1.自适应慢特征分析的工业过程故障检测方法，其特征在于，具体按照以下步骤实施：步骤1、采集工业过程传感器测量数据；步骤2、确定与关键变量相关度高的过程状态变量并构成所需数据集；步骤3、将步骤2得到的数据集以6：4的比例分成训练集 和测试集 ，利用训练集数据优化得到故障检测模型；所述步骤3具体按照以下步骤实施：步骤3.1、对训练集 进行归一化得到 ， 具有零均值且协方差矩阵为单位阵的性质；步骤3.2、对 进行奇异值分解即 ，其中， 为 分解得到的对角阵， 为 分解得到的特征矩阵， 为 的转置，利用分解得到的矩阵确定白化数据矩阵 ，白化后的数据 的协方差矩阵为单位阵，即具有性质 ；步骤3.3、对 求导得到 ，对 进行奇异值分解，得到 ， 为 分解得到的对角阵， 为 分解得到的特征矩阵， 为 的转置，根据 、 、 计算得到变换矩阵 ，变换矩阵 就是需要得到的检测模型；步骤4、建立故障检测指标的计算公式；步骤5、根据故障检测指标是否超出阈值，判断工业过程的工况是否发生变化，若发生变化，则进行重采样并更新故障检测模型；步骤6、检测步骤3得到的测试集是否发生故障。
2.根据权利要求1所述的自适应慢特征分析的工业过程故障检测方法，其特征在于，所述步骤1具体按照以下步骤实施：利用传感器采集得到工业过程的 N 组监测数据，分为过程状态变量 m 为变量个数， 表征产品质量的关键变量， N 为变量长度。
3.根据权利要求2所述的自适应慢特征分析的工业过程故障检测方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、以第 i 个过程状态变量 为横坐标，以关键变量 为纵坐标，绘制散点图，根据 和 的具体范围大小给定网格化参数 a 和 b ，对散点图进行 a 行 b 列网格化；步骤2.2、计算关键变量 和过程状态变量 的最大互信息值 ，其中， 和 分别是关键变量和待测变量某点， 是 和 的联合概率， ， 分别是 y 和 x 的条件概率，对最大互信息值进行归一化得到 ；步骤2.3、通过改变步骤2.1中的网格化参数 a 和 b ，得到不同 a 和 b 值下的互信息值，从中选取最大值作为最大互信息系数MIC值，表示为 ： (1)其中，网格化参数 a 和 b 的选择范围受阈值 B 限制；步骤2.4、分别计算其余过程状态变量与关键变量 Y 的最大互信息值，计算方法与步骤2.1、2.2和2.3相同，得到所有过程变量与关键变量的最大互信息系数，即 ， ，…， ；步骤2.5、将最大互信息系数从大到小进行排序，选取与关键变量相关性较大的过程状态变量，作为训练模型，选取的数量为变量个数的60%。
4.根据权利要求3所述的自适应慢特征分析的工业过程故障检测方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1、利用步骤3得到的变换矩阵 计算检测指标，对 进行矩阵分解 ， 为变换矩阵 的转置， 为 分解得到的对角阵， 为 分解得到的特征矩阵， 为 的转置；步骤4.2、计算平方预测误差 SPE 和霍特林统计量 ： (2) (3)其中， I 为单位阵， 为测试集 某一时刻的数据， 为 的转置， SPE 和 就是希望得到的检测指标。
5.根据权利要求4所述的自适应慢特征分析的工业过程故障检测方法，其特征在于，所述步骤5具体按照以下步骤实施：步骤5.1、利用测试集中的数据，计算当前的数据的 值和 值，即 和 ，设定检测指标 的阈值为 ，检测指标 的变化量 的阈值为 ，检测指标 的阈值为 ，检测指标 的变化量 的阈值为 ，判断 、 、 、 ，若满足任意一个，则更新检测模型，即步骤5.2；若否，则判断是否发生故障，即步骤6；步骤5.2、对步骤3得到的 进行重新采样，计算测试集 的异常点与训练集 的第 i 个样本的距离 ， ，其中， 为测试集样本 中的第 j 列向量， 为训练集样本 中的第 j 列向量，计算训练集中第 i 个样本的权重 ，再根据权重计算训练集中第 i 个样本的采样概率 ；步骤5.3、根据步骤5.2的方法计算步骤3得到的所有训练集样本的采样概率，重新采集步骤3得到的 ，得到新的训练集 ，将 输入到检测模型中，重新训练检测模型，即更新故障检测模型。
6.根据权利要求5所述的自适应慢特征分析的工业过程故障检测方法，其特征在于，所述步骤6具体按照以下步骤实施：步骤6.1、应用故障检测技术中常用的核密度估计方法分别计算 SPE 和 检测指标的控制限 和 ，称为故障阈值；步骤6.2、判断检测指标是否超出故障阈值，若超过故障阈值，则判断为发生故障，若未超过，则判断系统正常。
