1.一种基于分层概率密度分解的过程监测和故障诊断方法，其特征在于，包括以下步骤：

步骤1，通过传感器采集正常工况下流程工业生产过程的输入测量值和输出测量值的两个过程变量的数据作为训练数据，输入测量值、输出测量值分别作为输入变量、输出变量，并对训练数据进行归一化处理，再计算训练数据的均值和方差；

步骤2，对步骤1中归一化处理后的数据运用N4SID子空间辨识方法，辨识得到输入输出状态空间模型的状态空间矩阵和初始过程状态向量，以过程状态向量作为状态变量，建立输入输出状态空间模型来描述流程工业生产过程；

步骤3，根据输入变量、输出变量以及状态变量的三个过程变量间的因果依赖关系构建分层概率图模型，将用以监控流程工业生产过程状态的所有过程变量的联合概率密度函数分解为条件概率密度函数和低维概率密度函数的乘积；

步骤4，对步骤1中归一化处理后的数据，用非参数密度估计方法估计得到分解后的条件概率密度函数和低维概率密度函数，计算训练数据各采样时刻的概率密度值，并分别设置各概率密度的控制限；

步骤5，通过传感器采集待测工况下流程工业生产过程的数据作为待测数据，用步骤1中获得的训练数据的均值和方差对待测数据进行归一化处理，用步骤4中估计得到的条件概率密度函数和低维概率密度函数计算待测数据各采样时刻的概率密度值，并利用步骤4得到的控制限对待测数据进行监测；

步骤6，若监测到故障，则利用基于故障重构的迭代诊断方法进行计算，获得最优故障幅值；

所述的步骤6中，包括如下步骤：

步骤6-1，设定过程变量的故障方向，一个故障方向对应于一个过程变量中的一个变量种类，总计有J个不同的故障方向，表示为{Θj,j＝1,2,…,J}，Θj表示第j个故障方向，故障方向的总数量J和所有过程变量中的所有种类的总数量相同；故障方向对应的故障幅值为f，第j个故障方向上含故障的数据表示为sf＝s+Θjf，sf为在含故障幅值为f的故障工况下所采集的数据，s表示名义正常数据；

步骤6-2，对于输入变量，在每一个可能的故障方向上，基于核条件密度估计方法，对数据采用以下定点迭代的优化算法迭代求取最优故障幅值式中，f(t)表示第t次迭代获得的故障幅值，f(t+1)表示第t+1次迭代获得的故障幅值，故障幅值的初始值f(0)取为零向量，t是迭代指数，y为待测数据的输出测量值，yi为第i个训练数据里的输出测量值，Θj表示第j个故障方向，βi为核条件密度估计方法中第i个核条件密度估计函数的系数，σ为核带宽；为方便表示，将待测数据的状态变量x和含故障幅值为f的故障工况下所采集输入测量值uf所组成的数据矩阵用wf表示，即wf＝[x uf]，用wi表示由第i个训练数据的过程状态向量xi和输入测量值ui组成的数据矩阵，即wi＝[xi ui]，i表示训练数据的采样时刻，N表示训练数据的总个数；

以上优化迭代算法迭代至收敛所得到的故障幅值即为最优故障幅值 根据求解得到的最优故障幅值 对含故障幅值为f的故障工况下所采集数据的第一条件概率密度p1(y|x,uf)进行故障重构，即计算将输入测量值减去最优故障幅值 后得到名义正常数据，对该名义正常数据用核条件密度估计方法获得故障重构后的第一条件概率密度p1(y|x,u)；

步骤6-3，对于输出变量，在每一个可能的故障方向上，基于核条件密度估计方法，对数据采用以下定点迭代的优化算法迭代求取最优故障幅值式中，f(t)表示第t次迭代获得的故障幅值，f(t+1)表示第t+1次迭代获得的故障幅值，故障幅值的初始值f(0)取为零向量，t是迭代指数，yf为含故障幅值为f的故障工况下所采集的输出测量值，yi为第i个训练数据里的输出测量值，Θj表示第j个故障方向，βi为核条件密度估计方法中第i个核条件密度估计函数的系数，σ为核带宽；为方便表示，将待测数据的状态变量x和输入变量u所组成的数据矩阵用w表示即w＝(x,u)，用wi表示包含第i个训练数据的过程状态向量xi和输入测量值ui的数据矩阵，即wi＝[xi ui]，i表示训练数据的采样时刻，N表示训练数据的总个数；

以最后次迭代至收敛所得到的故障幅值即为最优故障幅值 根据求解得到的最优故障幅值 对含故障幅值为f的故障工况下所采集数据的第一条件概率密度p1(yf|x,u)进行故障重构，即将输出测量值减去最优故障幅值 后得到名义正常数据，对该名义正常数据用核条件密度估计方法获得故障重构后的第一条件概率密度p1(y|x,u)；

步骤6-4，记录输入测量值及输出测量值在每个可能故障方向上进行重构后得到的各个概率密度值；

步骤7，利用最优故障幅值进行故障变量的定位与分离，完成流程工业生产过程的监测和故障诊断。

2.如权利要求1所述的一种基于分层概率密度分解的过程监测和故障诊断方法，其特征在于：所述的步骤2具体包括：步骤2.1：建立以下的输入输出状态空间模型，表示为：

xk＝Axk-1+Buk-1+Kek

yk＝Cxk+Duk+ek

其中，yk表示第k个采样时刻传感器监测到的输出测量值，uk,uk-1分别表示第k，k-1时刻传感器监测到的输入测量值，xk,xk-1分别表示第k，k-1时刻的过程状态向量，ek表示第k个时刻流程工业生产过程的随机噪声向量；

A,B,C,D,K分别表示第一、第二、第三、第四和第五状态空间矩阵，设定流程工业生产过程渐进稳定，即第一状态空间矩阵A的所有特征值均在单位圆内；k表示采样时刻的序数，k≥1；

步骤2.2：然后根据输出测量值yk,yk-1,yk-2,…、输入测量值uk,uk-1,uk-2,…运用N4SID子空间辨识方法辨识得到输入输出状态空间模型的五个状态空间矩阵和初始过程状态向量x0；定义初始输入测量值u0＝0，初始输出测量值y0＝0，计算得到过程状态向量xk,xk-1,xk-2,…、输出测量值yk,yk-1,yk-2,…、输入测量值uk,uk-1,uk-2,…以及过程状态向量xk,xk-1,xk-2,…作为流程工业生产过程的过程变量。

3.如权利要求1所述的一种基于分层概率密度分解的过程监测和故障诊断方法，其特征在于：所述步骤3中，具体过程如下：步骤3-1，首先，以步骤2的输入输出状态空间模型为基础，得到过程变量间的因果依赖关系，过程变量包括输出测量值yk、输入测量值uk、过程状态向量xk，过程变量间的因果依赖关系具体为：输入测量值影响过程状态向量，进而影响输出测量值；

然后，构建分层概率图模型，分层概率图模型具体为：输出测量值、输入测量值、过程状态向量由节点表示，过程变量间的因果依赖关系由有向箭头表示，输入测量值作为父节点，指向作为中间节点的过程状态向量，再指向作为叶节点的输出测量值；

步骤3-2，建立输入输出状态空间模型中误差项的联合概率密度，表示为p(ek)＝p(yk,xk,uk,xk-1,uk-1)，p(ek)表示第k采样时刻随机噪声向量ek的概率值，p(yk,xk,uk,xk-1,uk-1)表示第k采样时刻所有相关过程变量的概率值；

利用链式法则结合分层概率图模型将联合概率密度分解为三个条件概率密度和一个低维概率密度的乘积，即p(ek)＝p1(yk|xk,uk)p2(xk,uk|xk-1,uk-1)p3(xk-1|uk-1)p4(uk-1)，p1(yk|xk,uk)表示xk,uk已知条件下输出测量值yk的第一条件概率密度，p2(xk,uk|xk-1,uk-1)表示xk-1,uk-1已知条件下过程状态向量xk和输入测量值uk的第二条件概率密度，p3(xk-1|uk-1)表示uk-1已知条件下过程状态向量xk-1的第三条件概率密度，p4(uk-1)表示第k-1个采样时刻输入测量值的低维概率密度。

4.如权利要求1所述的一种基于分层概率密度分解的过程监测和故障诊断方法，其特征在于：所述步骤4中，用非参数密度估计方法估计得到分解后的各个概率密度，其中条件概率密度由核条件密度估计方法估计得到，低维概率密度由核密度估计方法计得到；计算概率密度值时设置控制限时选择显著性水平α＝0.05，选取100*α％分位数作为控制限。

5.如权利要求3所述的一种基于分层概率密度分解的过程监测和故障诊断方法，其特征在于：所述步骤5中，具体将待测数据的各个概率密度值和各自对应的控制限比较：a.若四个概率密度值均高于各自对应的控制限，则认为监测的流程工业过程正常；

b.若概率密度p4(uk-1)高于控制限，且概率密度p1(yk|xk,uk)、p2(xk,uk|xk-1,uk-1)、p3(xk-1|uk-1)均低于控制限，则认为监测的流程工业过程的系统发生了故障，输出测量值可能发生了故障；

c.若概率密度p2(xk,uk|xk-1,uk-1)、p3(xk-1|uk-1)、p4(uk-1)高于控制限，概率密度p1(yk|xk,uk)低于控制限，则认为监测的流程工业过程的输出测量值发生了故障；

d.若四个概率密度均低于控制限，则认为监测的流程工业过程的输入测量值发生了故障，系统和输出测量值可能发生了故障。

6.如权利要求1所述的基于分层概率密度分解的过程监测和故障诊断方法，其特征在于：所述的步骤7中，包括如下步骤：步骤7-1，对于监测到故障的概率密度函数，计算在故障重构前待测数据的概率密度的平均值，记为M；

步骤7-2，基于步骤6-4得到的故障重构后的概率密度值，计算故障重构后的待测数据在各可能故障方向上的概率密度的平均值，记为Mj；

步骤7-3，选取故障重构后的待测数据在各可能故障方向上的概率密度的平均值中的最大值，记为max(Mj)；

步骤7-4，采用公式计算故障重构指数ζj：

若故障重构指数ζj小于预设重构阈值，则说明故障没有按照正确的方向重构，即第j个方向没有受到故障的影响；

相反地，若故障重构指数ζj大于等于预设重构阈值说明故障是沿着正确的方向重构的，即第j个方向受到了故障的影响，实现故障变量的定位和分离。