1.基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法，其特征在于包括以下步骤：步骤1、通过工业系统信号采集设备采集不同状态类型下的原始信号；

步骤2、对每种状态类型下原始信号对应一个时间序列{x(i)|i＝1,2,...,N}，其中i序列对应某一时刻的数值，N表示时间序列的长度；对时间序列{x(i)|i＝1,2,...,N}进行尺度因子τ粗粒度变换(τ为正整数)，形成若干粗粒数值点最终得到τ个粗粒化长度为p的新信号时间序列，其中第k个新信号时间序列具体变换公式如下：步骤3、对第k个粗粒化长度为p的新信号时间序列进行嵌入维数为m的向量重构，得到从 到 其中为向量序列平移的距离，具体公式如下：

步骤4、使用重构后的向量，计算尺度因子τ下第k个新信号时间序列的欧式距离模糊样本熵：

4.1任意两个初始向量不同的m维信号时间序列 与 之间的距离 为两个重构后向量的欧氏距离，具体公式如下：

4.2给定阈值r，r一般取值0.15×SD，SD为原始序列{x(i)|1≤i≤N}的标准差；通过模糊函数 计算 和 间的相似度 公式如下：

4.3统计向量间的匹配度，记为

4.4对所有的 求平均，记作

4.5将嵌入维数增加为m+1，重复以上步骤3-4.4计算向量间的匹配度，记为 并对所有的 求平均，记作

4.6定义第k个新信号时间序列的欧氏距离模糊样本熵：

步骤5、更新k值，将嵌入维数恢复为m，重复以上步骤3-4.6，求下一个新信号时间序列的欧氏距离模糊样本熵，直至求得所有τ个新信号时间序列的欧氏距离模糊样本熵；

步骤6、对所有τ个新信号时间序列的欧氏距离模糊样本熵求均值，最终得到原始时间序列在尺度τ下的欧氏距离模糊样本熵：步骤7、更新尺度因子τ的值，返回至步骤2，求下一个尺度因子的欧氏距离模糊样本熵，直至满足尺度因子个数的要求，最终得到欧氏距离多尺度模糊样本熵，即一组在多个不同尺度因子下的欧氏距离模糊样本熵值；

步骤8、将上述欧氏距离多尺度模糊样本熵作为前后向传播神经网络的输入，神经网络设置为四层拓扑结构，其中输入层点的个数等于尺度因子的个数，每个点对应每个尺度因子的欧氏距离模糊样本熵，隐藏层为30个点；输出层输出对应着系统不同状态类型下每种类型标记的向量值；最终进行工业系统故障信号识别与故障检测。