1.一种基于动态性最优选择的分散式动态过程监测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：

步骤(1)：采集生产过程正常运行状态下的样本，组成训练数据集X∈RN×m，并按照如下形式构造增广型矩阵Xa∈R(N-d)×m(d+1)：其中，N为训练样本数，m为过程测量变量数，R为实数集，RN×m表示N×m维的实数矩阵，xn∈R1×m为第n个采样时刻的样本数据，下标号n＝1，2，…，N，d为引入的延时测量值的个数(一般取d＝1或2)；

步骤(2)：对矩阵Xa中每列实施标准化处理，得到均值为0，标准差为1的新数据矩阵后初始化i＝1，并将 表示成如下形式：其中，上标号1，2，…，m为测量变量标号，下标号0，1，…，d为当前时刻(即0)采样值及其d个延时测量值(即1，2，…，d)的标号， 表示延时d个时刻测量到的m个N-d维的列向量；

步骤(3)：将矩阵 中第i列数据 取出后，对 中剩余的列组成的矩阵建立主成分分析(Principal  Component Analysis，PCA)模型：其中Ui为得分矩阵，Pi为载荷矩阵；

步骤(4)：计算得分矩阵Ui的协方差矩阵Ci＝UiTUi/(N-d-1)，由于Ci为一对角矩阵，可按照公式Si＝UiCi-1/2对Ui进行白化处理得到包含与 相关动态性特征的成分矩阵Si；

步骤(5)：利用遗传算法选择矩阵Si中相应的列，使最小二乘回归模型的预测误差最小化，将所选择列的位置记录为Wi，遗传算法优化后的最小二乘回归模型为： 其中Ti为Si经过Wi选择后的结果，ei为模型预测误差向量；

步骤(6)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的预测误差向量组成矩阵E＝[e1，e2，…，em]∈R(N-d)×m后继续执行下一步骤(7)；

步骤(7)：将估计误差矩阵E作为新的训练数据矩阵，对其中的每一列实施标准化处理，得到均值为0，标准差为1的新数据矩阵步骤(8)：对矩阵 实施奇异值分解(Singular Value Decomposition，SVD)，即：步骤(9)：根据公式 计算监测统计量的控制上限Dlim，并保留参数集Θ＝{V，Λ，Dlim}以备在线监测时调用，其中 表示自由度为r的卡方分布在置信度α＝99％下的取值；

在线过程监测阶段的实施过程如下所示：

步骤(10)：收集新采样时刻的数据样本xi∈R1×m，引入其前d个采样时刻的样本得到增广向量xa＝[xt，xt-1，…，xt-d]，其中t表示当前采样时刻；

步骤(11)：对xa实施与步骤(2)同样的标准化处理得到 并初始化i＝1；

步骤(12)：将行向量 中的第i个元素yi取出后，向量 中其余元素组成 并根据步骤(3)中的第i个PCA模型将 转换成得分向量步骤(13)：根据步骤(4)中的协方差矩阵Ci对ui进行白化处理得到si＝uiCi-1/2；

步骤(14)：根据步骤(5)中记录的位置标号，从si中选取相应的列组成行向量ti；

步骤(15)：根据公式zi＝yi-tibi计算预测误差zi；

步骤(16)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(12)；若否，则将得到的误差组成向量z＝[z1，z2，…，zm]并继续执行下一步骤(17)；

步骤(17)：对z实施与步骤(7)中相同的标准化处理得到新向量 调用步骤(8)中保存的参数集Θ对 进行转换得到向量μ，即：

步骤(18)：根据公式D＝μμT计算监测统计指标D，判断是否满足条件D＞Dlim？若否，则当前样本为正常工况采样；若是，则当前采样数据有可能来自故障工况。

2.根据权利要求1所述的一种基于动态性最优选择的分散式动态过程监测方法，其特征在于，所述步骤(3)中对 建立PCA模型的具体实施过程如下所示：①置k＝1与 后，初始化向量tk为矩阵Zi的第一列；

②根据公式pk＝ZiTtk/(tkTtk)计算载荷向量pk；

③根据公式 归一化处理向量pk；

④根据公式tnew＝Zipk/(pkTpk)更新向量tnew；

⑤判断是否满足条件||tk-tnew||≤10-6？若否，则设置tk＝tnew返回步骤②；若是，则执行⑥；

T -4

⑥根据载荷向量pk计算得分向量uk＝Zipk后，判断是否满足条件uk uk＜10 ？若否，置Zi＝Zi-tkpkT与k＝k+1后返回步骤②；若是，则将得分向量组成得分矩阵Ui＝[u1，u2，…，uk]以及所有载荷向量组成载荷矩阵Pi＝[p1，p2，…，pk]。

3.根据权利要求1所述的一种基于动态性最优选择的分散式动态过程监测方法，其特征在于，所述步骤(5)中利用遗传算法优化最小二乘回归模型的具体实施过程如下所示：①设置遗传算法参数，包括二进制编码长度L＝m(d+1)-1、种群个数nP＝6L、交叉概率c＝0.8、变异概率a＝0.05、最大迭代次数Imax≥2000；

②随机生成一个二进制数字矩阵W∈RnP×L，并初始化g＝1与iter＝1；

③根据W中第g行向量wg中数值1的位置，对应选取矩阵Si的相应列组成矩阵Tg；

④根据公式 计算最小二乘回归模型预测误差ei，那么对应于第gT

个种群wg的目标函数值为fg＝eiei；

⑤判断是否满足条件g＜nP？若是，则置g＝g+1后返回步骤③；若否，则找出函数值f1，f2，…，fnP中最小的数值记为fbest及其对应的种群向量wbest；

⑥依次执行遗传算法的选择、交叉、和变异操作，更新矩阵W；

⑦将矩阵W中最后一行置换成wbest后，得到新的矩阵W；

⑧判断是否满足条件iter＜Imax？若是，则置iter＝iter+1后返回步骤③；若否，则根据wbest中数值1所在位置对应选取矩阵Si的相应列组成矩阵Ti；

⑨将wbest中数值1所在位置记录下来并标记为Wi，那么遗传算法优化后的最小二乘模型回归系数向量为 相应的回归模型可表示为：

4.根据权利要求1所述的一种基于动态性最优选择的分散式动态过程监测方法，其特征在于，所述步骤(8)中对矩阵 实施奇异值分解的具体实施过程如下所示：①设置r＝1与 后，初始化列向量tr为矩阵 中的第一列；

②根据公式vr＝FTtr/(trTtr)计算得到向量vr；

③根据公式tnew＝Fvr/(vrTvr)计算向量tnew；

④判断是否满足条件||tnew-tr||＜10-6？若是，则执行下一步骤⑤；若否，则置tr＝tnew后返回步骤②；

⑤根据公式 与μr＝trλr-1分别计算得到第r个奇异值λr与向量μr，并根据公式F＝F-trvrT更新F；

⑥判断是否满足条件λr≤10-3？若否，则设置r＝r+1与向量tr为矩阵F中的第一列后返回步骤②；若是，则将所有得到的奇异值λ1，λ2，…，λr组成对角矩阵Λ∈Rr×r，将所有得到的向量μ1，μ2，…，μr组成矩阵U＝[μ1，μ2，…，μr]，再将所有得到的向量v1，v2，…，vr组成矩阵V＝[v1，v2，…，vr]。