1.一种基于分散式极限学习机的动态过程监测方法，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T n×m

阵X＝[x1，x2，…，xn] ∈R ，并根据公式①对X中各样本数据实施增广处理得到增广矩阵Xa：

n×m

其中，参数d为自相关阶数、m为测量变量个数、R为实数集、R 表示n×m维的实数矩阵、上标号T表示矩阵或向量的转置；

(n‑d)×1

步骤(2)：将增广矩阵Xa表示成列向量形式：Xa＝[z1，z2，…，zM]，其中zi∈R 为增广矩阵Xa中的第i列向量，i＝1，2，…，M，M＝(d+1)m，并按照公式②对Xa实施归一化处理，得到矩阵

其中，zi，max与zi，min分别表示列向量zi的最大值与最小值， 表示归一化处理后的矩阵 中第i列向量；

步骤(3)：将矩阵 中第1列至第m列的列向量依次单独作为模型输出，并将矩阵 中其他列向量作为模型输入，对应建立m个极限学习机模型，具体的实施过程如下所示：步骤(3.1)：初始化j＝1；

步骤(3.2)：将矩阵 中的第j列向量 作为极限学习机的模型输出，而将矩阵 中除去第j列向量后的矩阵Xj作为极限学习机的模型输入矩阵，建立第j个测量变量的极限学习机模型：yj＝fj(Xj)，其中yj为极限学习机模型的输出估计值，fj()表示第j个极限学习机模型的非线性变换过程，第j个极限学习机模型的建立包括以下四个步骤：首先，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层之间(M‑1)×H 1×H

的连接权值矩阵Wj∈R 与偏置向量bj∈R ；

其次，设定隐含层神经元的激活函数为Sigmoid函数，并按照下式计算隐含层输出矩阵(n‑d)×H

ψ∈R 中的第k行向量

上式中， 表示矩阵Xj中的第k行向量，k＝1，2，…，(n‑d)；

然后，根据公式 计算回归系数向量βj；

最后，根据公式yj＝ψβj计算极限学习机模型的输出估计值yj，因此从输入矩阵Xj到输出估计值yj的非线性变换过程可表示成：yj＝fj(Xj)；

步骤(3.3)：判断是否满足条件：j＜m？若是，则置j＝j+1后返回步骤(3.2)；若否，则得到m个极限学习机模型及其相应的输出估计值y1，y2，…，ym；

步骤(4)：根据公式 计算误差矩阵E后，计算误差矩阵E的协方差矩阵C以及E中各行向量的均值向量μ，其中矩阵Y＝[y1，y2，…，ym]；

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N×m

据矩阵V∈R ，并根据如下所示公式④得到增广矩阵Va步骤(6)：将增广矩阵Va表示成列向量形式： 其中 为增广矩阵Va中的第i列向量，并按照公式⑤对Va实施归一化处理，得到矩阵上式中，为归一化处理后的列向量；

步骤(7)：根据如下所示步骤(7.1)至步骤(7.3)计算得到m个极限学习机模型的输出估计值

步骤(7.1)：初始化j＝1；

步骤(7.2)：根据公式 计算得到第j个极限学习机模型的输出估计值 其中为矩阵 中除去第j列而得到的矩阵；

步骤(7.3)：判断是否满足条件：j＜m？若是，则置j＝j+1后返回步骤(7.2)；若否，则得到m个极限学习机模型的输出估计值‑1 T

步骤(8)：先计算误差矩阵 后根据公式Q＝diag{(F‑U)C (F‑U) }计算监测指标向量Q，其中 diag{}表示将矩阵对角线上的元素取出作为列向量的操T T T T (N‑d)×m作，矩阵U由N‑d个均值向量μ组成，即U＝[μ，μ，…，μ]∈R ；

步骤(9)：对监测指标向量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(10)至步骤(14)实施在线故障检测；

m×1

步骤(10)：在线采集最新采样时刻的样本数据xt∈R ，并将xt与t采样时刻之前的d个T T T T

样本数据xt‑1，xt‑2，…，xt‑d合并成一个向量xnew＝[xt，xt‑1，…，xt‑d]；

步骤(11)：根据如下所示公式对xnew进行归一化处理得到上式中，xnew(i)与 分别表示xnew与 中的第i个元素；

步骤(12)：根据如下所示步骤(12.1)至步骤(12.3)计算得到m个极限学习机模型的输出估计值γ1，γ，…，γm；

步骤(12.1)：初始化j＝1；

步骤(12.2)：根据公式 计算得到第j个极限学习机模型的输出估计值γj，其中 为 中除去第j个元素而得到的模型输入向量；

步骤(12.3)：判断是否满足条件：j＜m？若是，则置j＝j+1后返回步骤(12.2)；若否，则得到m个极限学习机模型的输出估计值γ1，γ，…，γm；

‑1

步骤(13)：计算估计误差 后，根据公式D＝(e‑μ)C (e‑μ)计算监测指标D，其中γnew＝[γ1，γ，…，γm]；

步骤(14)：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(10)实施对下一采样时刻样本数据的故障检测。