1.一种基于混合变量监测的非单一分布的过程监测方法，其特征在于：包括如下步骤：步骤1：离线建模，具体包括如下步骤：步骤1.1：健康状态训练数据集 包含n个样本， 为第i个采样并包含d个j

样本，i表示采样时间；xi共包含dc个连续特征和db个二值特征；记x为第j个变量， 为第jc个连续变量， 为第jb个二值变量；

步骤1.2：根据聚类算法确定训练数据的分量个数，采用Calinski‑Harabaz分数确定，假设共存在K分量，即k∈{1,...,K}；

步骤1.3：对于连续变量 假设其在第k个分量服从高斯分布，如公式(1)所示：其中 和 分别为第

jc个连续变量第k个分量的均值和标准差；

步骤1.4：对于二值变量 假设其在第k个分量服从伯努利分布，如公式(2)所示：其中 为第jb个二值变量在第k个分量的响应概率；

步骤1.5：对于采样xi，其在第k个分量的发生概率如公式(3)所示：其中

j

表示x在第k个分量的特

征权值；

步骤1.6：考虑到K个分量，xi的发生概率如公式(4)所示：其中θ＝{φ ,μ,σ,η,ω}，φ＝{φ1,...,φk,...,φK}，μ＝{μ1,...,μk,...,μK}，σ＝{σ1,…,σk,…,σK}，η＝{η1,…,ηk,…,ηK}，ω＝{ω1,...,ωk,...,ωK}，φk为第k个分量的分量权值；

步骤1.7：构造关于xi的函数，如公式(5)所示：f(xi)＝ln(P(N)P(xi；θ))    (5)；

其中 为显著水平，δ为置信水平；

步骤1.8：根据步骤1.1到步骤1.7，f(xi)表达式如公式(6)所示：其中，Ξk为关于权值和响应概率的表达式， 为第k个分量的第jb个值， ψi,k为关于权值、均值和标准差的表达式为关于权

值和响应概率的表达式， 为二值特征向量；

步骤1.9：构造关于xi的统计量，如公式(7)所示：2

si＝f(xi)    (7)；

步骤1.10：构造潜变量z＝{z1,…,zi,…zn}，其中zi＝k如果xi属于第k个分量，初始化参数；

步骤1.11：构造概率矩阵 其中yik表达式如公式(8)所示：步骤1.12：计算连续变量的均值 如公式(9)所示：步骤1.13：计算连续变量的标准差 如公式(10)所示：步骤1.14：计算二值变量的响应概率 如公式(11)所示：步骤1.15：潜变量z，如公式(12)所示：其中argmax(·)表示取最大；

步骤1.16：对于连续变量 按照下式构造辅助二值变量 如公式(13)所示：其中 表示 如果 并且zi＝k，否则步骤1.17：计算υk，如公式(14)所示：其中 为1如果条件满足，否则为0；

步骤1.18：计算υ′k，如公式(15)所示：其中

j

步骤1.19：计算概率P(x|z＝k)，如公式(16)所示：其中 时 否则

j j′

步骤1.20：计算联合概率P(x ,x |z＝k)，如公式(17)所示：j j′ j j j j′ j′P(x,x |z＝k)＝P(x|z＝k){1‑Λ(x)+(2Λ(x)‑1)[Λ(x )υk+(1‑Λ(x ))υ′k]}  (17)；

j j′

步骤1.21：计算互信息Mk(x ,x )，如公式(18)所示：步骤1.22：计算特征权值 如公式(19)所示：步骤1.23：计算分量权值φk，如公式(20)所示：步骤1.24：重复步骤1.11至步骤1.23直至参数收敛；

lim

步骤1.25：通过核密度估计计算s＝[s1,...,si,...sn]的控制限s ；

步骤2：在线检测。

2.根据权利要求1所述的基于混合变量监测的非单一分布的过程监测方法，其特征在于：在步骤2中，具体包括如下步骤：步骤2.1：当有新采样xa到来时，计算xa的发生概率，如公式(21)所示：步骤2.2：计算样本xa的函数f(xa)，如公式(22)所示：步骤2.3：计算样本xa的统计量sa，如公式(23)所示：2

sa＝f(xa)    (23)；

若：新采样数据的统计量未超过控制限，则认为正常，否则认为发生故障。