1.一种基于自回归极限学习机的非线性动态过程监测方法，其特征在于，包括以下步骤：步骤(1)：在生产过程正常运行状态下，采集n个样本数据x1，x2，…，xn组成训练数据矩阵m×nX＝[x1，x2，…，xn]∈R ，并根据如下所示公式①对训练数据矩阵X实施归一化处理得到矩阵m×n

其中，i＝1，2，…，n、xi为第i个样本数据、m为测量变量的个数、R为实数集、R 表示m×

1×n

n维的实数矩阵、j＝1，2，…，m、zj∈R 为训练数据矩阵X中的第j行向量、为矩阵 中第j行向量、zj，max与zj，min分别表示行向量zj的最大值与最小值；

步骤(2)：记矩阵 其中 表示矩阵 中的第i列向量，并设置自相关阶数d后，分别根据公式 与公式②构造输出矩阵XO与输入矩阵XI：步骤(3)：利用极限学习机算法建立输入矩阵XI与输出矩阵XO之间的自回归极限学习机模型：XO＝f(XI)+E，其中f()表示自回归极限学习机模型中的非线性变换过程，E为模型误差矩阵，具体的实施过程包括如下所示的四个步骤：步骤(3.1)：设置隐含层神经元的个数为H，按照标准正态分布随机产生输入层与隐含dm×H 1×H层之间的连接权值矩阵W∈R 与偏置向量b∈R ；

‑u

步骤(3.2)：设定隐含层神经元的激活函数为h(u)＝1/(1+e )，其中u为激活函数的自(n‑d)×H变量，根据如下所示公式③计算隐含层的输出矩阵ψ∈R 中的第k行向量ψk：其中，XI(k)为输入矩阵XI中的第k列向量，k＝1，2，…，(n‑d)，上标号T表示矩阵或向量的转置；

T ‑1 T T

步骤(3.3)：根据公式β＝(ψψ) ψXO计算回归系数向量β；

步骤(3.4)：根据公式E＝XO‑ψβ计算得到模型误差矩阵E，将上述由输入矩阵XI到隐含层的输出矩阵ψ再到数据矩阵XO的非线性变换过程可表示成XO＝f(XI)+E；

T

步骤(4)：计算E中各列向量的均值向量μ与协方差矩阵C＝(E‑U)(E‑U) /(n‑d‑1)，其中m×(n‑d)矩阵U＝[μ，μ，…μ]∈R 由n‑d个均值向量μ构成；

步骤(5)：在生产过程正常运行状态下，再次采集N个样本数据v1，v2，…，vN组成测试数m×N据矩阵V∈R ，并根据如下所示公式④对V实施归一化处理得到矩阵其中，为V中的第j行向量，为矩阵 中的第j行向量；

步骤(6)：记矩阵 其中 为矩阵 中的第λ列向量，λ＝1，2，…，N，并根据公式 与公式⑤构造输出矩阵VO与输入矩阵VI：步骤(7)：根据公式 计算得到输出矩阵VO的估计值 并根据公式Q＝diagT ‑1

{(EV‑Uv) C (E‑Uv)}计算监测统计指标向量Q，其中矩阵 diag{}表示将矩阵中对角线上的元素转变成列向量的操作，矩阵Uv由N‑d个均值向量μ组成，即Uv＝[μ，μ，…，μ]∈m×(N‑d)R ；

步骤(8)：对Q中的元素按数值大小进行降序排列，并将第N/100个最大值作为监测统计指标的控制上限Qc；

以上所述步骤为本发明方法的离线建模阶段，离线建模阶段完成后，即可按照如下所示步骤(9)至步骤(12)实施在线过程监测；

m×1

步骤(9)：在线采集最新采样时刻的样本数据xt∈R ，并根据如下所示公式⑥对xt实施归一化处理，得到归一化后的向量其中，xt(i)与 分别表示xt与 中的第j个元素；

步骤(10)：根据公式对 构造输入向量 并根据 计算得到向量 的估计值 其中，向量 分别为t‑1，t‑2，…，t‑d采样时刻的样本数据实施归一化处理后所得到的向量；

T ‑1

步骤(11)：根据公式D＝(e‑μ) C (e‑μ)计算监测统计指标D，其中步骤(12)：判断是否满足条件：D≤Qc；若否，则当前采样时刻已进入故障工况；若是，则过程对象处于正常运行状态，返回步骤(9)实施对下一采样时刻样本数据的故障检测。