1.一种基于假设缺失数据迭代估计误差的动态过程监测方法，其特征在于，包括以下步骤：步骤(1)：按照采样时刻的先后顺序，收集生产过程正常运行状态下的n个数据样本x1，x2，…，xn，并按照如下所示公式计算均值向量μ与标准差向量δ：上式(1)中，xi∈R1×m为第i个的数据样本，下标号i＝1，2，…，n，R为实数集，R1×m表示1×m维的实数矩阵；

步骤(2)：根据公式 标准化处理数据样本x1，x2，…，xn，以得到标准化后的向量 其中符号./表示向量对应元素相除；

步骤(3)：根据如下所示公式分别构造矩阵X∈RN×M、矩阵Y∈RN×m、以及矩阵Z∈RN×(m+M)：上式(2)中，d为自相关样本的个数，N＝n-d，M＝dm；

步骤(4)：利用主成分分析算法为Z建立相应的动态主成分分析模型：Z＝TPT+E，其中，T∈RN×τ与P∈R(m+M)×τ分别为主成分矩阵与载荷矩阵，E∈RN×(m+M)为模型残差矩阵，τ为保留的动态主成分的个数，具体的实施过程包括如下所示步骤(4.1)至步骤(4.4)；

步骤(4.1)：计算Z的协方差矩阵

步骤(4.2)：求解C所有特征值γ1≥γ2≥…≥γm+M所对应的特征向量p1，p2…，pm+M，此步骤中要求所有特征向量的长度均为1；

步骤(4.3)：设置保留的动态主成分个数τ为满足如下所示条件的最小值，并将对应的τ个特征向量组成载荷矩阵P＝[p1，p2…，pτ]步骤(4.4)：根据公式 与E＝Z-TPT分别计算主元矩阵T∈Rn×τ与模型残差矩阵E∈N×(m+M)R ；

步骤(5)：将载荷矩阵P中的第1行至第m行的向量组成矩阵P1，并初始化矩阵 为一个N×m维的零矩阵；

步骤(6)：假设矩阵Z中的第1列至第m列数据全部缺失，用 替代矩阵Z中Y后依据公式计算出 对应的主成分矩阵步骤(7)：根据公式 计算出矩阵

步骤(8)：找出矩阵 中元素的最大值，判断该最大值是否小于10-4？若否，则置 后，返回步骤(6)；若是，则计算缺失数据的估计误差 后执行下一步骤(9)；

步骤(9)：计算误差矩阵F中所有行向量的均值向量u∈R1×m，并根据公式Θ＝(F-u)T(F-u)/(N-1)计算协方差矩阵Θ∈Rm×m；

步骤(10)：判断矩阵Θ是否可逆？若是，则计算矩阵Θ的逆矩阵S＝Θ-1；若否，则根据公式S＝(Θ+εI)-1计算逆矩阵S，其中I为m×m维的单位矩阵，ε表示修正参数，ε的设定需小于矩阵Θ中对角线元素的平均值；

上述步骤(1)至步骤(10)为本发明方法的离线建模阶段，需保留的模型参数包括：步骤(1)中的均值向量μ与标准差向量δ、步骤(4)中的载荷矩阵P、步骤(5)中的矩阵P1、步骤(9)

1×m

中的均值向量u∈R 、以及步骤(10)中的逆矩阵S，以被实施包括如下所示步骤的在线监测阶段调用；

步骤(11)：收集当前最新采样时刻的数据样本xt∈R1×m，同时保留其前d个采样时刻的数据样本xt-1，xt-2，…，xt-d，根据公式 实施标准化处理，从而对应得到标准化后的向量 其中下标号t表示当前采样时刻，下标号j＝0，1，…，d；

步骤(12)：将 合并成一个数据向量 并初始化向量y为一个1×m的零向量；

步骤(13)：假设向量z中第1个至第m个数据缺失，并利用y取代向量z中的 后构造向量T步骤(14)：依据公式 计算出 对应的主成分向量s后，再根据公式ynew＝sP1 计算出向量ynew；

步骤(15)：判断是否满足条件||y-ynew||＜10-4？若否，则设置y＝ynew后返回步骤(13)；

若是，则计算缺失数据的估计误差 后执行步骤(16)；

步骤(16)：根据如下所示公式计算监测统计指标D：

D＝(e-u)S(e-u)T         (3)

步骤(17)：判断是否满足条件 若是，则当前时刻过程对象运行正常，继续监测下一个采样时刻的样本数据；若否，则当前时刻运行出现异常，其中 表示自由度为m，置信水平α＝99％的χ2分布所对应的具体数值。

2.根据权利要求1所述的一种基于假设缺失数据迭代估计误差的动态过程监测方法，其特征在于，所述步骤(4)中除利用主成分分析算法外，还可以利用独立成分分析算法建立动态独立成分分析模型。