1.一种基于相关特征分析的复杂化工过程状态监测方法，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)：利用化工过程中安装的测量仪表采集该化工过程正常运行状态下的N个样本m×1数据x1，x2，…，xN，其中，第i个采样时刻的样本数据xi∈R 由m个测量数据组成，包括温度，m×1压力，流量，液位、阀门开度、和功率的测量数据，i∈{1，2，…，N}，R 表示m×1维的实数向量；

步骤(2)：对x1，x2，…，xN实施标准化处理，得到数据向量 并组建训练数据矩阵步骤(3)：将X均分成C个子矩阵X1，X2，…，XC，各个子矩阵都是m×n维的实数矩阵，其中，m×n m×nXc∈R ，下标号c∈{1，2，…，C}，R 表示m×n维的实数矩阵，N＝n×C；

m×D

步骤(4)：实施相关特征分析，从而得到相关特征的变换矩阵W1∈R 和差异特征的变m×(m‑D) m×(m‑D)换矩阵W2∈R ，其中，R 表示m×(m‑D)维的实数矩阵；

m×m

步骤(4.1)：初始化矩阵U∈R 中所有元素都为0，初始化下标号d＝1，并初始化ud为任意m×1维的实数向量；

T

步骤(4.2)：依次根据公式ud＝(I‑UU)Θdud与ud＝ud/||ud||更新特征向量ud，直至ud收敛，其中I表示m×m维的单位矩阵，矩阵Θd的计算方式如下所示：T ‑1/2

上式中，Φ＝(XX) ，下标号b∈{1，2，…，C}，下标号c∈{1，2，…，C}，上标号T表示矩阵或向量的转置符号，标量Hbc的取值如下所示：步骤(4.3)：将特征向量ud做为U的第d列的列向量后，再判断是否满足条件d＜m；若是，则设置d＝d+1后，返回步骤(4.2)；若否，则得到m个特征向量u1，u2，…，um；

步骤(4.4)：根据如下所示公式计算特征值λ1，λ2，…，λm：上式中，d∈{1，2，…，m}；

步骤(4.5)：对λ1，λ2，…，λm进行降序排列后，将最大的D个特征值所对应的特征向量组m×D m×(m‑D)成矩阵U1∈R ，并将剩余的m‑D个特征向量组成矩阵U2∈R ；

m×D

步骤(4.6)：分别根据公式W1＝ΦU1与W2＝ΦU2计算相关特征的变换矩阵W1∈R 与差异m×(m‑D)特征的变换矩阵W2∈R ；

T T T N×1

步骤(5)：根据公式ψ＝diag{XW1W1 X}计算监测指标向量ψ∈R 后，利用核密度估计法确定出在置信限α条件下的控制限ψlim，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；

步骤(6)：根据公式 计算差异特征向量v1，v2，…，vN后，按照如下所示步骤(6.1)N×1至步骤(6.3)获取N×1维的监测指标向量Q∈R ；

步骤(6.1)：初始化i＝1；

步骤(6.2)：从N个差异特征向量v1，v2，…，vN中搜寻出与vi距离最近的K个差异特征向量，分别记做zi(1)，zi(2)，…，zi(K)；

N×1

步骤(6.3)：根据如下所示公式计算监测指标向量Q∈R 中的第i个元素Q(i)：

2 T

上式中，||vi‑zi(k)||＝(vi‑zi(k)) (vi‑zi(k))，k∈{1，2，…，K}；

步骤(7)：利用核密度估计法确定出监测指标向量Q在置信限α条件下的控制限Qlim；

其次，在线状态监测包括如下所示步骤(8)至步骤(13)；

m×1

步骤(8)：在最新采样时刻t，采集化工过程对象的样本数据xt∈R ，并对其实施与步骤(2)中相同的标准化处理，得到数据向量步骤(9)：根据公式 与 分别计算相关特征向量st与差异特征向量 后，再根据公式 计算监测指标ψt；

步骤(10)：从N个差异特征向量v1，v2，…，vN中搜寻出与 距离最近的K个差异特征向量，分别记做zt(1)，zt(2)，…，zt(K)；

步骤(11)：根据如下所示公式计算监测指标Qt：上式中，

步骤(12)：判断是否满足条件：ψt≤ψlim且Qt≤Qlim；若是，则当前采样时刻该化工该过程运行未出现异常，返回步骤(8)继续实施对下一最新采样时刻的状态监测；若否，则执行步骤(13)从而决策是否出现异常；

步骤(13)：返回步骤(8)继续实施对下一最新采样时刻的状态监测，若连续3个最新采样时刻的监测指标都不满足步骤(12)中的判断条件，则触发异常状态警报；否则，不触发异常状态警报，并返回步骤(8)继续实施对下一最新采样时刻的状态监测。