1.一种基于实时判别型动态特征提取的PTA过程异常监测方法，其特征在于，具体包括以下步骤：步骤(1)：在PTA生产过程正常运行状态下，采集得到n个样本数据向量x1，x2，…，xn，每个样本数据向量具体包括m个采样数据，依次分别是：进料流量，进料温度，分馏塔顶部回流量，冷凝器冷却水流量，再沸器蒸汽流量，分馏塔顶部气体流量，分馏塔底部的产品流量，分m×1 m×1馏塔中各层塔板的温度；其中，第i个样本数据向量xi∈R ，R 表示m×1维的实数向量，R表示实数集，i∈{1，2，…，n}；

步骤(2)：利用x1，x2，…，xn的均值向量μ和标准差向量δ，分别对x1，x2，…，xn实施标准化处理，对应得到n个数据向量步骤(3)：设置时序阶数为D后，按照如下所示公式组建增广矩阵N×M

其中，R 表示N×M维的实数矩阵，N＝n‑D，M＝m(D+1)，上标号T表示矩阵或向量的转置；

步骤(4)：按照如下所示步骤(4.1)至步骤(4.4)计算 个监测指标步骤(4.1)：初始化i＝1；

(D+1)×M

步骤(4.2)：按照如下所示公式组建堆叠矩阵Yi∈R ：(D+1)×1

步骤(4.3)：设置Y＝Yi后，实施实时判别型动态特征提取，得到左投影向量u∈R 和M×1右投影向量v∈R ；

步骤(4.4)：根据公式 计算第i个监测指标 后，判断是否满足条件 若是，则设置i＝i+1后返回步骤(4.2)；若否，则得到步骤(5)：将 中的最大值记录为 后，再根据公式 计算得到控制上限 其中，γ表示放大系数；

m×1

步骤(6)：在线采集最新采样时刻的样本数据向量xt∈R ，并对其实施与步骤(2)中相同的标准化处理，从而得到数据向量 其中，下标号t表示最新采样时刻；

(D+1)×M

步骤(7)：根据如下所示公式组建堆叠矩阵Yt∈R ：其中， 分别表示样本数据向量xt‑1，xt‑2，…，xt‑2D经与步骤(2)中相同的标准化处理后得到的数据向量；

(D+1)×1

步骤(8)：设置Y＝Yt后，实施实时判别型动态特征提取，从而得到左投影向量u∈RM×1和右投影向量v∈R ；

步骤(9)：根据公式 计算监测指标 后，判断是否满足条件 若是，则当前采样时刻PTA过程正常运行，返回步骤(6)继续利用最新采样时刻的样本数据向量实施异常监测；若否，则执行步骤(10)；

步骤(10)：返回步骤(6)继续利用最新采样时刻的样本数据向量实施异常监测，若连续

6个最新采样时刻的监测指标皆满足条件 则触发故障警报。

2.根据权利要求1所述的一种基于实时判别型动态特征提取的PTA过程异常监测方法，其特征在于，所述步骤(4.3)与步骤(8)中实施实时判别型动态特征提取的具体实施过程如下所示：步骤(A)：随机初始化右投影向量v为任意一个M×1维的实数向量；

T T

步骤(B)：求解特征值问题Yvv Yp＝ηp中，最大特征值η所对应的特征向量p，再根据公式u＝p/||p||计算得到左投影向量u；其中， 表示计算特征向量p的长度；

步骤(C)：求解特征值问题 中，最大特征值λ所对应的特征向量q，再根据公式 计算得到右投影向量v；

步骤(D)：判断v是否收敛；若否，则返回步骤(B)；若是，则得到左投影向量u和右投影向量v。