行标准化处理得到(7)分别采用不同的MICA模型对其进行故障检测，即构造如下所示的统计量 和Qk，这样3个MICA模型总计给出3组对应于新样本数据 的监测结果：

其中，||||表示计算向量的2-范数；

(8)通过贝叶斯推理，将得到的3组监测结果以概率的形式融合在一起，即得到概率型监测指标 与BIQ，并做出关于新数据 是否正常的决策。

2.根据权利要求1所述基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法，其特征在于，所述步骤(4)具体为：首先，从如下三种可选形式中选择非二次函数Gk，即：G1(u)＝log cosh(u)，G2(u)＝exp(-u2/2)，G3(u)＝u4     (3)其中，u为函数G的自变量；其次，针对不同的非二次函数Gk，调用MICA迭代算法建立故障检测模型的步骤如下：①设定需要提取的独立元个数d，以及所选用的非二次函数Gk；

②当提取第i(i＝1，2，…，d)个独立元时，选取M×M维单位矩阵中的第i列做为向量ci的初始值；

③按照下式更新向量ci：

ci←E{Zg(ciTZ)}-E{g′(ciTZ)}ci       (4)其中，g和g′分别是函数Gk的一阶和二阶导数，E{}表示求取期望值；

④对更新后的向量ci依次按照下式进行正交标准化处理：

ci←ci/||ci||        (6)⑤重复步骤③～④直至向量ci收敛，并保存向量ci；

⑥设置i＝i+1，重复上述步骤②～⑤直至得到所有d个向量C＝[c1，c2，…，cd]∈RM×d；

⑦计算对应于非二次函数Gk的MICA模型的混合矩阵Ak∈Rm×d和分离矩阵Wk∈Rd×m，如下：Ak＝PD1/2C        (7)Wk＝CTD-1/2PT        (8)并保存矩阵Ak与Wk以备用。

3.根据权利要求1所述基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法，其特征在于，所述步骤(8)具体为：首先，进行贝叶斯概率融合：

(A)对三组T2统计量进行融合：

①按照下式计算新数据 属于故障的概率：

其中，概率 的计算方式如下：

其中，N和F分别表示正常和故障工况，先验概率 和 分别取值α和1-α，条件概率 和 的计算方式如下：

②通过如下公式计算得到最终的概率型指标

(B)对三组Q统计量进行融合

针对于Q统计量，首先计算新数据 属于故障的概率、条件概率等，然后得到最终的概率型指标BIQ，与上述融合T2统计量的方式相同；

其次，进行故障决策：

将计算得到的 与BIQ指标的具体数值与概率控制限1-α进行对比，若任何一个指标数值大于1-α，则决策新数据 为故障样本；反之，该数据 为正常样本，进而对下一个新采样得到的数据继续进行故障检测。