1.一种流程工业过程在线自适应故障监测与诊断方法，其特征在于包含以下步骤：S1：收集正常工况状态下的历史数据，构造工业过程故障监测模型训练集，计算训练样本集均值和标准差，并对训练集进行标准化处理；其具体步骤为：S11：计算并保存训练样本集的均值向量，通过减去样本均值对训练样本集进行中心化处理；

S12：计算并保存训练样本集各数据变量的标准差，通过除以对应的标准差对训练样本集进行无量纲化处理；

S2：从处理后的训练集样本数据中提取主成分；其具体步骤为：S21：计算标准化处理后的工业过程故障监测模型训练集的协方差矩阵，通过SVD分解获得协方差矩阵的特征值和特征向量，并对特征值和对应的特征向量按特征值大小从大到小排序；

S22：设定累积贡献率阈值，根据特征值的累积贡献率确定主成分的个数和对应的特征值；

S23：将所选特征值对应的特征向量组成主成分空间的载荷向量，确定初始训练集的主成分；

S3：采用Lasso和Ridge约束相结合的弹性回归网，稀疏化训练集样本数据主成分，建立初始的工业过程故障监测稀疏主成分分析模型；

2

S4：基于所建立的过程故障监测模型，确定过程故障监测统计量T和SPE的过程控制限；

2 2

S5：在线采集工业过程数据，计算在线监测样本的故障监测统计量T和SPE；如T 或SPE超出过程故障监测统计量过程控制限，则表明当前为故障状态，转步骤S6进行故障溯因，否则，表明当前生产为正常工况状态，转步骤S5对工业过程故障监测稀疏主成分分析模型进行递归更新；其具体步骤为：

S51：采用S1步骤中获得的训练样本集均值和方差，对工业过程实时监测数据样本矩阵进行标准化处理；

2

S52：计算每条样本的T和SPE统计量值；

2

S53：判断T和SPE统计量的值是否超过阈值，若超过阈值，判断为故障数据，否则为正常数据；

S6：用判断为正常的工业过程在线监测数据样本更新训练集，递归更新工业过程故障监测稀疏主成分分析模型，转步骤S4自适应更新过程故障监测统计量的过程控制限；

S7：对检测出来的故障，采用贡献图法，对引发故障原因进行诊断，获得各个过程变量产生相应故障的概率；

S8：重新采集新的过程数据，转步骤S5实现流程工业过程运行工况状态自适应监测。

2.根据权利要求1所述的方法，其特征在于步骤S3具体包括：S31：计算训练样本集的格拉姆矩阵；

S32：基于Ridge约束思想将主成分求解问题转化成线性模型求解问题；

S33：在主成分分析线性模型求解问题中加入LASSO惩罚项，将过程故障监测主成分分析模型转化为稀疏主成分分析(SPCA)模型进行求解；

S34：根据调整方差的大小，确定主成分空间载荷向量的稀疏度；

S35：通过双参数交叉迭代求解，确定工业过程故障监测SPCA模型的载荷矩阵。

2

3.根据权利要求1所述的方法，其特征在于步骤S4中的两个统计量T和SPE的过程控制限采用如下公式进行计算：

其中p代表主成分个数，M代表训练集样本数目，Fa(m,n)表示自由度为m和n，置信度为(1‑a)×100％的F百分位点； Ca为置信度为(1‑a)×100％的正态分布点。

4.根据权利要求1所述的方法，其特征在于步骤S6具体包括：S61：采用S11和S12步骤中所述的方法，计算并保存新训练集的样本均值和标准差，用历史训练集样本均值和标准差对新的训练数据集进行标准化处理；

S62：递归更新格拉姆矩阵，并对过程故障监测的模型中的Ridge约束进行递归求解，采用Lasso约束对故障监测模型进行稀疏化处理，获得递归稀疏主成分分析模型；

2

S63：递归更新过程故障监测统计量T和SPE的控制限。

5.根据权利要求1所述的方法，其特征在于步骤S7具体包括：S71：计算观测变量对过程故障监测统计量的贡献度；

S72：根据贡献度的大小确定过程变量引发故障的概率，确定过程变量引发故障概率规则为，贡献度越大，引发故障的概率越大。