1.一种基于序列相关局部保持投影算法的故障监测方法，其特征在于，包括以下步骤：首先，离线建模阶段包括如下所示步骤(1)至步骤(7)；

步骤(1)：在生产过程正常运行状态下，按照采样时间先后依次采集n个样本数据组成n×m

矩阵X∈R ，并计算矩阵X中各行向量的均值向量μ与标准差向量δ，其中m为测量变量的总n×m

个数、R为实数集，R 表示n×m维的实数矩阵；

步骤(2)：利用均值向量μ与标准差向量δ对矩阵X中各行向量实施标准化处理，从而得到矩阵 其中 为标准化处理后的数据向量，i＝1，2，…，n，上标号T表示矩阵或向量的转置；

步骤(3)：设置自相关阶数为d，按照如下所示公式①分别构造Future矩阵XF与Past矩阵XP：

步骤(4)：设置投影变换向量个数为A与近邻阶数为k，根据如下所示步骤(4.1)至步骤(4.5)求解得到A个投影变换向量p1，p2，…，pA后，即可建立模型： 其中得分矩阵 载荷矩阵P＝[p1，p2，…，pA]、误差矩阵步骤(4.1)：根据如下所示公式②计算毗邻矩阵W中第i行第j列元素Wij：上式中，i＝1，2，…，n、j＝1，2，…，n；

n×n

步骤(4.2)：计算矩阵L＝D‑W，其中对角矩阵D∈R 对角线上的元素为毗邻矩阵W中各列向量之和，并初始化a＝1与初始化βa为任意一个d×1维的实数向量；

步骤(4.3)：根据公式 计算矩阵G后，判断是否满足条件：a＜2；若是，则求解特征值问题： 最大特征值λ所对应的特征向量pa；若否，则求解特征值问题： 最大特征值所对应的特征向量pa；其中，Im表示m×m维的单位矩阵、符号 表示Kronecker乘法、(a‑1)

A ＝[p1，p2，…，pa‑1]、步骤(4.4)：对pa实施归一化处理 并求解特征值问题Hβa＝ηβa最大特征值η对应的特征向量βa，其中 Id表示d×d维的单位矩阵；

步骤(4.5)：对βa实施归一化处理 后，判断βa是否收敛；若否，则返回步骤(4.3)；若是，则得到第a个投影变换向量pa，并执行步骤(4.6)；

步骤(4.6)：判断是否满足条件：a＜A；若是，则置a＝a+1后，初始化βa为任意一个d×1维的实数向量，再返回步骤(4.3)；若否，则得到A个投影变换向量p1，p2，…，pA；

T

步骤(5)：根据公式Λ＝SS/(n‑1)计算协方差矩阵Λ后，利用主元分析算法对误差矩阵E实施分解： 其中U表示主元得分矩阵、V表示主元载荷矩阵、表示主元误差矩阵；

‑1 T ‑1 T

步骤(6)：根据公式ψ＝diag{SΛ S}、ξ＝diag{UΘ U}、和 分别计算监测指标向量ψ、ξ、和Q，其中diag{}表示将矩阵对角线上的元素变成向量的操作；

步骤(7)：分别将监测指标向量ψ、ξ、和Q中第n/100个最大元素记做监测指标上限ψlim、ξlim、和Qlim；

其次，在线故障监测阶段包括如下所示步骤(8)至步骤(11)；

m×1

步骤(8)：采集最新采样时刻的样本数据xnew∈R ，并利用均值向量μ与标准差向量δ对xnew实施标准化处理得到向量步骤(9)：根据公式 unew＝enewV、和分别计算得分向量snew、误差向量enew、主元得分向量unew、和主元误差向量‑1 T ‑1 T

步骤(10)：根据公式ψnew＝snewΛ snew、ξnew＝unewΘ unew 、 分别计算出监测指标ψnew、ξnew、和Qnew的具体数值；

步骤(11)：判断是否满足条件：ψnew≤ψlim且ξnew≤ξlim且Qnew≤Qlim；若是，则当前采样时刻过程正常运行，返回步骤(8)继续实施对下一采样时刻数据的监测；若否，则当前采样时刻过程进入异常工况状态。