1.一种基于新型动态主元分析的动态过程监测方法，其特征在于，包括以下步骤：步骤(1)：采集生产过程正常运行工况下的样本，组成训练数据矩阵X∈Rn×m，并计算矩阵X中各列向量的均值μ1，μ2，…，μm以及标准差δ1，δ2，…，δm，对应组成均值向量μ＝[μ1，μ2，…，μm]T与标准差向量δ＝[δ1，δ2，…，δm]，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，上标号T表示矩阵或向量的转置；

步骤(2)：根据公式 对矩阵X实施标准化处理得到矩阵 其中，U∈Rn×m是由n个相同的均值向量μ组成的矩阵，即U＝[μ，μ，…，μ]T，对角矩阵Φ中对角线上的元素由标准差向量δ组成；

步骤(3)：记矩阵 设置自相关阶数为D后，根据公式Xd＝[xd，xd+1，…，T

xn-D+d-1]构造矩阵X1，X2，…，XD+1，其中下标号d＝1，2，…，D+1，xi为标准化后的第i个数据样本，i＝1，2，…，n；

步骤(4)：设置载荷向量的个数为K，利用新型主元分析算法求取K个载荷向量p1，p2，…，pK，具体的实施过程如下所示；

T

步骤(4.1)：初始化向量β＝[1，1，…，1]，即向量β中所有元素都等于1；

步骤(4.2)：根据公式β＝β/||β||归一化处理向量β，其中符号||β||表示计算向量β的长度；

步骤(4.3)：计算如下所示特征值问题中最大特征值所对应的特征向量pk，此步要求特征向量pk为单位长度：

上式中，λ为特征值，p为特征向量；

步骤(4.4)：根据公式 计算得到向量β；

步骤(4.5)：判断向量β是否收敛；若否，则返回步骤(4.2)；若是，则得到第k个载荷向量pk；

步骤(4.6)：根据公式 分别计算得分向量tk与回归向量wk；

T

步骤(4.7)：根据公式 更新矩阵 并依据公式Xd＝[xd，xd+1，…，xn-D+d-1]构造矩阵X1，X2，…，XD+1；

步骤(4.8)：重复步骤(4.1)至步骤(4.7)直至得到K个载荷向量p1，p2，…，pK、K个回归向量w1，w2，…，wK、以及K个得分向量t1，t2，…，tK；

步骤(5)：根据公式Θ＝P(WTP)-1计算投影变换矩阵Θ，其中矩阵W＝[w1，w2，…，wK]，载荷矩阵P＝[p1，p2，…，pK]；

T

步骤(6)：计算得分矩阵T＝[t1，t2，…，tK]的协方差矩阵Λ＝T T/(n-1)，并按照如下所示公式计算控制限ψlim与Qlim：上两式中，FK，n-K，α表示置信度为α、自由度分别为K与n-K的F分布所对应的值， 表示自由度为h、置信度为α为卡方分布所对应的值，a和τ分别为Q统计量的估计均值和估计方差；

上述步骤(1)至步骤(6)为离线建模阶段，需保留步骤(1)中的均值与标准差向量、步骤(5)中的投影变换矩阵Θ与载荷矩阵P、以及步骤(6)中的协方差矩阵Λ与控制上限，以备如下所示的在线监测过程调用；

步骤(7)：收集新采样时刻的数据样本x∈Rm×1，并根据公式 对x实施标准化处理得到

步骤(8)：根据如下所示公式计算统计量ψ与Q的具体数值：步骤(9)：判断是否满足条件ψ≤ψlim且Q≤Qlim；若是，则当前样本采集自正常工况，返回步骤(7)继续监测下一时刻的样本数据；若否，则当前监测样本采集自故障工况。