1.一种生产过程间歇故障及趋势畸变的监测与辨识方法，其特征在于，包括：构建石化仪表采样数据的周期递进混合多项式模型；

通过采样数据对周期递进混合多项式模型中的参量进行最优辨识，生成最优模型系数参量；

基于最优模型系数参量，计算故障监测门限，并根据故障监测门限生成残差特性的示性函数，通过对生成过程中实时采样数据的示性函数计算，判断是否发生故障，当系统发生故障时，生成对应的故障幅度辨识结果，以实现间歇故障的监测与辨识；

构建门限控制函数，并基于门限控制函数通过最优递推辨识算法对实时采样数据进行计算，获取估值序列，对估值序列构建系数偏离指数，对系数偏离指数进行判断，生成趋势畸变辨识结果，以实现趋势畸变的检测与辨识；

所述周期递进混合多项式模型为：

；

其中， 为石化装置随时间变化的采样数据序列，为第采样测量数据的采样时间， 为起始时间， 为采样间隔， 为周期分量的变化频率，分别为不同的模型系数参量，k为阶次参数，整数 、整数 和整数 分别为代数多项式阶次、正弦多项式阶次和余弦多项式阶次， 为随机扰动分量综合影响；

对周期递进混合多项式模型中的阶数及参数进行最优辨识的过程包括：设置周期递进混合多项式模型的阶次参数的变化域，并通过最速下降法获取系数参量及频率的最优估值，并构建目标函数，所述目标函数为历史采样数据与代入阶次参数、系数参量及频率的最优估值的周期递进混合多项式模型预测值差值的平方结果；

基于历史采样数据，通过目标函数对系数参量及频率的最优估值及遍历变化域的阶次参数进行计算，获取计算结果中目标函数最小化对应阶次参数作为最优模型阶次；

基于历史采样数据中的任意数据片段，通过最优模型阶次及频率最优估值计算，得到任意片段最优模型系数参量；

通过递推算法对任意片段最优模型系数参量进行计算，得到最优模型系数参量；

所述递推算法为：

；

式中,第一矩阵 和第二矩阵 分别由下式的递推关系确定其中， 为模型

系数参量的基于从第i+1到第i+n个采样数据的递推最优估计， 为模型系数参量的基于第i到第i+n‑1个采样数据的递推最优估计， 为 时刻的基函数向量， 为 时刻的基函数向量的转置向量， 为 时刻的采样数据， 为 时刻的基函数向量，为阶单位矩阵， 分别为代数多项式阶次、正弦多项式阶次和余弦多项式阶次的最优估值， 为 时刻的基函数向量的转置向量，上角标 表示矩阵及向量的转置运算；

所述门限控制函数为：

为非负常数的可调参数， 为函数变量， 为针对x及d的门限控制函数；

所述估值序列的获取方法包括单侧容错辨识方法及双侧容错辨识方法；

其中, 单侧容错辨识方法为：

；

双侧容错辨识方法为

式中， 为模型系数

参量的基于从第i+1到第i+n个采样数据的递推容错估计， 为模型系数参量的基于从第i到第i+n‑1个采样数据的递推容错估计。

2.根据权利要求1所述的监测与辨识方法，其特征在于：残差特性的示性函数的获取过程包括：通过最优模型系数参量构造仪表预测值及预测误差；

基于任意片段最优模型系数参量及预测误差，计算得到故障监测门限；

根据故障监测门限构建示性函数。

3.根据权利要求1所述的监测与辨识方法，其特征在于：所述故障监测门限计算过程为：

利用模型系数参量的基于从第i+1到第i+n个采样数据的递推最优估计 ，构造时刻的仪表预测值 及预测误差 ，；

计算故障监测门限：

为第i时刻的故障监测门限，

为中值算子， 为可调参数， 为滤波残差，为 时刻的预测误差。

4.根据权利要求1所述的监测与辨识方法，其特征在于：所述故障幅度 为：

为示性函数，其中，

为 时刻的预测误差对应符号函数由下式确定：

，

为 时刻的预测误差， 为第j时刻的故障监测门限。

5.根据权利要求1所述的监测与辨识方法，其特征在于：所述系数偏离指数 为

其中， 为第k种模态的模型系数

参量基于从第j+1到第j+n个采样数据的递推容错估计， 为第k种模态的模型系数参量基于从第s+1到第s+n个采样数据的递推容错估计。