1.一种基于特征变量加权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为过程测量变量的总个数；

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数据矩阵X1，X2，…，XC，并初始化下标号c＝1，其中 Nc为第c种故障的可用样本数，下标号c＝1，2，…，C，C为参考故障的类别总数；

步骤(3)：利用均值向量μ＝[μ1，μ1，…，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，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)：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(NCA)算法优化求解出权重系数向量wc，具体的实施过程如步骤(5.1)至步骤(5.6)所示：步骤(5.1)：初始化梯度步长α＝1、初始化目标函数值f0(wc)＝-106、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(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；

步骤(5.3)：判断是否满足收敛条件|f(wc)-f0(wc)|＜10-6？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的元素及其所对应的变量分别记为向量 与集合φc，并根据φc从矩阵 中选出相应的列组成矩阵Fc，再根据公式 计算得到第c类参考故障的特征变量加权矩阵

步骤(7)：以 为训练数据矩阵，利用主成分分析(PCA)算法建立第c类参考故障的特征变量加权PCA模型： 其中 与Pc分别为模型的得分矩阵与载荷矩阵，Ec为模型的残差矩阵，lc为模型载荷向量的个数；

步骤(8)：将矩阵Sc＝EcEcT对角线上的元素单独作为列向量Qc后，依据如下所示公式确定PCA模型的控制上限δc，lim和ηc，lim：上式中， 表示置信度为α、自由度分别为lc与Nc-lc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，b和v分别为向量Qc的均值和方差；

步骤(9)：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、特征变量权重向量 特征变量加权PCA模型、以及控制上限δ1，lim，δ2，lim，…，δC，lim与η1，lim，η2，lim，…，ηC，lim；

步骤(10)：当在线被监测数据z∈R1×m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 并初始化c＝1；

步骤(11)：利用步骤(6)中的第c类参考故障特征变量集合φc，从 选出相应的列组成向量zc，再根据特征变量加权向量 对zc实施加权处理得到步骤(12)：调用步骤(7)建立的第c个特征变量加权PCA模型，根据如下所示公式计算δc与ηc的具体数值：上式中，矩阵 矩阵I为单位矩阵；

步骤(13)：根据公式Dc＝δc/δc，lim+ηc/ηc，lim计算匹配度Dc后，判断是否满足条件：c＜C？若是，则置c＝c+1后，返回步骤(11)；若否，则得到在线故障数据归属所有C类参考故障类型的匹配度D1，D2，…，DC；

步骤(14)：根据D1，D2，…，DC中的最小值确定在线故障数据z∈R1×m所归属的故障类型，并返回步骤(10)继续实施下一个故障样本的故障诊断。

2.根据权利要求1所述一种基于特征变量加权的故障分类诊断方法，其特征在于，所述步骤(7)中利用主成分分析(PCA)算法建立PCA模型的实施过程具体为：①根据公式 计算协方差矩阵Φc；

②求解Φc所有非零特征值 所对应的特征向量 这里要求

所有的特征向量都是单位长度，其中Mc为非零特征值的个数；

③设置载荷向量的个数lc为满足如下所示条件的最小值：

④将特征向量 组成载荷矩阵 并根据公式 计算

得分矩阵Tc；

⑤相应的特征变量加权PCA模型即可表示为： 其中残差