1.一种基于近邻成分分析的故障类型识别方法，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，对应组成各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，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 并计算矩阵X0中各列向量的均值μ1，μ2，…，μm与标准差δ1，δ2，…，δm；

步骤(3)利用均值μ1，μ2，…，μm与标准差δ1，δ1，…，δm分别标准化处理X0，X1，X2…，XC中对应的各列向量，得到标准化后的数据矩阵 并初始化c＝1；

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；

步骤(6)将权重系数向量wc中小于10-3的元素全部变成零，得到更新后的权重系数向量那么向量 中不等于0的元素所对应的变量即为第c类参考故障的特征变量；

步骤(7)根据公式 计算得到第c类参考故障数据经特征变量加权后的数据矩阵Fc，其中 表示将向量 中的各元素组成对角矩阵的操作；

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，则得到最终的权重系数向量 以及矩阵F1，F2，…，FC；

步骤(9)当在线监测的数据样本x∈R1×m被已有的故障检测系统判别为故障数据后，根据步骤(2)中的均值μ1，μ2，…，μm与标准差δ1，δ2，…，δm标准化处理向量x得到向量步骤(10)根据公式 将向量 分别经 加权处理，对应得到加权向量g1，g2，…，gC；

步骤(11)计算向量g1，g2，…，gC与矩阵F1，F2，…，FC中各行向量的之间的距离，并找出最小距离样本所对应的故障类型，该故障类型即为识别出的故障类型。