1.一种基于相关变量分散式建模的化工过程监测方法，其特征在于，包括以下步骤：

首先，离线建模阶段包括如下所示步骤(1)至步骤(5)；

步骤(1)：采集化工过程对象在正常运行状态下的n个训练样本数据x1，x2，…，xn组成训练数据矩阵X＝[x1，x2，…，xn]∈Rm×n，并计算均值向量μ＝(x1+x2+…+xn)/n以及标准差向量δ∈Rm×1：其中，⊙表示向量(xi‑μ)与(xi‑μ)中的对应元素相乘、xi∈Rm×1表示第i个样本数据、m为测量变量的总个数、i＝1，2，…，n、R为实数集，Rm×n表示m×n维的实数矩阵；

步骤(2)：根据公式对样本数据x1，x2，…，xn分别实施标准化处理，从而得到矩阵其中，表示向量(xi‑μ)与标准差向量δ中的对应元素相除，为标准化后的数据向量；

步骤(3)：根据如下所示步骤(3.1)至步骤(3.13)依次为m个测量变量优选出各自的相关变量集ψ1，ψ2，…，ψm；

步骤(3.1)：初始化k＝1；

步骤(3.2)：将矩阵中第k行的行向量yk∈R1×n记做软测量模型的输出向量，并将矩阵中除第k行向量以外的行向量组成软测量模型的输入矩阵Xk∈R(m‑1)×n；

步骤(3.3)：设置遗传算法的最大迭代次数Im、种群个数N(需设置N为偶数)、交叉概率c1、变异概率c2，并初始化一个N×(m‑1)的维二进制数据矩阵W，以及设置γ＝1与iter＝1，其中二进制数据矩阵W中的各个行向量即为遗传算法的各个种群；

步骤(3.4)：根据如下所示公式①计算矩阵Xk中第i列向量与第j列向量之间的加权距离上式中，i＝1，2，…，n、j＝1，2，…，n、向量wγ为二进制数据矩阵W中第γ行的行向量、diag(wγ)表示将向量wγ转变为一个对角矩阵，符号||||表示计算向量的长度；

步骤(3.5)：根据如下所示公式②计算向量与向量相近的概率pij：

步骤(3.6)：根据如下所示公式③计算向量的概率误差pi：

上式中，yk，i与yk，j分别为向量yk中的第i个元素与第j个元素；

步骤(3.7)：根据公式Jγ＝‑(p1+p2+…+pn)计算第γ个种群对应的近邻成分分析目标函数值Jγ后，判断是否满足条件：γ＜N；若是，则置γ＝γ+1后返回步骤(3 .4)；若否，将J1，J2，…，JN中最大值所对应的种群记为w0后执行步骤(3.8)；

步骤(3.8)：根据公式qγ＝(J1+J2+…+Jγ)/(J1+J2+…+JN)计算各个种群的选择概率q1，q2，…，qN；

步骤(3.9)：在区间(0，1]上随机生成一个数φ后，从q1，q2，…，qN中找出满足条件qγ≥φ的最小值，并将该最小值对应的种群保留，重复本步骤N次后将保留的N个种群组成新二进制数据矩阵步骤(3.10)：在区间(0，1]上随机生成一个数后，从新二进制数据矩阵中随机选择两个行向量实施交叉操作，即判断是否满足条件：若是，则将这两个行向量后一半元素进行交换；若否，则保持这两个行向量不变；重复本步骤N/2次且保证每次挑选的两个行向量都不重复；

步骤(3.11)：在区间(0，1]上随机生成一个数后，从新二进制数据矩阵中随机选择一个行向量实施变异操作，即判断是否满足条件：若是，则将这个向量中任意一个元素减去1后再取绝对值；若否，则保持该向量不变；重复本步骤N次且保证每次从中选择的行向量不重复；

步骤(3.12)：将新二进制数据矩阵中的最后一行的行向量变成w0后，判断是否满足条件：iter＜Im；若是，则置iter＝iter+1与后返回步骤(3.4)；若否，则根据w0中元素1所在的位置确定出第k个测量变量的相关变量集ψk后，执行步骤(3.13)；

步骤(3.13)：判断是否满足条件：k＜m；若是，则置k＝k+1后返回步骤(3.2)；若否，则得到各个测量变量的相关变量集ψ1，ψ2，…，ψm；

步骤(4)：根据第k个测量变量的相关变量集ψk，从矩阵中选择相应的行向量组成软测量模型的输入矩阵将矩阵中第k行的行向量yk∈R1×n当成软测量模型的输出向量，并利用偏最小二乘算法建立输入矩阵与输出向量yk之间的模型：其中k＝1，2，…，m、Bk与ek∈R1×n分别为第k个测量变量的系数矩阵与估计误差向量、上标号T表示矩阵或向量的转置；

步骤(5)：将各个测量变量的估计误差向量e1，e2，…，em组成矩阵E＝[e1