1.一种基于数据邻域特征与非邻域特征保持的工业过程故障检测方法，其特征在于，包括以下步骤：(1)采集生产过程正常运行状态下的数据，组成训练数据集X∈Rn×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵 其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵， 为标准化后的数据样本，i＝1，2，…，n为第i个数据样本的下标号；

(2)设置距离近邻个数k、时间近邻个数t、和角度近邻甄别参数δ，为数据矩阵 中的每个样本计算与之相近的距离近邻、时间近邻、和角度近邻，组成邻域集，而与之不相近的其他数据样本则组成非邻域集，其中各参数的取值范围分别为k∈[6，12]、t∈[1，4]、和δ∈[0.6，0.7]，具体的实施细节如下所示：首先，从数据矩阵 中找出与第i个数据样本 距离最近的k个数据样本，具体的实施方式如下所示：①针对第i个样本 计算矩阵 中除 以外的其他样本与 之间的欧式距离Dij，即：其中，j＝1，2，…，n且j≠i，|| ||表示计算向量的长度；

②对这些计算出来的距离按大小进行升序排列，并记录前k最小距离所对应的样本标号；

其次，根据采样时间先后次序，从数据矩阵 中找出位于第i个数据样本 采样时间的前后各t个数据样本，并记录样本标号；

再次，从数据矩阵 中找出与第i个样本 角度相近的数据样本，并记录样本标号，具体的实施方式如下所示：①针对第i个样本 计算矩阵 中除 以外的其他样本与 之间的角度余弦值cosθij，即：②根据角度近邻甄别参数δ，选择满足甄别条件|cosθij|＞δ所对应的样本，并记录样本标号；

然后，将所有记录的样本标号合在一起并删除重复的样本标号，组成对应于第i个样本的邻域集，与此同时，矩阵 中未被选择的样本所对应的标号则组成对应于第i个样本的非邻域集；

最后，重复上述操作直至得到所有n个数据样本所对应的邻域集与非邻域集；

(3)根据邻域集，构造相应的邻域特征矩阵W∈Rn×n，并计算矩阵L＝D-W，同样的，构造相应的非邻域特征矩阵H∈Rn×n，并计算矩阵G＝N-H，其中，矩阵D∈Rn×n与N∈Rn×n都为对角矩阵，对角线上的元素分别为矩阵W与矩阵H中每一列的元素之和，矩阵W与H具体的构造方式如下所示：首先，初始化矩阵W0为一个n×n维的单位矩阵；

其次，根据第i个样本 所对应的邻域集将矩阵W0中的第i行相应元素更新为1，并重复此操作直至更新完W0中所有n行的元素，得到新矩阵W1；

然后，根据第i个样本 所对应的邻域集将上步骤中得到的矩阵W1中的第i列相应元素更新为1，并重复此操作直至更新完W1中所有n列的元素，得到近邻特征矩阵W；

最后，直接利用矩阵W构造出矩阵H＝E-W，其中，E∈Rn×n为一个n×n维的全1矩阵；

(4)求解如下所示的广义特征值问题：

XTGX＝λXTLX  (3)

上式中，λ表示特征值，然后保留前d(d＜m)个最大特征值所对应的特征向量p1，p2，…，pd，组成投影变换矩阵P＝[p1，p2，…，pd]∈Rm×d；

(5)建立相应的故障检测模型，保存模型参数 以备在线监测时调用，其中，Λ＝STS/(n-1)， 为数据矩阵 投影变换后的结果，控制限 和Qlim的计算方式如下所示：其中，置信度α＝99％，Fd，n-d，α表示置信度为α、自由度分别为d与n-d的F分布所对应的值， 表示自由度为h、置信度为α为卡方分布所对应的值，M和V分别为Q统计量的估计均值和估计方差；

(6)收集新的过程采样数据xnew∈Rm×1，并对其进行同样的标准化处理得到(7)调用模型参数Θ对数据 进行故障检测，即构建监测统计量T2与Q：2

并将T和Q统计量具体数值分别与控制限 和Qlim进行对比，若任何一个超出相应控制限，则当前监测的数据为故障状态；反之，则为正常，并进行下一个新数据的监测。