技術(shù)特征：

1.一種基于非相似度指標的故障分類診斷方法，其特征在于，包括以下步驟：

(1)：收集生產(chǎn)過程正常運行狀態(tài)下的采樣數(shù)據(jù)，組成數(shù)據(jù)矩陣X₀∈R^n×m，收集生產(chǎn)過程在不同故障操作狀態(tài)下的采樣數(shù)據(jù)，組成不同的參考故障數(shù)據(jù)集其中，n為訓練樣本數(shù)，m為過程測量變量數(shù)，下標號c＝1，2，…，C表示第c種參考故障類型，N_c為第c種故障的可用樣本數(shù)，R為實數(shù)集，R^n×m表示n×m維的實數(shù)矩陣；

(2)：對矩陣X₀進行標準化處理，得到均值為0，標準差為1的新數(shù)據(jù)矩陣并利用矩陣X₀的均值向量與標準差向量對進行同樣的處理，得到矩陣然后初始化c＝1與i＝1；

(3)：按下式計算中第i個測量變量與中第i個測量變量的變化差異：

$J_i={\left(\frac{1}{n}\right|\left|x_0^i\right||-\frac{1}{N_c}|\left|x_c^i\right|\left|\right)}^2---\left(1\right)$

上式中，與分別為矩陣與中的第i列(或第i個測量變量)，符號|| ||表示計算向量的長度；

(4)：令i＝i+1，若i≤m，返回至步驟(3)；反之，將得到的m個測量變量間的變化差異值組成向量J_c＝[J₁，J₂，…，J_m]；

(5)：再次初始化i＝1后，從向量J_c中找出數(shù)值大于Q(J_c)的所有元素，將這些元素所對應的變量標號組成第c種參考故障類型的特征變量集F_c，并利用F_c從參考故障數(shù)據(jù)矩陣中挑選出相應變量組成新參考故障數(shù)據(jù)矩陣其中，Q(J_c)表示計算向量J_c的較大四分位數(shù)，即J_c中所有數(shù)值由小到大排列后第75％的數(shù)值；

(6)：令c＝c+1，若c≤C，返回至步驟(3)；反之，保存得到的C個特征變量集F₁，F(xiàn)₂，…，F(xiàn)_C以及新參考故障數(shù)據(jù)矩陣

(7)：當在線檢測到的故障數(shù)據(jù)樣本數(shù)積累到w時，先利用矩陣X₀的均值向量與標準差向量對該在線故障數(shù)據(jù)窗口矩陣Y_w進行標準化處理得到后利用特征變量集F₁，F(xiàn)₂，…，F(xiàn)_C對分別進行變量選擇得到矩陣

(8)：先分別從各參考故障數(shù)據(jù)矩陣中選擇前w行樣本組成相應的參考故障窗口矩陣后利用非線性相似度分析算法分別計算兩對應窗口矩陣與間的非線性相似度指標其中c＝1，2，…，C，計算相似度指標的具體過程如下所示：

首先，計算協(xié)方差矩陣其中上標號T表示矩陣的轉(zhuǎn)置；

其次，對矩陣S進行奇異值分解，得到S＝VΛV^T，其中Λ∈R^q×q為q個奇異值λ₁，λ₂，…，λ_q組成的對角矩陣，q為矩陣中變量個數(shù)，也等于特征變量集F_c中元素的個數(shù)，V∈R^q×q是由q個相互正交的列向量組成；

最后，按下式計算計算兩數(shù)據(jù)集與間的空間分布非相似度指標：

$D_c^w=\frac{4}{q}\underset{j=1}{\overset{q}{\Σ}}{({\mathrm{\λ}}_j-0.5)}^2---\left(2\right)$

(9)：將中的最小值所對應的參考故障類型判別為當前故障數(shù)據(jù)的故障類型；

(10)：當下一個故障數(shù)據(jù)樣本可測量時，數(shù)據(jù)窗口長度變?yōu)閣＝w+1，重復步驟(7)～(9)重新識別故障類型。