1.一种基于滑动窗口时序判别特征分析的青霉素生产异常检测方法，包括以下所示步骤：步骤(1)：从青霉素生产批次的历史数据库中，获取J个青霉素正常生产批次的样本数据集，按照采样时间先后分别组成相应的批次矩阵X1,X2,…,XJ后，再设置滑动窗口的长度N×13等于L；其中，第j个青霉素正常生产批次对应的批次矩阵Xj∈R 具体由N个1×13维的数N×13据向量组成，j∈{1,2,…,J}，R 表示N×13维的实数矩阵，R表示实数集；

步骤(2)：获取青霉素生产最新批次各个采样时刻的样本数据，并将每个采样时刻的13个样本数据组建成一个1×13维的数据向量，当获取到L个采样时刻的数据向量x1,x2,…,xL时，再设置k＝1并执行步骤(3)；

步骤(3)：分别将批次矩阵X1,X2,…,XJ中第k行至第k+L‑1行的行向量对应组成训练窗L×13口矩阵 后，再计算J个训练窗口矩阵 的平均值矩阵U∈R 和标L×13

准差矩阵Φ∈R ；其中，第j个训练窗口矩阵 具体是由第j个批次矩阵Xj中第k行至第k+L‑1行的行向量组成，U中第a行第b列元素等于 中第a行第b列元素的平均值，a∈{1,2,…,L}，b∈{1,2,…,13}，Φ中第a行第b列元素等于 中第a行第b列元素的标准差；

L×13

步骤(4)：设置滑动窗口矩阵Xt∈R 中第1行至第L行的行向量分别等于x1,x2,…,xL后，再利用公式 对Xt实施标准化处理从而得到在线窗口矩阵并使用公式 对训练窗口矩阵 实施标准化处理得到参考窗

口矩阵 其中，j∈{1,2,…,J}， 表示第j个参考窗口矩阵，符号 表示将矩阵中相同位置的元素相除；

L×1

步骤(5)：为在线窗口矩阵 实施时序判别特征分析，得到相应的左转换向量βt∈R

13×1

和右转换向量wt∈R 后，再计算在线判别特征

步骤(6)：判断是否满足条件 若是，则青霉素最新批次的生产运行正常，再执行步骤(7)；若否，则青霉素最新批次的生产运行异常，停止该批次的青霉素生产；其中，C上和C下分别表示在线判别特征 变化的最大值C上和最小值C下；

步骤(7)：判断该批次的青霉素生产是否结束；若否，则获取下一个采样时刻的13个样本数据，并将其组建成一个1×13维的数据向量xnew后，再执行步骤(8)；若是，则该批次的青N×13霉素生产运行正常，将该批次的N个采样时刻的数据向量组成批次矩阵XJ+1∈R ，清理完青霉素生产设备后，再执行步骤(9)；

步骤(8)：设置k＝k+1后，依次设置数据向量x1,x2,…,xL‑1,xL分别等于x2,x3,…,xL,xnew后，再返回步骤(3)；

步骤(9)：设置J＝J+1后，开始下一个批次的青霉素生产并返回步骤(2)；

其特征在于，所述步骤5中实施时序判别特征分析的过程如步骤(5.1)至步骤(5.4)所示：步骤(5.1)：初始化右转换向量wt为任意一个13×1维的实数向量；

步骤(5.2)：根据公式 计算出矩阵Gw后，再求解特征值问题Gw＝λwgw中最大特征值λw所对应的特征向量gw后，再根据公式βt＝gw/||gw||计算得到左转换向量βt；其中， 表示计算gw的长度；

步骤(5.3)：根据公式 计算出矩阵Gβ后，再求解特征值问题Gβ＝λβgβ中最大特征值λβ对应的特征向量gβ后，再根据公式wt＝gβ/||gβ||计算得到右转换向量wt；

步骤(5.4)：判断wt是否收敛；若否，则返回步骤(5.2)；若是，则得到最终的左转换向量L×1 13×1βt∈R 和右转换向量wt∈R 后，根据公式 计算在线判别特征 所述步骤(6)中C上和C下的确定方式是：依次分别设置j等于1,2,…,J，并根据公式 计算得到参考判别特征 后，再将 中的最大值和最小值分别记录为C上和C下。

2.根据权利要求1所述的一种基于滑动窗口时序判别特征分析的青霉素生产异常检测方法，其特征在于，1×13维的数据向量中13个数据的排列顺序依次是：通风率，搅拌功率，葡萄糖流加温度，葡萄糖流加速率，冷却液流加速率，酸碱流加速率，反应器温度，PH值，葡萄糖浓度，菌体浓度，溶解氧浓度，二氧化碳浓度，和青霉素浓度。