1.基于高效递推核主元分析的非线性时变过程故障监测方法，其特征在于：包括如下步骤：步骤1：离线建模

采集田纳西伊斯曼化工过程正常运行数据，并将其标准化后用于建立离线的核主元分析模型；通过径向基核函数将训练数据映射到高维线性特征空间，然后利用特征值分解求得样本协方差矩阵的特征值和特征向量，建立田纳西伊斯曼化工过程的离线模型；同时，借助核密度估计算法来确定统计量的控制限；

步骤2：在线监测

当采集到的田纳西伊斯曼化工过程数据xt是正常数据时，采用递推核主元分析方法在步骤2中田纳西伊斯曼化工过程初始离线监测模型提供的特征值和特征向量的基础上，通过引入一阶干扰理论来实现高效的递推特征值分解，从而直接更新特征值和特征向量，并2

重新计算更新后的田纳西伊斯曼化工过程的负荷向量、残差向量；通过计算Hotelling的T统计和平方预测误差Q统计量对田纳西伊斯曼化工过程进行故障监测，即可判断出田纳西伊斯曼化工过程是否发生故障，当T2统计和Q统计超出各自的控制限时，认为有故障发生，反之，整个过程正常。

2.根据权利要求1所述的基于高效递推核主元分析的非线性时变过程故障监测方法，其特征在于：步骤1所述的建立田纳西伊斯曼化工过程的初始离线监测模型，方法如下：

1)利用田纳西伊斯曼化工过程采集具有非线性、缓缓时变特性的训练数据集：其中n和m分别是采样个数和变量数，xi∈Rm，i表示第i组采样数据；

2)将X中m个变量分别进行去均值除以标准差的标准化处理，通过高斯核函数K(i,j)＝exp(-||x(i)-x(j)||2/σ),将数据映射到高维特征空间，其中σ核函数的宽度参数，通常根据经验设定；

3)对核矩阵K进行中心化处理K＝K-ZK-KZ+ZKZ,其中,

4)在高维线性特征空间求得样本协方差矩阵 并通过特征值分解求得特征值λi及其对应的特征向量vi，其中1≤i≤n；

5)根据累计贡献率确定主元个数p：

6)将测试故障数据xt投影到高维特征空间，并计算得分向量：其中，kt＝Φ(Xt)Φ(xt)；

7)计算监控统计量T2＝[t1,t2…,tp]Λ-1[t1,t2…,tp]T,其中，Λ-1是p个特征值的逆矩阵， 是所有特征值中非零特征值的个数；

8)确定统计量T2和Q的核密度估计：

其中，x和xi是被估计数据向量和向量中对应的第i个数值，n是数据向量包含的总个数，h是核函数的宽度，Kp采用高斯核函数；

2

9)根据核密度估计方法确定统计量T和Q的控制限：其中，α是指定的置信度。

3.根据权利要求1所述的基于高效递推核主元分析的非线性时变过程故障监测方法，其特征在于：步骤2所述高效递推核主元分析方法通过引入一阶干扰理论，在田纳西伊斯曼化工过程初始监测模型的基础上，直接递推更新特征值及其特征向量，高效递推核主元分析监测方法如下：

1)在线采集测量数据xt∈Rm，并利用径向基核函数K(i,j)＝exp(-||x(i)-x(j)||2/σ)投影到高维特征空间并进行中心化：kt＝kt-1tkt-kt1t+1tkt1t，其中，1t＝1/n[1 … 1]∈R1×n；

2)取得离线模型求得的k-1时刻特征值λk-1及其对应的特征向量vk-1，引入一阶干扰理论实现递推特征值分解直接求得k时刻特征值λk及其对应的特征向量vk；递推特征值分解到步骤如下：a)计算xt＝(ε)1/2xt, 其中ε是一个接近于零的小正数；

b)初始化 然后计算

c)更新第i个特征值λk,i＝(1-ε)λk,i-1+fi2；

d)更新第i个特征向量

e)并进行标准化vk,i＝(vk,i)/(||vk,i||)；

3)依据离线模型确定的主元个数来划分负荷向量和残差向量，并计算监控统计量T2和Q，2

4)将监控统计量T 和Q与离线模型获取的控制限进行对比，如果 或Q>QUCL(α)，则表示监测到故障的发生；否则，跳转到11)继续循环执行。

4.根据权利要求1所述的基于高效递推核主元分析的非线性时变过程故障监测方法，其特征在于：所述的工业过程具有复杂特性，包括非线性和缓慢时变特性。

5.根据权利要求1所述的基于高效递推核主元分析的非线性时变过程故障监测方法，其特征在于：所述的工业故障为田纳西伊斯曼化工过程典型故障，其中包含的两类缓慢变化均在正常工况范围内。