1.一种基于多块典型相关分析模型的分布式故障检测方法，其特征在于：所述方法包括以下步骤：

步骤(1)采集生产过程对象中所有生产单元正常运行状态下的样本数据，组成训练数据集X∈Rn×m，计算X中各列向量的均值μ1，μ2，…，μm以及标准差δ1，δ2，…，δm，并按照如下所示公式对X中各行向量进行标准化处理得到新数据矩阵 即：其中，n为训练样本总数，m为过程对象所有测量变量的个数，R为实数集，Rn×m表示n×m维的实数矩阵，x∈R1×m表示矩阵X中任意一个行向量，为行向量x经标准化处理后的结果，均值行向量μ＝[μ1，μ2，…，μm]，ζ∈Rm×m为对角矩阵且对角线上的元素为标准差δ1，δ2，…，δm；

步骤(2)根据各测量变量的生产单元归属，将m个测量变量划分成C个不同的变量子块，C表示过程对象中生产单元的个数；

步骤(3)依据C个不同的变量子块将矩阵 对应地分成C个不同的子矩阵X1，X2，…，XC并初始化c＝1，其中 c＝1，2，…，C，mc为第c个变量子块中变量个数且满足条件m1+m2+…+mC＝m；

步骤(4)将X1，X2，…，XC中除第c个矩阵子块Xc以外的矩阵子块合并成一个矩阵Zc，利用典型相关分析算法求解得到典型成分 具体的实施过程如下所示：①根据如下所示公式分别计算得到相关性矩阵Φ1、Φ2、Φ3、和Φ4：其中，上标号T表示矩阵或向量的转置；

②计算Θc＝Φ1-1Φ2Φ3-1Φ4的所有特征值 及相应的特征向量此步骤中要求所有特征向量都为单位长度；

③根据公式Uc＝XcBc计算得到典型成分矩阵Uc，其中步骤(5)根据公式Dc＝diag(UcΛc-1UcT)计算训练数据中第c个子块所有样本数据的监测统计指标组成向量Dc，并找出Dc中最大值记录为ξc，其中矩阵Λc＝UcUcT/(n-1)；

步骤(6)判断是否满足条件c＜C？若是，则置c＝c+1后返回步骤(4)；若否，则保留矩阵Λ1，Λ2，…，ΛC、矩阵B1，B2，…，BC、以及各子块统计指标控制限ξ1，ξ2，…，ξC；

步骤(7)收集新采样时刻的数据样本y∈R1×m，根据公式 对数据向量y实施标准化处理得到新数据向量

步骤(8)根据步骤(2)中的C个不同的变量子块，对应地将数据向量 对应地分成C个不同的子向量y1，y2，…，yC，并初始化c＝1；

步骤(9)根据公式uc＝ycBc计算第c个子块下的典型成分uc；

步骤(10)根据公式Dc＝ucΛc-1ucT计算第c个子块下的监测统计指标Dc；

步骤(11)判断是否满足条件c＜C？若是，则置c＝c+1后返回步骤(9)；若否，则依据贝叶斯概率融合将D1，D2，…，DC融合成一个概率型指标BIC；

步骤(12)判断是否满足条件：BIC≤0.01？若是，则当前监测时刻系统处于正常运行状态，返回步骤(7)继续对下一采样时刻的样本实施在线故障检测；若否，则当前采样数据来自故障工况。