1.一种基于多特征高斯混合建模的闭环工业过程异常监测方法，其特征在于，具体包括如下步骤：步骤1、通过典型‑核慢特征分析方法，提取静态慢速特征、动态慢速特征、动态独立成分及残差四类特征；

步骤2、设计基于高斯混合模型的多特征分布逼近策略，将四类特征的分布近似为高斯分布；

步骤3、构建基于马氏距离的评价指标，实现异常监测；具体过程为：步骤3.1、由贝叶斯推理概率的思想，s′slow在每个高斯分量下的局部概率密度为：其中， 为第h个高斯分量下的局部概率密度； 为s′slow到第h个高斯分量的马氏距离大于s′slow,h到第h个高斯分量的马氏距离的概率；Ch为第h个高斯分量πh、μh、∑h三个参数的集合表示；D(·)为马氏距离；s′slow,h为与第h个高斯分量对应的高斯分布后的静态慢速特征；

步骤3.2、s′slow属于第h个高斯分量的后验概率为Ppost(Ch|s′slow)，将局部概率密度与后验概率结合得到所需要的四个评价指标：其中，BIPss、BIPds、 BIPSPE分别为静态慢速特征、动态慢速特征、动态独立成分和残差所对应的评价指标；

步骤3.3、利用核密度估计计算得到四个评价指标的控制限，分别为静态慢速特征评价指标的控制限BIPctr,ss、动态慢速特征评价指标的控制限BIPctr,ds、动态独立成分评价指标的控制限 和残差评价指标的控制限BIPctr,SPE；将评价指标与控制限作比较，超过控制限时，为异常情况。

2.根据权利要求1所述基于多特征高斯混合建模的闭环工业过程异常监测方法，其特征在于，所述步骤1的具体过程为：步骤1.1、田纳西‑伊斯曼过程为一个闭环工业过程，获取田纳西‑伊斯曼过程中的控制变量和过程变量作为样本，构建数据集Y(N×J)＝[y1,y2,…,yJ]，N表示样本数；J表示变量T数；yJ＝[y1,J,y2,J,…,yN,J]表示数据集中的第J个变量；yN,J表示第J个变量中的第N个样本；

T为转置符号；

控制变量包括各个进料口的进料量、总进料量、压缩机再循环阀、排放阀、分离器灌液流量、汽提器液体产品流量、汽提器水流阀、反应器冷却水流量、冷凝器冷却水流量；

过程变量包括各个进料口的进料、总进料、再循环流量、反应器进料速度、反应器压力、反应器等级、反应器温度、排放速度、产品分离器温度、产品分离器液位、产品分离器压力、产品分离器塔底流量、汽提器等级、汽提器压力、汽提器塔底流量、汽提器温度、汽提器流量、压缩机功率、反应器冷却水出口温度、分离器冷却水出口温度、各个成分；

步骤1.2、在t时刻，进行时序扩展得到过去向量和未来向量，公式分别为：T

ypast,t＝[yt‑1,yt‑2,…,yt‑q]；

T

yfuture,t＝[yt,yt+1,…,yt+q‑1]；

其中，ypast,t为t时刻时序扩展后的过去向量；yfuture,t为t时刻时序扩展后的未来向量；

yt‑1、yt‑2、yt‑q分别为t时刻过去向量的第1行、第2行、第q行数据；yt、yt+1、yt+q‑1分别为t时刻未来向量的第1行、第2行和第q行数据；

步骤1.3、构建过去数据矩阵Ypast和未来数据矩阵Yfuture，分别为：其中， 为Ypast的第q+Q列数据； 为Yfuture的第q+Q列数据；q为时序扩展的长度；Q为矩阵最大阶数；

步骤1.4、典型‑核慢特征分析方法包括典型变量分析和核慢特征分析，典型变量分析和核慢特征分析的目标函数分别如下：其中，i、j为不同的慢速特征序号；sj为第j个慢速特征； 为sj的一阶差分；si为第i个慢速特征；minΔsj为t时刻sj的最小一阶差分； 为Ypast和Yfuture的交叉协方差矩阵； 为Ypast的自协方差矩阵；

为Yfuture的自协方差矩阵；

步骤1.5、基于奇异值分解得到静态慢速特征和动态慢速特征；

步骤1.6、采用动态核独立元分析进行建模，得到动态独立成分及残差。

3.根据权利要求2所述基于多特征高斯混合建模的闭环工业过程异常监测方法，其特征在于，所述步骤1.5的具体过程如下：步骤1.5.1、对Hankel矩阵进行奇异值分解，公式为：其中，UHankel和VHankel分别为Hankel矩阵分解时左奇异变量和右奇异变量组成的正交矩阵；ΛHankel为Hankel矩阵分解时奇异值组成的对角矩阵；

步骤1.5.2、选择r个观测向量，计算过去数据矩阵和未来数据矩阵对应的变换矩阵，从而得到时序相关性强的状态向量和时序相关性弱的残差向量，公式具体为：E＝LrYpast；

其中， 为r个观测向量过去数据矩阵对应的变换矩阵；Lr为r个观测向量未来数据矩阵对应的变换矩阵；Z为状态向量；E为残差向量；UHankel,r为UHankel的前r列，前r列对应前r个观测向量；

步骤1.5.3、状态向量 满足核慢特征分析的目标函数时，得到时序相关性强且变化速度慢的特征，通过两步奇异值分解进行求解，zr为状态向量Z的第r列，第r列对应第r个观测向量；进行两步奇异值分解之前，需要将Z通过核函数映射到高维数据空间得到状态向量核矩阵KZ，对KZ进行中心化处理得到中心化状态向量核矩阵第一步奇异值分解为对 的协方差矩阵进行奇异值分解，进而得到第一次白化后的数据矩阵：其中， 为对 的协方差矩阵进行奇异值分解时左奇异变量组成的正交矩阵；

为对 的协方差矩阵进行奇异值分解时奇异值组成的对角矩阵；Γ为第一步奇异值分解完成后得到的最终状态向量白化后的数据矩阵； 为对 的协方差矩阵进行奇异值分解后得到的第一次白化数据矩阵；

第二步奇异值分解为计算Γ的一阶差分 对 的协方差矩阵进行奇异值分解，得到第二次白化数据矩阵：

其中， 为对 的协方差矩阵进行奇异值分解后得到的第二次白化数据矩阵；W是映射矩阵； 为对 的协方差矩阵进行奇异值分解时奇异值组成的对角矩阵；I为单位矩阵；

步骤1.5.4、计算静态特征s：

步骤1.5.5、对 中的奇异值按照从小到大的顺序进行排列，排在前w个的为慢速特征；特征又分为静态特征和动态特征，因此慢速特征又分为静态慢速特征和动态慢速特征，快速特征又分为静态快速特征和动态快速特征，具体如下：T

s＝[sslow,sfast]；

其中，d为动态特征；sslow和dslow分别代表静态慢速特征和动态慢速特征；sfast为静态快速特征；dfast为动态快速特征；为s的一阶差分； 为sslow的一阶差分； 为sfast的一阶差分。

4.根据权利要求3所述基于多特征高斯混合建模的闭环工业过程异常监测方法，其特征在于，所述步骤1.6的具体过程为：步骤1.6.1、残差向量E＝[e1,e2,…,er]，er为残差向量E的第r列，第r列对应第r个观测向量，将每个观测向量与每个观测向量之前的b个观测向量进行增广，得到增广的残差向量数据矩阵Eaug：Eaug(t)＝[e1(t),e2(t‑1),…,er(t‑b)]；

其中，Eaug(t)为t时刻增广的残差向量数据矩阵；e1(t)、e2(t‑1)、er(t‑b)分别为t时刻残差向量的第1列、第2列、第r列；

步骤1.6.2、将Eaug通过核函数映射到高维数据空间得到残差向量核矩阵KE，对KE进行中心化处理得到中心化残差向量核矩阵 对 进行特征分解表示为：其中，βl为第l个特征向量；λl为第l个特征向量对应的特征值；

得到白化处理后的中间变量u为：

其中，ΦE为残差向量的白化数据矩阵；L为维度； 为残差向量的特征值矩阵； 为由所有特征向量构成的特征向量矩阵；

步骤1.6.3、对u采用快速独立元分析算法得到解混矩阵，阶的解混矩阵为 阶的单位正交矩阵； 为解混矩阵的第 列，第 列对应第 阶；最终，得到动态独立成分S和残差R分别为：

5.根据权利要求4所述基于多特征高斯混合建模的闭环工业过程异常监测方法，其特征在于，所述步骤2的具体过程为：步骤2.1、设计静态慢速特征sslow的高斯混合模型的概率密度函数为：其中，p(·)为高斯混合模型的概率密度函数；H是高斯分量数；πh为第h个高斯分量的权重；μh为第h个高斯分量的均值；∑h为第h个高斯分量的方差；

步骤2.2、设计对数似然函数为：

其中，π为权重；μ为均值；∑为方差； 代表静态慢速特征的总个数； 表示第个静态慢速特征；

步骤2.3、使用期望最大化算法求解对数似然函数的参数，参数包括权重、均值、方差；

步骤2.4、求解结束后得到高斯分布后的静态慢速特征s′slow、高斯分布后的动态慢速特征d′slow、高斯分布后的动态独立成分S′和高斯分布后的残差R′。

6.根据权利要求5所述基于多特征高斯混合建模的闭环工业过程异常监测方法，其特征在于，所述步骤2.3的具体过程为：步骤2.3.1、给定当前参数下每个样本属于第h个高斯分量的概率γ(·)：其中，vh为第h个高斯分量的潜在变量；

步骤2.3.2、最大化对数似然函数并依据下述三个公式更新参数：步骤2.3.3、重复迭代执行步骤2.3.1至步骤2.3.2，直到模型收敛，收敛后获得所需的参数并计算对数似然函数；

步骤2.3.4、采用贝叶斯信息准则在对数似然函数的基础上引入正则化项，惩罚模型的复杂度，如下式所示：BIC＝‑2lnp(sslow|π,μ,∑)+3ln(N)；

其中，BIC为贝叶斯信息准则的值。