1.基于KPCA‑CVA模型和随机算法的过程监测方法，其特征在于：内容包括：步骤1)：采集正常工况下的过程状态数据，每一次采样可以得到1×m的测量向量xk，下T n×m标k表示采样时刻，经过n次采样后，得到采样矩阵X＝[x1,x2…xn]∈R ；

步骤2)：通过数据的时序关系构建过去数据矩阵Xp和将来数据矩阵Xf，并使用高斯核函数将低维数据投影到高维特征空间中，获得过去核矩阵和将来核矩阵；

步骤3)：计算过去核矩阵的特征值λp和特征向量αp，计算将来核矩阵的特征值λf和特征向量αf，根据累计方差分别取前若干个特征值来表征所对应核矩阵的主要特征，并对所对应的核矩阵进行重构，获得重构后的过去高维特征矩阵Zp以及重构后的将来高维特征矩阵Zf；

步骤4)：建立基于CVA模型的目标函数，通过奇异值分解获得典型变量子空间的加权矩阵J，以及残差变量子空间的加权矩阵L，根据J和Xp计算得到典型变量子空间Z，根据L和Xp计算得到残差变量子空间E；

2

步骤5)根据典型变量子空间Z计算T统计量，根据残差变量子空间E计算Q统计量；

2

步骤6)：使用随机算法计算出T统计量的阈值即：给定置信度并设定一个初始阈值2

将步骤5)中计算出的T统计量与初始阈值 进行比较，并计算出所有统计量低于该初始阈值的概率，若概率高于给定的置信度则将初始阈值上调，若概率低于给定的置信度则将2

初始阈值下调，直到调整到满足置信度条件为止，此时获得的最终阈值即为T统计量的判断阈值；

使用随机算法计算出Q统计量的阈值即：给定置信度并设定一个初始阈值Quc1，将步骤

5)中计算出的Q统计量与初始阈值Quc1进行比较，并计算出所有统计量低于该初始阈值的概率，若概率高于给定的置信度则将初始阈值上调，若概率低于给定的置信度则将初始阈值下调，直到调整到满足置信度条件为止，此时获得的最终阈值即为Q统计量的判断阈值；

2

步骤7)：采集实时工况下的过程状态数据，按照步骤2)至步骤5)的方法计算出实时T统

2 2

计量和实时Q统计量，将实时T统计量与步骤6)中最后获得的T 统计量的判断阈值比较，将实时Q统计量与步骤6)中最后获得的Q统计量的判断阈值比较，若两个统计量中有任何一个统计量小于等于其判断阈值，则意味着设备无故障，若两个统计量均大于各自的判断阈值，则表示设备故障需要维修。

2.根据权利要求1所述的基于KPCA‑CVA模型和随机算法的过程监测方法，其特征在于：所述步骤2)中首先构建过去数据向量xp,k以及将来数据向量xf,k，其中，使用所有的过去数据向量组成过去

数据矩阵Xp，使用所有的将来数据向量组成将来数据矩阵Xf，其中，N＝n‑f‑p+1，p和f分别为过

去、将来时滞参数。

3.根据权利要求2所述的基于KPCA‑CVA模型和随机算法的过程监测方法，其特征在于：所述使用高斯核函数将低维数据投影到高维特征空间中，获得过去核矩阵和将来核矩阵具体方式如下：N×N N×N

Xp→Kp∈R ,Xf→Kf∈R ，N＞＞p或f；

c1和c2均为高斯核参数。

4.根据权利要求3所述的基于KPCA‑CVA模型和随机算法的过程监测方法，其特征在于：所述步骤3)中过去核矩阵的特征值λp和特征向量αp根据公式(2)计算，将来核矩阵的特征值λf和特征向量αf根据公式(1)计算：Nλfαf＝Kfαf (1)

Nλpαp＝Kpαp (2)

重构后的过去高维特征矩阵Zp以及重构后的将来高维特征矩阵Zf分别如下：Zf＝Kfαf,b1，Zp＝Kpαp,b2，其中，αf,b1为前b1个最大特征值对应的特征向量组成的数据矩阵，αp,b2为前b2个最大特征值对应的特征向量组成的数据矩阵。

5.根据权利要求4所述的基于KPCA‑CVA模型和随机算法的过程监测方法，其特征在于：所述步骤4)中基于CVA模型的目标函数如下：其中， 表示过去的协方差； 表示将来的协方差；

表示样本交叉协方差；

通过构建矩阵，优化目标J和L可通过对Ψ奇异值分解求得：

1/2 1/2 T

Ψ＝∑p ∑pf∑f ＝ΓΛΔ (4)上式中，Γ为包含左奇异向量的数据矩阵，Δ为包含右奇异向量的数据矩阵，Λ为奇异值矩阵；

1/2

典型变量子空间的加权矩阵J和残差变量子空间的加权矩阵L按下式计算：J＝∑pΔc, 其中，I为单位矩阵，Δc可以用Δ(:,1:c)表示，其中Δ(:,1:c)表示矩阵Δ中所有行和前c列组成的数据矩阵；

典型变量子空间Z＝JXp，残差变量子空间E＝LXp。

6.根据权利要求5所述的基于KPCA‑CVA模型和随机算法的过程监测方法，其特征在于：

2 T T

所述步骤5)中T＝ZZ,Q＝EE。