1.一种基于修剪独立元回归策略的非高斯过程监测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：

(1)收集生产过程正常运行状态下的数据样本，组成训练数据集X∈Rn×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵 其中，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；

(2)利用修正型独立元分析(MICA)算法为 建立相应的MICA模型： 初始化i＝1，其中， 为d个独立成分列向量组成的矩阵，W∈Rm×d为分离矩阵，A∈Rm×d为混合矩阵，E∈Rn×m表示模型误差，上标号T表示矩阵或向量的转置；

(3)假设矩阵 中第i列数据缺失，可将新数据矩阵 与分离矩阵W分别表述成与 其中， 为矩阵 中第i列， 由矩阵 中剩余的列组成， 为矩阵W中对应于缺失数据的行向量， 由矩阵W中剩余的行向量组成；

(4)利用最小二乘回归构建修剪独立元 与S之间的回归模型，即：上式中，修剪独立元 回归矩阵 Ei∈Rn×d为独立元估计误差矩阵；

(5)对独立元估计误差矩阵 实施奇异值分解，即：其中，Ui与Vi为酉矩阵，Λi为对角矩阵；因此，独立元估计误差矩阵Ei消除冗余的变换矩阵为Θi＝ViΛi-1；

(6)根据公式Ui＝EiΘi计算出剔除冗余信息后的误差向量Ui，并判断是否满足条件i＜m；若是，则置i＝i+1后返回步骤(3)；若否，则将得到的误差向量组成矩阵U＝[U1，U2，…，Um]后继续执行下一步骤；

(7)计算U的协方差矩阵Φ＝UTU/(n-1)，并计算监测指标Q的控制上限在线故障检测的实施过程如下所示：

(8)收集新采样时刻的数据样本x∈R1×m，对其实施与步骤(1)中相同的标准化处理得到新数据向量 后，初始化i＝1；

(9)假设新数据向量 中第i个数据缺失，可表示成 其中，xi#为第i个缺失的数据，xi*由向量 中除缺失数据以外的元素组成；

(10)利用如下所示公式计算出向量 在缺失第i个数据的前提下的修剪独立元 即：(11)按照如下所示公式计算独立元估计误差ei：上式中，独立元实际值

(12)利用公式ui＝eiΘi计算消除冗余信息后的误差ui后，判断是否满足条件i＜m；若是，则置i＝i+1后返回步骤(9)；若否，则将得到的误差组成向量u＝[u1，u2，…，um]并继续执行下一步骤；

(13)按照如下所示公式计算当前被监测样本数据的监测指标Q，即：Q＝uΦ-1uT  (5)

判断Q的具体数值是否大于对应控制上限Qc；若否，则当前样本为正常工况采样；若是，则当前采样数据则来自故障工况。

2.根据权利要求1所述的一种基于修剪独立元回归策略的非高斯过程监测方法，其特征在于，所述步骤(2)中利用MICA算法为 建立MICA模型的具体实施过程如下所示：①计算 的协方差矩阵 其中C∈Rm×m；

②计算协方差矩阵C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∈RM×M；其中，特征向量p1，p2，…，pM都是单位长度的向量；

③根据公式 对 进行白化处理，得到Z∈Rn×M，并初始化i＝1；

④取列向量ci为M×M维单位矩阵中的第i列，⑤按照如下所示公式更新ci，即：

ci←E{Zg(ciTZ)}-E{h(ciTZ)}ci  (6)上式中，E{}表示求取向量的平均值，函数g和h的具体形式如下所示：g(u)＝tanh(u)  (7)

h(u)＝[sech(u)]2  (8)上两式中，u为函数自变量，在这里指代ciTZ中的元素；

⑥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||  (10)

⑦重复步骤⑤～⑥直至向量ci收敛，并保存向量ci；

⑧判断i＜M；若是，置i＝i+1后，重复步骤④～⑧；若否，执行步骤⑨；

⑨将得到的所有M个向量c1，c2，…，cM组成矩阵C＝[c1，c2，…，cM]∈RM×M，并按照如下所m×M m×M示公式计算分离矩阵W0∈R 与混合矩阵A0∈R ：A0＝PD1/2C  (11)

W0＝PD-1/2C  (12)

⑩计算A0中每一列向量的长度，分别记为L1，L2，…，LM，并将L1，L2，…，LM按照数值大小进行降序排列得到l1，l2，…，lM，那么保留的独立成分个数d为满足下列条件的最小值：将A0中列向量长度最大的d个列向量组成新的混合矩阵A∈Rm×d，同时从W0中取出与A对应的列向量组成新分离矩阵W∈Rm×d；

最后得到的MICA模型为