1.一种基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，包括以下步骤：步骤S1：获取历史数据库中的正常工况数据作为训练数据X0，利用其均值mean(X0)和标准差std(X0)对其进行标准化，得到标准化后训练数据X；

步骤S2：采用滑动窗口计算训练数据X的均值和方差，以此计算JS散度，得到训练数据的JS散度成分XJS；

步骤S3：由训练数据中的JS散度成分XJS计算正常工况下所有变量的评价指标，通过KDE方法计算变量评价指标控制限Devlim；

步骤S4：采集工业过程中的实时数据作为测试数据Xnew，利用训练数据X0的均值mean(X0)和标准差std(X0)对其进行标准化处理，得到标准化后测试数据XT；

步骤S5：利用与步骤S2同样参数的滑动窗口算法计算得到测试数据的JS散度成分XJST；

步骤S6：由测试数据的JS散度成分XJST计算每一个变量的评价指标DevXT,j；

步骤S7：依据变量评价指标DevXT,j是否超出步骤S3所得控制限Devlim，将数据划分为显著变量空间与潜隐变量空间；

步骤S8：在显著空间中，对数据采用基于JS散度的全局慢特征分析算法，计算显著空间统计量 与控制限步骤S9：在潜隐空间中，对数据采用基于JS散度的局部慢特征分析算法，计算潜隐空间统计量 与控制限步骤S10：通过贝叶斯推理机制计算两个空间的数据故障概率，将两个空间的概率融合计算出最终监测统计量BIC，依据是否超出控制限α判断是否发生故障。

2.根据权利要求1所述的基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，在步骤S1中，对训练数据X0利用其均值mean(X0)和标准差std(X0)进行标准化的具体表达式为：X＝(X0‑mean(X0)/std(X0)       (1)T n×m

式中，X＝[X1,X2,...,Xn]∈R ，n表示样本个数，m表示变量个数。

3.根据权利要求1所述的基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，在步骤S2中，利用滑动窗口计算训练数据X的JS散度成分XJS的具体步骤为；

滑动窗口算法为：窗宽W设置为H，步长设置为1，每个采样时刻向后移动一次，数据样本个数为n，共有N＝n‑H+1个采样时刻；

引入历史数据库中另一组与训练数据不同的正常工况数据作为基准数据；

计算经过标准化处理的基准数据XB的均值和方差作为基准均值μB和基准方差λB；

计算第k个采样时刻训练数据X(k)的均值μX(k)和方差λX(k)；

由公式(2)计算训练数据X的第k个采样时刻的JS散度成分，公式(2)的表达式如下：

4.根据权利要求1所述的基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，在所述步骤S3中，由训练数据的JS散度成分XJS计算正常工况下所有变量的评价指标的具体步骤为：对基准数据XB进行步骤S2，根据公式XJSB(k)＝JS(λB,μB,λB(k),μB(k))计算得到基准数据的JS散度成分XJSB；

N×m

对于训练数据的JS散度成分XJS∈R ，N为采样个数，m表示变量总个数，计算第j个变量的均值mean(XJS,j)与标准差std(XJS,j)；

N×m

对于基准数据的JS散度成分XJSB∈R ，N为采样个数，m表示变量总个数，计算第j个变量的基准均值Mean(XJSB,j)与基准标准差Std(XJSB,j)；

由公式(3)计算训练数据X的第j个变量的评价指标，公式(3)的表达式如下：给定置信水平 根据核密度估计方法(简称：KDE方法)确定控制限Devlim。

5.根据权利要求1所述的基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，在步骤S4中，利用训练数据X0的均值mean(X0)和标准差std(X0)通过公式(4)对测试数据Xnew进行归一化处理，公式(4)的表达式为：XT＝(Xnew‑mean(X0))/std(X0)      (4)XT为Xnew经过标准化处理后的数据。

6.根据权利要求1所述的基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，在步骤S5中，利用与步骤S2同样参数的滑动窗口算法，计算测试数据XT的JS散度成分XJST，具体步骤如下：步骤S2已计算得到基准均值μB和基准方差λB；

计算第k个采样时刻测试数据XT(k)的均值μXT(k)和方差λXT(k)；

由公式(2)计算测试数据XT的第k个采样时刻的JS散度成分，如下：XJST(k)＝JS(λB，μB，λXT(k)，μXT(k))，k＝1，2，...，N。

7.根据权利要求1所述的基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，在步骤S6中，由测试数据的JS散度成分XJST计算每一个变量的评价指标DevXT：N×m

对于测试数据的JS散度成分XJST∈R ，N为采样个数，m表示变量总个数，计算第j个变量的均值mean(XJST，j)与标准差std(XJST，j)；

由公式(5)计算测试数据X的第j个变量的评价指标，表达式如下：

8.根据权利要求1所述的基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，在步骤S7中，依据测试数据变量评价指标DevXT是否超出步骤S3所得控制限Devlim，将数据划分为显著变量空间与潜隐变量空间，具体步骤为：若测试数据中第j个变量的评价指标DevXT，j满足：DevXT，j>Devlim，则意味着第j个变量存在着较为显著的故障信息，将其划分在显著变量空间；反之则划分在潜隐变量空间。显著空间变量数为a，潜隐空间变量数为b，a+b＝m。

9.根据权利要求1所述的基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，在步骤S8中，在显著变量空间中，对数据采用基于JS散度的全局慢特征分析算法，计算显著空间统计量 和控制限在显著变量空间中，对数据采用基于JS散度的全局慢特征分析算法，计算显著空间统计量 其具体步骤为：离线阶段：

T

显著空间中标准化后的训练数据XO为输入数据X，X(t)＝[x1(t)，x2(t)，...，xa(t)] ，采用传统的全局SFA算法提取其慢特征：T T ‑1/

①白化步骤：对X(t)的协方差矩阵R＝t进行奇异值分解：R＝UAU，Q＝Λ

2 T

U为白化矩阵，白化变换可以描述为：

②求白化数据z(t)的一阶导，并对其协方差矩阵 进行奇异值分解，如下：其中P是特征向量矩阵；Ω＝diag(λ1，λ2，...，λa)是特征值矩阵，特征值λi按照从小到大排列，表示慢特征变化的快慢程度；

‑1/2 T

③变换矩阵W＝PA U，提取的慢特征即按如下公式计算：S(t)＝WX(t)；

慢特征S(t)变化的快慢程度Ω＝diag(λ1，λ2，...，λa)，计算标准化后输入数据X的变化快慢程度 依据公式 计算主要慢特征个数，q＝0.1代表集合{Δ(Xj)}的0.1上分位数。

T

训练数据的主要慢特征即为SO(t)＝[s1(t)，s2(t)，...，sM(t)]；

利用滑动窗口计算SO(t)的JS散度成分：计算训练数据慢特征SO的总体均值μsO和总体方差λSO；

计算第k个滑窗内训练数据慢特征SO的均值uSO(k)和方差λSO(k)；

由公式(2)计算训练数据X的第k个采样时刻的JS散度成分：SOJS(k)＝JS(λSO，μSO，λSO(k)，μSO(k))。

构造统计量如下：

2

给定置信水平 通过KDE方法计算统计量T所对应的控制限在线阶段：

显著空间在线测试数据XOT的慢特征通过③所得变换矩阵W求得，如下：T

SOT(t)＝WXOT(t)＝[s1(t)，s2(t)，...，sM(t)]计算其第k个滑窗内数据的均值μSOT(k)和方差λSOT(k)；

通过公式(2)计算其JS散度成分：

SOTJS(k)＝JS(λSO，μSO，λSOT(k)，μSOT(k))构造在线监测统计量

依据统计量 是否超出控制限 判断是否发生故障。

10.根据权利要求1所述的基于概率相关慢特征分析的工业过程微小故障检测方法，其特征在于，在步骤S9中，在潜隐空间中，对数据采用基于JS散度的局部慢特征分析算法，计算潜隐空间统计量 控制限离线阶段：

①首先以潜隐空间中经过标准化后的全部训练数据XL为输入数据，经过步骤S8中的全局SFA步骤后，得到训练数据的全局慢特征SG；

②采用滑动窗口算法，步长为1，窗宽通过交叉验证确定，每个滑窗为一个采样时刻，将全部训练数据分为k个采样时刻；

③以第k个采样时刻训练数据为输入数据X，经过独立的SFA步骤后，得到训练数据第k个采样时刻的局部慢特征Xs(k)；

通过以下步骤计算训练数据局部慢特征JS散度成分：计算训练数据全局慢特征SG的均值μG和方差λG；

计算训练数据第k个采样时刻的局部慢特征Xs(k)的均值μS(k)和方差λS(k)；

由公式(2)计算训练数据XL的第k个采样时刻的JS散度成分：SLJS(k)＝JS(λG，μG，λS(k)，μS(k))构造统计量如下：

2

给定置信水平 通过KDE方法计算统计量T所对应的控制限在线阶段：

①以潜隐空间中经过标准化处理的测试数据作为输入，采用滑动窗口算法，步长为1，窗宽同离线阶段相同，每个滑窗为一个采样时刻，将全部测试数据分为k个采样时刻；

②以第k个采样时刻数据为输入数据X，经过独立的SFA步骤后，得到测试数据第k个采样时刻的局部慢特征XST(k)；

通过以下步骤计算测试数据局部慢特征的JS散度成分：已计算得到训练数据全局慢特征SG的均值μG和方差λG；

计算测试数据第k个采样时刻的局部慢特征XST(k)的均值μST(k)和方差λST(k)；

由公式(2)计算测试数据XLT的第k个采样时刻的JS散度成分：SLTJS(k)＝JS(λG，μG，λST(k)，μST(k))构造统计量如下：

依据统计量 是否超出控制限 判断是否发生故障；

在步骤S10中，通过贝叶斯推理机制计算两个空间的数据故障概率，将两个空间的概率融合计算出最终监测统计量BIC，依据是否超出控制限判断是否发生故障得具体步骤为：采用贝叶斯推理机制将步骤S8与S9所得统计量转化为条件概率得形式，得到两个空间的故障概率：显著空间：

潜隐空间：

其中：P(X)＝P(X|N)P(N)+P(X|F)P(F)给定置信水平α后，P(F)值为α，P(N)值为1‑α；

P(F|X)表示测试数据被认为是故障数据的概率，P(N)表示过程工况处于正常的先验概率，P(F)表示过程处于故障的先验概率；

采样贝叶斯概率融合算法对两个空间的检测结果进行融合，得到全过程统计量：当BIC≤α，认为过程处于正常工况；当BIC>α，认为过程处于故障状态；

上述方法中，步骤S1至S7为变量空间划分阶段，步骤S8至S10为SFA检测阶段。