1.一种基于分布式PCA的多工况故障监测方法，其特征在于，所述方法包括：步骤1：获取正常数据集Xorig，通过局部邻域标准化LNS方法将其标准化得到数据集Zorig，所述LNS方法为：假设m维原始过程数据为X∈Rn×m，LNS方法利用每个样本的局部邻域均值和标准差信息进行标准化，将每个工况都做归一化处理，得到单一分布的标准化数据；

其标准化后的数据为：

其中， 表示样本xi在X中的a个最近邻，距离评判标准由欧式距离确定；表示样本xi的第一个邻居， 和 代表xi的第一个邻居的局部邻域均值和方差；

步骤2：将数据集Zorig进行PCA分解，将过程划分成k+1个子块，得到子块数据集合{X1,X2,…,Xk+1}；划分子块方法为：记已进行标准化后的数据集为Zorig∈Rn×m，其中n代表样本个数，m代表过程变量个数，则Zorig经PCA处理后为：其中，ti表示得分向量，pi表示载荷向量，Eorig表示残差矩阵，k表示所选取的主元个数，式(2)等价表示为：其中，Torig∈Rn×k，Porig∈Rm×k分别为主元得分矩阵和载荷矩阵，为残差得分矩阵和载荷矩阵；

PCA投影后的每个主元彼此不相关，通过在每个不相关的主元方向上构建子块，能够满足子块划分多样性的要求；同时，将整个残差空间看作一个子块，将整个过程划分成k+1个子块；在每个子块上选择对该子块贡献最大的变量进行建模，满足子块模型的精度要求；载荷向量pi代表了第i个主元上的投影方向，每个变量对各个主元即前k个子块的贡献值大小通过式(5)计算：其中，v＝1,2,…,m，m代表过程变量数目；w＝1,2,…k，k为选取的主元个数；pvw与plw分别代表载荷矩阵Porig的第v和l行、第w列的元素；

对于第k+1个子块，每个变量在其残差空间中所有主元上的贡献平均值为：其中， 代表残差载荷矩阵 中第v行、第w列的元素，mean表示求取均值；通过式(7)计算所有变量对第k+1个子块的贡献率：其中 表示第l个变量对所有主元的贡献值，根据式(5)、式(7)以及累计贡献率法求取对每个子块贡献度最大的变量，并由这些变量组成该子块的数据集Xi，由此得到k+1个子块的数据集合{X1,X2,…,Xk+1}；

步骤3：对子块数据集合{X1,X2,…,Xk+1}分别进行LNS标准化后得到数据集合{Z1,Z2,…,Zk+1}，使用PCA方法对每个子块建立故障监测模型，利用式(11)、(12)得到各模型的控制限；

对于新的测试样本xtest，依次利用正常数据集合{Z1,Z2,…,Zk+1}的局部邻域信息将其标准化得到集合{ztest,1,ztest,2,…,ztest,k+1}，利用式(9)计算每个子块的得分向量；

控制限计算方法为：

对每个子块选取变量，将各子块的PCA模型写成：

Zi＝TiPiT+Ei  (8)

其中，Zi(i＝1,2,…,k+1)为第i个子块的PCA模型表达式，Ti和Pi分别表示该子块的主元得分矩阵与载荷矩阵，Ei表示该子块的残差矩阵；

对于一个新的测试样本xtest，在第i个子块中采用该子块的局部邻域信息将其标准化为ztest,i，则该测试样本在第i个子块中的得分向量ti表示为：ti＝PiTztest,i,i＝1,2,…k+1  (9)通过式(11)与式(12)分别计算每个子块PCA模型的T2与平方预测误差SPE统计量，并与其控制限相比较；

其中i＝1,2,…,k+1，λi,j表示第i个PCA子块中的第j个主元的特征值，ki是第i个PCA子块中所选取的主元个数；

每个子块的T2和SPE统计量控制限的计算公式为：其中， α表示显著性水平，cα是正态分布在显著性水平为α下的临界值；

2

步骤4：利用式(10)、(11)分别计算每个子块的T 和SPE统计量，采用贝叶斯推断方法通过式(17)、(18)计算最终的贝叶斯信息准则BIC统计量并与其控制限作比较，若超出控制限，则表明发生了故障；

贝叶斯推断算法描述为：

在贝叶斯推断中，新样本ztest在第i个子块中T2统计量的故障条件概率表示为：其中，条件概率 和 定义如下：

其中，“N”和“F”分别代表正常和故障的情况， 是正常样本的先验概率，其值为置信度β，则 为1-β； 是新样本在第i个子块的T2统计量； 是第i个子块的T2统计量控制限；

最终融合的BIC统计量通过式(17)计算；

同样的，SPE统计量的最终监测指标由式(18)计算；在BIC监测指标下，两种统计量控制限均为1-β；当BIC指标大于控制限时，表示监测到了故障。

2.根据权利要求1所述的方法，其特征在于，所述方法为应用于工业过程中故障检测的方法。

3.根据权利要求2所述的方法，其特征在于，所述工业过程包括化工、冶金及发酵过程。

4.根据权利要求3所述的方法，其特征在于，所述方法为应用于TE过程中对TE过程中的

21种故障进行监测的方法。