1.一种基于变量非线性自相关性剔除的动态过程监测方法，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，按采样时间先后组成训练数据集X∈Rn×m，并对矩阵X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 其中n为训练样本数，m为监测对象的测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵；

步骤(2)：将矩阵 中的后n-d个样本数据xd+1，xd+2，…，xn组成非线性回归模型输出矩阵Y＝[xd+1，xd+2，…，xn]，非线性回归模型输入矩阵Z的构造方式如下所示：其中，d为延时测量数据的个数、N＝n-d、上标号T表示矩阵或向量的转置；

步骤(3)：根据如下所示公式计算核矩阵K∈R(n-d)×(n-d)中的第i行第j列元素Kij：2

Kij＝exp(-||zi-zj||/δ)    (2)上式中，zi与zj分别为矩阵Z中的第i行与第j行的向量，δ为核函数参数；

步骤(4)：利用核偏最小二乘算法计算非线性回归模型的回归系数矩阵B；

步骤(5)：依据公式 计算剔除非线性自相关特征后的误差F∈RN×m，其中I表示N×N维的单位矩阵、矩阵EN∈RN×N中所有元素都为1；

步骤(6)：对矩阵F中的每列实施标准化处理，得到均值为0、标准差为1的新数据矩阵步骤(7)：利用主成分分析(Principal Component Analysis，PCA)算法为 建立相应的PCA模型： 其中S∈RN×k、P∈Rm×k、和E∈RN×m分别表示主成分矩阵、投影矩阵、和模型残差矩阵、k为保留的主成分个数；

步骤(8)：根据如下所示公式计算监测统计指标D与Q的控制上限Dlim与Qlim：上式中，F(α，k，N-d-k)表示自由度为k与N-d-k的F分布在置信度α(一般取99％)下的取值、 表示自由度为h＝2a2/v的卡方分布在在置信度α下的取值、加权系数g＝v/(2a)、a与v分别表示Q监测指标的估计均值与估计方差；

在线过程监测的实施过程如下所示：

步骤(9)：收集最新采样时刻的数据样本xt∈Rm×1，并找出其延时测量数据xt-1，xt-2，…，xt-d，其中下标号t表示当前最新采样时刻；

步骤(10)：对xt，xt-1，…，xt-d分别实施与步骤(1)中相同的标准化处理得到步骤(11)：根据如下所示公式计算核向量 中的第i个元素上式中，下标号i＝1，2，…，N，行向量

步骤(12)：根据公式 计算中心化后的核向量 其中矩阵EN∈RN×N中所有元素都为1，向量Et∈R1×N中所有元素都为1，I表示N×N维的单位矩阵；

步骤(13)：依据公式 计算剔除非线性自相关特征后的误差f，并对f实施与步骤(6)中相同的标准化处理得到向量步骤(14)：依据如下所示公式计算监测统计指标D与Q的具体数值：上式中，矩阵Λ＝STS/(N-1)；

步骤(15)：根据D与Q的具体数值以及步骤(8)中计算得到的控制上限Dlim与Qlim决策发生故障与否，即判断是否满足条件：D≤Dlim且Q≤Qlim；若是，则当前样本为正常工况采样，返回步骤(9)继续实施对下一个样本数据的监测；若否，则当前采样数据来自故障工况。

2.根据权利要求1所述的一种基于变量非线性自相关性剔除的动态过程监测方法，其特征在于，所述步骤(7)中建立相应的PCA模型的具体实施过程如下所示：①计算 的协方差矩阵

②求解C所有特征值γ1≥γ2≥…≥γm所对应的特征向量p1，p2…，pm；

③设置保留的主成分个数k为满足如下所示条件的最小值，并将对应的k个特征向量组成载荷矩阵P＝[p1，p2…，pk]；

④根据公式 分别计算主成分矩阵S与模型残差矩阵E，那么相应的PCA模型为：