1.基于故障敏感主元选择的多块PCA故障监测方法，应用于化工过程-TE过程，用于对TE过程中的故障进行监测，其特征在于，包括如下步骤：步骤1：获取原始正常工况数据集，对其进行标准化处理得到新的数据集；

步骤2：对数据集X作PCA分解；

步骤3：定义第i个主元对第j为变量上的故障敏感系数，将每种排序结果划分为一个子块；

步骤4：确定敏感系数ε的阈值εlim，在第j个子块中，选择εij＞εlim的前kj个主元进行监测，kj即为第j个子块中选择的主元个数，得到该子块的T2统计量控制限步骤5：对于通过传感器采集到的待监测样本xtest，依次计算其在第j个子块中的T2统计量；

步骤6：在获得所有子块的监测结果以后，基于贝叶斯推断方法，将各子块监测结果融合为BIC统计量，得到最终的监测结果，当BIC统计量超过控制限时，则认为该监测样本发生了故障。

2.根据权利要求1所述的基于故障敏感主元选择的多块PCA故障监测方法，其特征在于，上述步骤1为：获取原始正常工况数据集X0∈Rn×m，对其进行标准化处理得到数据集X∈Rn×m，其中n代表样本个数，m代表变量个数；标准化处理方法为：其中x0b表示数据集X0中的第b个样本，xb表示标准化后的第b个样本，mean(X0)表示矩阵X0的均值向量，std(X0)表示矩阵X0的标准差向量。

3.根据权利要求1所述的基于故障敏感主元选择的多块PCA故障监测方法，其特征在于，上述步骤2为：对数据集X作PCA分解：

T＝XP        (3)

X＝TPT+E        (4)

其中V是对协方差矩阵 作特征值分解得到的特征向量矩阵，Λ是一个对角阵，其对角线上的元素为从大到小排列的特征值，T∈Rn×k表示得分矩阵，P∈Rm×k表示载荷矩阵，它由矩阵V的前k列组成，k则表示PCA中选取的主元个数，E则代表残差空间中的信息。

4.根据权利要求1所述的基于故障敏感主元选择的多块PCA故障监测方法，其特征在于，上述步骤3为：定义第i个主元对第j为变量上的故障敏感系数εij为其中pij是矩阵V中的第i行第j列的元素，λi是第i个特征向量对应的特征值，利用式(4)计算得到的故障敏感系数εij的值，并根据故障敏感系数εij的大小对载荷向量进行排序得到 共有m种排序结果，其中上标j表示第j种结果，代表了各主元对第j维变量上的故障敏感系数大小；将每种排序结果划分为一个子块。

5.根据权利要求1所述的基于故障敏感主元选择的多块PCA故障监测方法，其特征在于，上述步骤4为：确定敏感系数ε的阈值εlim，在第j个子块中，选择εij＞εlim的前kj个主元进行监测，kj即为第j个子块中选择的主元个数，则该子块的T2统计量控制限 为：其中n代表数据集X中的样本个数， 表示F分布在自由度为kj与n-kj下，置信度为α时的值，通常α的值取0.99。

6.根据权利要求1所述的基于故障敏感主元选择的多块PCA故障监测方法，其特征在于，上述步骤5为：对于新采集到的待监测样本xtest，依次计算其在第j个子块中的T2统计量其中 为载荷向量 所对应的特征值；若 则认为第j个子块中发生了故障。

7.根据权利要求1所述的基于故障敏感主元选择的多块PCA故障监测方法，其特征在于，上述步骤6为：在获得所有子块的监测结果以后，基于贝叶斯推断方法，将各子块监测结果融合为BIC统计量，得到最终的监测结果；所述的贝叶斯推断方法为：2

在贝叶斯推断中，新采集到的待监测样本xtest在第j个子块中T统计量的故障条件概率可表示为：其中xtest,j表示第j个子块中的测试样本，似然函数 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j个子块的T2统计量； 是第j个子块的T2统计量控制限；最终融合的BIC统计量可以由式(10)计算：BIC统计量控制限为1-β；当BIC统计量超过控制限时，则认为该监测样本发生了故障。