1.一种基于故障敏感慢特征的多块故障监测方法，其特征在于：包括，采集工业生产系统中的数据，并将所得数据划分为训练集和测试集；

对训练集进行慢特征分析，计算出慢特征变换矩阵；

定义故障敏感程度系数，并由慢特征变换矩阵中的系数得出各慢特征对故障的敏感程度；

定义故障敏感程度阈值，对训练集每一维变量进行故障敏感慢特征的选取，并作为训练子块；

对每一个训练子块分别计算故障统计量，并采用支持向量数据描述模型计算出超球体半径作为故障控制限；

对每一个测试样本分别计算出故障统计量，带入支持向量数据描述模型中计算出距离球心的距离，通过比较与球心距与半径大小判断是否产生故障。

2.如权利要求1所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：所述采集工业生产系统中数据，并将数据划分为训练集和测试集的步骤包括：通过传感器采集工业生产系统中的数据；

根据不同工况，将数据分为正常数据和故障数据；

将正常数据作为训练集，其故障数据作为测试集；

分别对训练集和测试集进行标准化处理。

3.如权利要求2所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：所述传感器为温度传感器、压力传感器和流量传感器。

4.如权利要求2或3所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：训练集标准化处理步骤包括：计算训练集X的平均值μ；

计算训练集X的标准差δ；

标准化后的训练集

5.如权利要求4所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：测试集Y标准化处理的平均值和标准差采用训练集的平均值和标准差；

其中，标准化后的测试集Y：

6.如权利要求5所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：对训练集进行慢特征分析，计算出慢特征变换矩阵的步骤如下：给定一个m维的时序信号，并按照由慢到快的顺序进行排列；

取慢特征的问题转为优化问题；

对线性慢特征分析进行变换；

采用SVD分解对数据作白化处理；

将优化问题转化为求解正交矩阵；

根据白化矩阵和正交矩阵获取慢特征变换矩阵。

7.如权利要求5或6所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：将故障敏感程度系数定义为：εij＝|wij|

其中，εij为第i个慢特征对第j维变量上发生故障的敏感程度系数，wij为慢特征变换矩阵中第i行第j列的元素。

8.如权利要求7所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：将故障敏感程度阈值定义为：其中，εjlim为第j个变量维度上选择故障敏感慢特征的阈值， 为第j个变量维度上最大的故障敏感系数，μ为一个0～1之间的系数。

9.如权利要求8所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：慢特征分析模型中故障统计量计算如下：其中，sk为通过故障敏感程度所选择的慢特征矩阵。

10.如权利要求8或9所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：支持向量数据描述模型下的故障统计量与故障控制限如下：s.t.||Φ(yi)-a||2≤R2+ξi其中，R是超球体半径；a是超球体球心；惩罚系数C权衡超球体的体积和训练样本的错误率；ξi是松弛变量。

其中，上式的优化问题可转化为求解其对偶问题的优化问题：其中，K为核函数；αi为拉格朗日乘子；xi和xj为第i个和第j个训练样本，支持向量为满足0＜αi＜C的样本；

其中，通过解决此优化问题，可得超球体半径：其中，测试样本与超球体球心的距离为：