1.一种基于相关性划分多变量块PCA模型的故障监测方法，其特征在于，包括以下步骤：

步骤(1)：采集生产过程对象正常运行状态下的数据样本，组成训练数据集X∈Rn×m，并对每个测量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， 为第i个测量变量标准化后的采样数据，i＝1，2，…，m；

步骤(2)：根据公式 计算各测量变量间的相关性程度，并将矩阵W∈Rm×m中对角线上的元素全部强制变成0，即不考虑各测量变量自身与自身的相关性；

步骤(3)：计算矩阵W中各行向量的均值，从而得到均值向量μ＝[μ1，μ2，…，μm]；

步骤(4)：针对第i个测量变量实施相关性显著与不显著变量子块区分，需要判断是否满足条件：wij＞μi且wij＞μj；若是，则第i个与第j个变量相关性显著，并将第j个变量划分进入相关性显著变量子块；若否，则第i个与第j个变量相关性不显著，并将第j个变量划分进入相关性不显著变量子块，其中j＝1，2，…m；

步骤(5)：重复步骤(4)直至将所有m个测量变量分成第i个测量变量的相关性显著变量子块Φi与相关性不显著变量子块Θi；

步骤(6)：根据变量子块Φi与Θi对应将数据矩阵 分成两个矩阵X1与X2，即步骤(7)：分别为X1与X2建立相应的主成分分析(Principal Component Analysis，PCA)模型，并保留相应PCA模型的投影变换矩阵P1与P2；

步骤(8)：将X1与X2对应的主成分矩阵T1＝X1P1与T2＝X2P2合并成一个主成分矩阵并将X1与X2对应的残差矩阵E1＝X1-T1P1与E2＝X2-T2P2合并成一个残差矩阵E＝[E1，E2]∈Rn×m；

步骤(9)：根据公式D＝diag(TΛ-1TT)与Q＝diag(EET)分别计算正常数据的监测统计量D与Q，其中Λ＝TTT/(n-1)，上标号T表示矩阵或向量的转置，diag()表示将矩阵中对角线上的元素单独组成一个列向量；

步骤(10)：分别计算监测统计量D与Q的均值ζD与ζQ，以及方差δD与δQ；

步骤(11)：根据公式 与 分别计算监测统计量D与Q对应的控制上限Dlim与Qlim，其中gD＝δD/(2ζD)、gQ＝δQ/(2ζQ)、hD＝2ζD2/δD、和hQ＝2ζQ2/δQ，α为置信限且一般取α＝99％；

步骤(12)：保留对应于第i个测量变量的故障监测模型参数集{P1，P2，Dlim，Qlim}，重复步骤(4)～(11)直至得到所有m个测量变量各自对应的故障监测模型参数集；

步骤(13)：采集新时刻的数据样本x，对其进行与训练数据X相同的标准化处理，得到新数据样本向量 并初始化i＝1；

步骤(14)：根据第i个测量变量的相关性显著变量子块Φi与相关性不显著变量子块Θi，对应将 划分成两个向量x1与x2；

步骤(15)：调用故障监测模型参数集中的投影变换矩阵P1与P2分别计算主成分t1＝x1P1T T

与t2＝x2P2，以及残差e1＝x1-t1P1与e2＝x2-t2P2 ，并对应地合并成主成分t＝[t1，t2]与残差e＝[e1，e2]；

步骤(16)：根据公式Di＝tΛ-1tT与Qi＝eeT计算监测统计量Di与Qi的具体数值，并调用故障监测模型参数集中的Dlim与Qlim计算如下所示的条件概率：上式中， 与 分别表示监测统计量Di判别样本数据x为正常与故障条件下的条件概率， 与 分别表示监测统计量Qi判别样本数据x为正常与故障条件下的条件概率，N与F分别表示正常与故障条件；

步骤(17)：根据如下所示公式计算概率 与 的具体数值：上式中，P(N)＝α与P(F)＝1-α；

步骤(18)：根据如下所示公式计算样本x属于故障的后验概率 与步骤(19)：判断是否满足条件：i＜m；若是，则置i＝i+1后返回步骤(14)；若否，则根据如下所示公式计算整合的概率型监测指标ρD与ρQ：步骤(20)：将ρD与ρQ的具体数值与1-α进行对比，若满足条件：ρQ＜1-α且ρD＜1-α，则当前监测采样时刻系统处于正常运行，采集下一时刻的新数据，继续实施在线故障监测；其他情况则说明系统进入故障运行状态。

2.根据权利要求1所述的一种基于相关性划分多变量块PCA模型的故障监测方法，其特征在于，所述步骤(7)中为X1与X2建立相应的PCA模型的具体实施过程如下所示：以X1为例，建立相应PCA模型的过程具体为：①计算X1的相关系数矩阵C1＝X1TX1/(n-1)；

②求解C1所有特征值γ1≥γ2≥…≥γm所对应的特征向量p1，p2…，pm；

③设置保留的主成分个数d1为满足如下所示条件的最小值，并将对应的d1个特征向量组成投影变换矩阵