1.一种基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：包括如下步骤：步骤1：获取工业过程的正常历史工况数据，将此正常历史工况数据作为训练集，对此训练集进行标准化，计算标准化后的值；

步骤2：通过聚类算法，将标准化后的训练集划分为多个正常工况；

步骤3：根据相关度准则，确定证据信息，由于每个训练样本都携带证据信息，因此得出每个训练样本与每个正常工况的相关度，进而建立证据信息库；证据信息库是所有正常样本所携带证据信息的集合；

步骤4：根据每个训练样本的局部密度，计算训练样本的折扣因子γi，使故障边界适应训练样本的局部特征；

步骤5：对待测数据进行标准化，并在训练集中找出距离待测数据最近的k个样本；

步骤6：根据D-S证据理论Dempster’s整合规则，将步骤5中的k个样本的证据信息进行合成，得到故障检测结果。

2.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于 ：在步骤1中 ，根据公式 (1) ，计算标准化后的值 ，正常工况数据集n为正常工况样本的个数，i代表第i个样本，p为每个样本的维度：

j j

其中， 是实际值， 是变量x的最大值， 是变量x的最小值， 是标准化后的值，j表示样本维度。

3.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：所述步骤2中的聚类算法为K均值聚类法、高斯混合模型聚类法、密度峰值聚类法中的任意一种。

4.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：所述步骤3中的相关度准则为欧氏距离、马氏距离、局部密度中的一种或两种方法的组合。

5.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：在步骤3中，根据公式(2)，为每个训练样本计算证据信息：其中，q表示第q个正常工况，diq为第i个样本与第q个正常工况的相关度，c表示总的正常工况数量； 表示第i个样本与所有工况相关度的总和，mi({ωq})表示第i个样本属于第q个正常工况的概率。

6.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：在步骤4中，根据公式(3)，计算训练样本的折扣因子γi：其中，Di是样本xi与距离样本xi最近的k训练样本之间的距离组合成的集合，ε是quantile函数内的参数。

7.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：在步骤6中，包括以下步骤：步骤6.1：根据公式(4)，计算自适应折扣因子γs：其中，λ用来调整γs的大小，γi为训练样本的折扣因子；

步骤6.2：根据公式(5)，计算训练样本的权重值：

其中，di表示待测样本与训练样本的欧氏距离，γs为自适应折扣因子；

步骤6.3：根据公式(6)，计算待测样本从属于每个工况的mass函数：其中，α为训练集的置信度，mi(A)为待测样本的证据信息； 表示距离待测样本最近的K个训练样本的索引集合，dsi表示待测样本与训练样本之间的距离；

步骤6.4：根据公式(7)、(8)、(9)，合成mass函数，得出诊断结果；

其中，K1为标准化因子，ms(Ω)表示测试样本故障概率，ms({ωq})表示测试样本从属于每个工况的概率。