1.一种基于在线简略核学习的非线性化工过程监测方法，其特征在于，包括以下步骤：步骤(1)：利用化工过程安装的测量仪表，在正常运行状态时采集N个样本数据x1，x2，…，xN，其中第i个采样时刻的样本数据xi∈Rm×1由m个采样数据组成，具体包括温度，压力，流量，液位这四类采样数据，Rm×1表示m×1维的实数向量，i∈{1，2，…，N}；

步骤(2)：对N个样本数据x1，x2，…，xN实施标准化处理，得到N个m×1维的数据向量步骤(3)：按照如下所示步骤(3.1)至步骤(3.9)从N个数据向量 中筛选出n个具代表性的数据向量，记作z1，z2，…，zn，其中n＜N/2；

步骤(3.1)：从N个数据向量 中任意选择n个不同的数据向量，并将其记作z1，z2，…，zn；

步骤(3.2)：根据如下所示公式计算核矩阵K∈Rn×n中第a行第b列的元素K(a，b)：其中，δ为核参数，||za-zb||2＝(za-zb)T(za-zb)，a∈{1，2，…，n}，b∈{1，2，…，n}，Rn×n表示n×n维的实数矩阵，上标号T表示矩阵或向量的转置；

步骤(3.3)：根据如下所示公式对核矩阵K进行中心化处理得到矩阵 并计算基矩阵其中，矩阵IIn∈Rn×n中全部元素都是1；

步骤(3.4)：根据如下所示公式计算核矩阵J∈RN×n中第i行第b列元素J(i，b)：其中，

步骤(3.5)：根据如下所示公式对J实施中心化处理得到上式中，矩阵IIN∈RN×n中所有元素都是1，RN×n表示N×n维的实数矩阵；

步骤(3.6)：根据公式 计算矩阵G后，再求解矩阵G的n个特征值所对应的特征向量，并将特征值按数值大小进行降序排列得到λ1≥λ2≥…≥λn，相对应的特征向量分别为p1，p2，…，pn，此步骤要求所有特征向量的长度都是1，上标号T表示矩阵或向量的转置；

步骤(3.7)：将最大的d个特征值所对应的特征向量p1，p2，…，pd组建变换矩阵P＝[p1，p2，…，pd]后，再计算监测指标向量 其中diag{}表示将大括号内的矩阵对角线元素转变成列向量的操作，矩阵W＝AP；

步骤(3.8)：确定出监测指标向量D∈RN×1中最大的n个元素所在位置，对应的从中选择n个数据向量，重新记作z1，z2，…，zn；

步骤(3.9)：判断z1，z2，…，zn是否发生变化；若是，则返回步骤(3.2)；若否，则保留核矩阵K，矩阵 基矩阵A，和n个具代表性的数据向量z1，z2，…，zn；

步骤(4)：在最新采样时刻t，利用精馏塔设备所安装的测量仪表测量得到由m个采样数据组成的数据向量xt∈Rm×1，并对其实施与步骤(2)中相同的标准化处理，得到新数据向量步骤(5)：根据如下所示公式计算核向量kt∈R1×n中的第b个元素kt(b)：上式中，b∈{1，2，…，n}， R1×n表示1×n维的实数向量，δ为核参数；

步骤(6)：根据如下所示公式对核向量kt实施中心化处理得到上式中，向量IIt∈R1×n中所有元素都为1，矩阵IIn∈Rn×n中全部元素都是1；

步骤(7)：根据公式 计算矩阵Gt后，再求解Gt最大特征值所对应的特征向量pt∈Rn×1；

n×1

步骤(8)：根据公式wt＝Apt计算投影变换向量wt∈R 后，再计算监测指标向量并确定出D中的最大值Dmax；

步骤(9)：根据公式 计算监测指标Dt，并判断是否满足Dt≤Dmax；若是，则当前采样时刻化工过程对象运行正常，返回步骤(4)继续实施对下一最新采样时刻样本数据的运行状态监测；若否，则执行步骤(10)从而决策是否识别出现故障；

步骤(10)：返回步骤(4)继续实施对下一最新采样时刻样本数据的运行状态监测，若连续3个采样时刻的监测指标都不满足步骤(9)中的判断条件，则化工过程对象进入故障工况并触发故障报警；否则，返回步骤(4)继续实施对下一最新采样时刻的运行状态监测。