1.一种基于非相似度指标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Xc进行标准化处理，得到矩阵 然后初始化c＝1与i＝1；

(3)：按下式计算 中第i个测量变量与 中第i个测量变量的变化差异：上式中， 与 分别为矩阵 与 中的第i列，符号|| ||表示计算向量的长度；

(4)：令i＝i+1，若i≤m，返回至步骤(3)；反之，将得到的m个测量变量间的变化差异值组成向量Jc＝[J1，J2，…，Jm]；

(5)：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变量标号组成第c种参考故障类型的特征变量集Fc，并利用Fc从参考故障数据矩阵中挑选出相应变量组成新参考故障数据矩阵 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；

(6)：令c＝c+1，若c≤C，返回至步骤(3)；反之，保存得到的C个特征变量集F1，F2，…，FC以及新参考故障数据矩阵(7)：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 后利用特征变量集F1，F2，…，FC对分别进行变量选择得到矩阵(8)：先分别从各参考故障数据矩阵 中选择前w行样本组成相应的参考故障窗口矩阵 后利用非线性相似度分析算法分别计算两对应窗口矩阵 与间的非线性相似度指标 其中c＝1，2，…，C，计算相似度指标的具体过程如下所示：首先，计算协方差矩阵 其中上标号T表示矩阵的转置；

其次，对矩阵S进行奇异值分解，得到S＝VΛVT，其中Λ∈Rq×q为q个奇异值λ1，λ2，…，λq组成的对角矩阵，q为 矩阵中变量个数，也等于特征变量集Fc中元素的个数，V∈Rq×q是由q个相互正交的列向量组成；

最后，按下式计算计算两数据集 与 间的空间分布非相似度指标：(9)：将 中的最小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；

(10)：当下一个故障数据样本可测量时，数据窗口长度变为w＝w+1，重复步骤(7)～(9)重新识别故障类型。