1.一种基于非高斯相似度匹配的故障分类诊断方法，其特征在于，包括以下步骤：(1)：收集生产过程正常运行状态下的采样数据，组成数据矩阵X0∈Rn×m，收集生产过程在不同故障操作状态下的采样数据，组成不同的参考故障数据集 其中，n为训练样本数，m为过程测量变量数，下标号c＝1，2，…，C表示第c种参考故障类型，Nc为第c种故障的可用样本数，R为实数集，Rn×m表示n×m维的实数矩阵；

(2)：对矩阵X0进行标准化处理，得到均值为0，标准差为1的新数据矩阵 并利用矩阵X0的均值向量与标准差向量对 进行同样的处理，得到矩阵(3)：利用ICA算法对 进行分析处理，得到分离矩阵W∈Rd×m与独立成分矩阵其中d为保留的独立成分个数，上标号T表示矩阵或向量的转置；

(4)：根据如下所示公式利用分离矩阵W对各参考故障数据矩阵 进行投影变换：

对应可得到独立成分矩阵S1，S2，…，SC，并初始化c＝1与i＝1；

(5)：按下式计算S0中第i个独立成分与Sc中第i个独立成分的变化差异：

上式中，与 分别为矩阵S0与Sc中的第i列，符号|| ||表示计算向量的长度；

(6)：令i＝i+1，若满足条件i≤d，返回至步骤(5)；反之，将得到的d个独立成分间的变化差异值组成向量Jc＝[J1，J2，…，Jd]，并执行步骤(7)；

(7)：再次初始化i＝1后，从向量Jc中找出数值大于Q(Jc)的所有元素，将这些元素所对应的独立成分标号组成第c种参考故障类型的特征集Fc，并利用Fc从矩阵Sc中挑选出相应列组成新参考故障独立成分矩阵 其中，Q(Jc)表示计算向量Jc的较大四分位数，即Jc中所有数值由小到大排列后第75％的数值，f表示矩阵 的列数，也为特征集Fc中标号的个数；

(8)：令c＝c+1，若c≤C，返回至步骤(5)；反之，保存得到的C个特征集F1，F2，…，FC以及新参考故障独立成分矩阵 并执行步骤(9)；

(9)：当在线检测到的故障数据样本数积累到w时，先利用矩阵X0的均值向量与标准差向量对该在线故障数据窗口矩阵Yw进行标准化处理得到 后利用分离矩阵W将 变换成独立成分矩阵(10)：先利用特征集F1，F2，…，FC对Zw分别进行特征选择得到矩阵 后分别从各参考故障独立成分矩阵 中选择前w行样本组成相应的参考故障窗口矩阵(11)：先分别计算两对应窗口矩阵 与 间的互信息相似度，得到 然后将 中的最大值所对应的参考故障类型判别为当前故障数据的故障类型，其中c＝1，2，…，C；

(12)：当在线检测出下一个故障数据样本时，数据窗口长度变为w＝w+1，重复步骤9～

11再次识别故障类型。

2.根据权利要求1所述的一种基于非高斯相似度匹配的故障分类诊断方法，其特征在于：所述步骤(3)的具体实现过程如下所示：①计算 的协方差矩阵

②计算矩阵Φ的所有实数特征值和特征向量，并剔除小于0.0001的特征值及其对应的m×d特征向量，得到特征向量组成的矩阵P＝[p1，p2，…，pM]∈R 以及相应特征值组成的对角矩阵D＝diag(λ1，λ2，…，λd)∈Rd×d；

③对 进行白化处理得到 并初始化j＝1；

④选取单位矩阵I∈Rd×d中的第j列作为向量bj的初始值；

⑤按照下式更新向量bj：

bj←E{Zg(bjTZ0)}-E{g′(bjTZ0)}bj    (3)上式中，g和g′分别是函数G(u)＝logcosh(u)的一阶和二阶导数，u代表函数G的自变量，E{}表示求取期望值；

⑥对更新后的向量bj依次按照下式进行正交化处理：

bj←bj/||bj||    (5)

⑦重复步骤⑤～⑥直至向量bj收敛，并保存向量bj；

⑧令j＝j+1，若j≤d，则返回至步骤④；反之，则将所有d个向量组成矩阵B＝[b1，b2，…，bd]；

⑨计算分离矩阵W＝BTD-1/2PT与独立成分矩阵

3.根据权利要求1所述的一种基于非高斯相似度匹配的故障分类诊断方法，其特征在于：所述步骤(11)中计算互信息相似度的具体实现过程如下所示：①将窗口矩阵 与 合并成成一个矩阵 选取距离近邻个数r＝3并初始化p＝1，；

②计算矩阵A中第p行向量与A中第q＝1，2，…，w行向量之间的距离，然后按数值大小做升序排列，并记录第r+1个数值αp；

③计算矩阵 中第p行向量与 中第q＝1，2，…，w行向量之间的距离 然后记录距离大小满足条件 的个数βp；

④计算矩阵 中第p行向量与 中第q＝1，2，…，w行向量之间的距离 然后记录距离大小满足条件 的个数δp；

⑤利用记录的βp与δp计算其相应的Digamma函数ψ(βp)与ψ(δp)，其中Digamma函数满足条件ψ(x+1)＝ψ(x)+1/x，x为函数自变量，当x＝1时，ψ(1)＝-0.57721…；

⑥令p＝p+1，若p≤w，则返回至②；反之，则分别求取ψ(β1)，ψ(β2)，…，ψ(βw)与ψ(δ1)，ψ(δ2)，…，ψ(δw)的平均值，记为μ与ξ；

⑦按照下式计算窗口矩阵 与 间的互信息：

那么，窗口矩阵 与 间的相似度为