1.一种基于滑动自回归误差生成模型的青霉素生产异常检测方法，其特征在于，具体包括以下所示步骤：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批次数据集，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×10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个数据向量组N×10成，且每个数据向量具体由10个样本数据组成，j∈{1,2,…,J}，R 表示N×10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10个样本数据组建成一个1×10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)：将批次矩阵X1,X2,…,XJ中第k行至第k+L‑1行的行向量分别对应组成训练批次矩阵 后，再计算J个训练批次矩阵 中所有行向量的平均值向量

1×10 1×10

μ∈R 和标准差向量δ∈R ；其中，第j个训练批次矩阵 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，j∈{1,2,…,J}；

步骤(4)：当i分别等于1,2,…,L时，利用公式 对训练批次矩阵实施标准化处理从而得到参考批次矩阵 并使用公式

对数据向量xi实施标准化处理得到数据向量 其中， 表示 中第i行的行向量， 表示 中第i行的行向量， 表示两个向量中相同位置的元素相除；

步骤(5)：为标准化处理后的L个数据向量 建立相应的滑动自回归误差生成模型，从而生成相应的误差e，具体的实施过程如步骤(5.1)至步骤(5.5)所示；

L×10

步骤(5.1)：将 组成滑动窗口矩阵Xt∈R 后，初始化载荷向量wt等于任意一个10×1维的实数向量；

步骤(5.2)：根据公式 和 计算出矩阵G和矩阵L后，再求解广义特征值问题G＝λLv中最大特征值λ所对应的特征向量v后，再根据公式βt＝v/vL×1(1)计算得到系数向量βt∈R ；其中，v(1)表示特征向量v中的第1个元素；

步骤(5.3)：根据公式 和 更新矩阵G和矩阵L后，再次求解广义特征值问题G＝λLv中最大特征值λ对应的特征向量v后，再根据公式wt＝v/||v||计算得到载荷向量wt；其中， 表示计算v的长度；

所述步骤(5.2)和所述步骤(5.3)中求解广义特征值问题G＝λLv中最大特征值λ对应的特征向量v的具体实施过程包括以下所示步骤㈠至步骤㈢：步骤㈠：对矩阵L实施奇异值分解，保留非零奇异值后，得到相应的酉矩阵U和奇异值对角矩阵V，从而可计算得到矩阵步骤㈡：根据公式 计算矩阵 后，再求解特征值问题 最大特征值λ所对应的特征向量p；

步骤㈢：通过公式 计算得到广义特征向量v；

步骤(5.4)：判断wt是否收敛；若否，则返回步骤(5.2)；若是，则得到最终的载荷向量wt

10×1 L×1

∈R 和系数向量βt∈R 后，再执行步骤(5.5)；

步骤(5.5)：根据公式 计算得到相应的误差e；

步骤(6)：判断是否满足条件C下≤e≤C上；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下分别表示误差变化的上限和下限；

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10个样本数据，并将其组建成一个1×10维的数据向量xnew后，再执行步骤(8)；若是，则该批次的青霉素生产运行正常，清理完青霉素生产设备后开始下一批次的青霉素生产并返回步骤(2)；

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

2.根据权利要求1所述的一种基于滑动自回归误差生成模型的青霉素生产异常检测方法，其特征在于，各个数据向量中的10个样本数据的排列顺序依次是：通风率，搅拌功率，底物流加速率，底物流温度，底物流浓度，溶解氧浓度，反应器内部，二氧化碳浓度，PH值，反应器内部温度，和冷却水流加速率。

3.根据权利要求1所述的一种基于滑动自回归误差生成模型的青霉素生产异常检测方法，其特征在于，所述步骤(6)中使用的上限C上和下限C下具体是按照如下所示过程确定的：步骤(A)：当j依次分别等于1,2,…,J时，重复执行如下所示步骤(B)；

步骤(B)：将批次矩阵Xj中的各个行向量依次当成青霉素生产最新批次的各个采样时刻对应的数据向量，重复执行步骤(2)至步骤(5)，直至得到N‑L+1个误差，并将其依次标记为其中，n＝N‑L+1；

步骤(C)：计算所有J×n个误差的平均值μe和标准差δe后，再计算上限C上＝μe+3.5δe和下限C下＝μe‑3.5δe。