1.一种基于故障特征变量选择的故障类型匹配方法，其特征在于，包括以下步骤：步骤(1)：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，R为实数集， 表示Nc×m维的实数矩阵，m为过程测量变量的总个数，C为参考故障类别总数；

步骤(2)：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后初始化下标号c＝1；

步骤(3)：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具体实施方式如下所示：

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中各个行向量，为标准化后的行向量；

步骤(4)：将矩阵 与 合并一个矩阵 并构建类标号向量其中上标号T为矩阵或向量的转置符号，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)：利用近邻成分分析(NCA)算法优化求解出权重系数向量wc，具体的实施过程如下所示：步骤(5.1)：记矩阵Yc中各行向量为x1，x2，…，xn，其中xi∈R1×m，n＝N0+Nc，i＝1，2，…，n，6

并初始化梯度步长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；

步骤(5.2)：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归属同一类时，yij＝1，其他情况yij＝0，概率pij的计算方式如下所示：上式(3)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

步骤(5.3)：判断是否满足收敛条件|f(wc)-f0(wc)|＜10 ？若是，则输出权重系数向量wc；若否，则继续实施步骤(5.4)；

步骤(5.4)：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：步骤(5.5)：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；

步骤(5.6)：返回步骤(5.3)继续下一次迭代优化，直至满足步骤(5.3)中的收敛条件；

步骤(6)：将权重系数向量wc中大于0.01的元素所对应的变量编号记为集合φc，集合φc中记录的变量即为第c类故障的特征变量；

步骤(7)：根据集合φc中记录的特征变量编号，从矩阵 中选择出相应的列组成第c类参考故障的特征变量参考数据矩阵Fc；

步骤(8)：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类参考故障的特征变量集合φ1，φ2，…，φC及矩阵F1，F2，…，FC；

步骤(9)：设置数据窗口中最小的样本个数为L，当在线检测出的故障样本数累计至L后，开始实施在线故障类型匹配；

步骤(10)：根据公式 标准化处理L个样本数据z1，z2，…，zL，得到标准化后的数据向量 其中l＝1，2，…，L，zl∈R1×m为第l个故障数据向量；

步骤(11)：初始化下标号c＝1后，将 组成矩阵

步骤(12)：利用集合φc中记录的特征变量，从Z中取出相应的列组成在线故障特征变量矩阵Zc；

步骤(13)：将第c类故障的特征变量参考数据矩阵Fc中的第1行至第L行的行向量单独作为一个矩阵Fc，L，并根据如下所示步骤计算矩阵Zc与Fc，L的相似度Dc，具体的实施过程如下所示：步骤(13.1)：根据如下所示公式计算协方差矩阵Sc：步骤(13.2)：对协方差矩阵Sc实施奇异值分解，得到Sc＝VΛVT，其中Λ∈Rq×q为q个奇异值λ1，λ2，…，λq组成的对角矩阵，q为步骤(7)中选择的第c类参考故障特征变量的个数，V∈Rq×q是由q个相互正交的列向量组成；

步骤(13.3)：根据如下所示公式计算Zc与Fc，L的相似度Dc：步骤(14)：判断是否满足条件：c＜C？若是，则置c＝c+1后，返回步骤(12)；若否，则在线匹配的故障类型为D1，D2，…，DC中的最大值所对应的故障类型。