1.一种基于加权近邻决策的故障分类诊断方法，其特征在于，包括以下步骤：步骤(1)：采集生产过程处于正常运行工况下的N0个样本数据，组成正常工况训练数据矩阵 计算数据矩阵X0中各列向量的均值μ1，μ2，…，μm与标准差δ1，δ2，…，δm，其中R表示实数集， 表示N0×m维的实数矩阵，N0为正常样本的个数，m为过程测量变量的个数；

步骤(2)：从生产过程历史数据库中找到不同故障工况条件下的采样数据，组成各个参考故障的训练数据矩阵X1，X2，…，XC，其中 Nc为第c种故障的可用样本数，下标号c＝1，2，…，C，C为参考故障的类别数；

步骤(3)：根据如下所示公式，利用均值向量μ＝[μ1，μ2，…，μm]与标准差对角矩阵分别标准化处理X0，X1，X2…，XC中的各个行向量，相应得到标准化后的数据矩阵 并初始化下标号c＝1

其中，diag{δ1，δ2，…，δm} 表示将δ1，δ2，…，δm构造成一个对角矩阵，x表示矩阵X0，X1，X2…，XC中的各个行向量，为标准化后的行向量；

步骤(4)：将矩阵 与 合并成一个矩阵 并构建类标号向量 其中上标号T为矩阵或向量的转置，向量yc中前N0个元素数值全部为0而后Nc个元素数值全部等于1；

步骤(5)：记矩阵Yc中各行向量为x1，x2，…，xn，其中n＝N0+Nc，再利用近邻成分分析算法优化求解出权重向量wc；

步骤(6)：根据公式 对第c类故障的数据进行加权处理，得到第c类参考故障的加权矩阵Fc；

步骤(7)：判断是否满足条件c＜C；若是，则置c＝c+1后返回步骤(4)；若否，则得到所有C类参考故障的加权向量w1，w2，…，wC，以及加权矩阵F1，F2，…，FC；

上述步骤(1)至步骤(7)完成了对各个类型故障可用训练数据的加权处理，以下所示步骤(8)至步骤(13)为在线故障数据所属故障类型的诊断过程；

1×m

步骤(8)：当在线被监测数据z∈R 被识别为故障样本数据后，根据公式对z进行标准化处理得到向量 并再次初始化c＝1；

步骤(9)：调用第c类故障的加权向量wc，根据公式 计算得到向量zc；

步骤(10)：根据如下所示公式计算加权矩阵Fc中各行向量 与向量zc之间的加权平均距离dc，k：

dc，k＝||fk‑zc||/||wc||  (2)上式中，k＝1，2，…，Nc，符号|| ||表示计算向量的长度；

步骤(11)：从加权平均距离 中找出最小的两个，并计算这两个最小的加权平均距离的均值，记为当前故障样本数据与第c类参考故障之间的差距Dc；

步骤(12)：判断是否满足条件：c＜C；若是，则置c＝c+1后返回步骤(9)；若否，则得到当前故障样本数据与所有C类参考故障之间的差距D1，D2，…，DC后执行步骤(13)；

1×m

步骤(13)：根据D1，D2，…，DC中的最小值确定在线故障数据z∈R 所归属的故障类型，并返回步骤(8)继续实施下一个故障样本的故障分类诊断。

2.根据权利要求1所述的一种基于加权近邻决策的故障分类诊断方法，其特征在于，所述步骤(5)中利用近邻成分分析算法优化得到加权向量wc的实施过程具体为：6

①初始化梯度步长α＝1、初始化目标函数值f0(wc)＝‑10、以及初始化权重系数向量wc＝[1，1，…，1]，即各变量的权重系数初始值统一设置为1；

②根据如下所示公式计算在当前权重系数向量wc条件下的目标函数值f(wc)：上式中，当且仅当xi与xj对应的类标号相同时，yij＝1，其他情况yij＝0，概率pij的计算方式如下所示：

上式中，j＝1，2，…，n，Dw(xi，xj)＝||(xi‑xj)diag(wc)||，diag(wc)表示将wc中的元素转变成对角矩阵，符号|| ||表示计算向量的长度；

‑6

③判断是否满足收敛条件|f(wc)‑f0(wc)|＜10 ；若是，则结束迭代循环过程并输出权重系数向量wc；若否，则继续实施步骤④；

④设置f0(wc)＝f(wc)后根据如下所示公式计算梯度值Δf，并根据公式wc＝wc+αΔf更新权重系数向量：

⑤根据更新后的wc计算目标函数值f(wc)，并判断是否满足条件f(wc)＞f0(wc)；若是，则根据公式α＝1.01α更新梯度步长α；若否，则根据公式α＝0.4α更新梯度步长α；

⑥返回步骤③继续下一次迭代优化，直至满足步骤③中的收敛条件。