1.一种基于DA‑RVFLN的气动调节阀领域适应故障诊断方法，其特征在于，包括以下步骤：

步骤A、过程信号的采集

在气动调节阀螺盖上方和气室供气孔处分别安装位移传感器和压力传感器，给定电流输入信号，通过移传感器和压力传感器采集阀门运行过程的气室压力P(t)和阀杆位移d(t)；

步骤B、故障特征的提取：

步骤B.1、对气室压力P(t)进行K层VMD分解，得到一系列变分模态分量μk；

步骤B.2、按照下式计算各变分模态分量μk和气室压力P(t)之间的相关系数r：其中，r表示相关系数，Cov(P(t),μk)表示P(t)和μk的协方差，Var(P(t))和Var(μk)分别表示P(t)和μk的方差；

步骤B.3、给定相关系数阈值r0，选取相关系数r＞r0的变分模态分量μk相加，构成新气室压力P0(t)；

步骤B.4、设置尺度因子s，按照下式构建均值粗粒化序列其中，N表示P0(t)的采样点数；

步骤B.5、设定嵌入维数m和相似容限rEn，对步骤B.4中获得的 个粗粒化序列求样本熵，并将样本熵作为尺度因子s的函数，由此得到多尺度熵：MSE(s)＝SampEn(P0(t),m,rEn)其中，MSE(s)表示多尺度熵，SampEn(P0(t),m,rEn)表示新气室压力信号的样本熵；

步骤B.6、将阀门各开度下重构压力信号的多尺度熵和零开度下位移d0(t)的均值构成故障特征向量x＝[MSE(s),mean(d0(t))]，其中，x表示故障特征向量，mean(d0(t))表示零开度下阀杆位移的均值；

步骤C、故障分类器的学习：

步骤C.1、由步骤B得到故障特征向量x，为样本加上标签，并转换为向量形式，将采集的样本及其标签构成训练集{XS,TS}、{XT,TT}，其中，XS表示源域样本特征向量的集合，TS表示源域样本的标签矩阵，XT表示目标域样本特征向量的集合，TT表示目标域样本的标签矩阵，下标S表示源域，下标T表示目标域；采用领域适应随机向量函数链接网络DA‑RVFLN作为故障分类器进行训练，通过训练集训练故障分类器，其中，DA‑RVFLN介绍如下：故障分类器是在领域适应随机向量函数链接网络DA‑RVFLN的基础上，结合结构风险最小化和经验风险最小化，同时引入最大均值差异度量来构造一个新的目标函数：m m

其中，β是输出权重，eSi∈R 表示第i个源域样本的误差矩阵，eTj∈R 表示第j个目标域样本的误差矩阵，m表示源域和目标域的样本类别数， 表示输出权重矩阵β的2‑范数，m×m

表示源域和目标域的MMD度量，PT∈R 是目标域输出空间的转换矩阵，用于控制转移过程中输出空间的变换，nS和nT分别表示源域和目标域样本的个数，CS、CT、λ和γ表示惩罚参数，表示通过PT进行矩阵转换的惩罚运算符，tSi表示第i个源域样本的标签向量，eSi表示第i个源域样本的误差矩阵，tTj表示第j个目标域样本的标签向量，eTj表示第j个目标域样本的误差矩阵；

求解上式可得：

故障分类器的输出表达式

f(X)＝h(X)β

其中，TS表示源域样本的标签矩阵，TT表示目标域样本的标签矩阵，U表示源域样本与目标域样本的最大均值差异度量，HS表示源域样本的隐含层输出矩阵，HT表示目标域样本的隐含层输出矩阵；

步骤C.2、随机选取输入权重aj和偏置bj，选取激活函数h(·)为sigmoid函数，计算故障特征向量x隐含层的输出，构造隐含层整体输出矩阵H：其中，L为隐含层节点个数，P表示输入神经元个数；分别计算源域和目标域的隐层输出矩阵HS和HT；

步骤C.3、确定惩罚参数{CS,CT,λ,γ}，设置最大迭代次Iter，初始化 按照更新输出权重矩阵β，然后按照

更新PT，反复迭代，直到达到最大迭代次数Iter，进而可以得到基于DA‑RVFLN的故障分类器模型f(X)＝h(X)β步骤D、故障诊断：

首先，采集待测阀门运行过程的气室压力P'(t)和阀杆位移d'(t)，提取故障特征向量x'；然后，将提取的故障特征向量输入到步骤C中学习好的故障分类器，按照f(x')＝h(x')β得到待测阀门各故障的置信度向量f(x')；最后，按照下式求得待测阀门的故障标签t0：t0＝argmax{f(x')}其中，t0表示故障标签。

2.根据权利要求1所述基于DA‑RVFLN的气动调节阀领域适应故障诊断方法，其特征在于：步骤B.5中SampEn(P0(t),m,rEn)的计算过程具体如下：步骤B.5.1、根据新气室压力P0(t)＝{p1,p2,…,pN}，构建嵌入m维的矢量Pi：Pi＝[xi,xi+1,…,xi+m‑1],i＝1,2,…,N‑m+1；

步骤B.5.2、定义d[a,b]表示矢量元素a和b的最大距离，统计d[Pi,Pj]小于rEn的数目n0，定义n0与d[Pi,Pj]数目的比值 为：m

其中，N‑m是d[Pi,Pj]的总元素数量，计算 的均值为C (rEn)；

m+1

步骤B.5.3、令嵌入维数m加1，按照步骤B.5.1‑B.5.2得到C (rEn)，该尺度下的样本熵按照下式计算：

其中，SampEn表示样本熵。

3.根据权利要求1所述基于DA‑RVFLN的气动调节阀领域适应故障诊断方法，其特征在于：步骤A中给定电流输入信号大小为4‑20mA。

4.根据权利要求1所述基于DA‑RVFLN的气动调节阀领域适应故障诊断方法，其特征在于：气动调节阀的运行状态有C种，包括C‑1种故障状态及1种正常状态；每种状态采集到的气室压力和阀杆位移数据作为一个原始样本；针对源域样本，通过不同故障强度采集到同一状态的不同样本，每种状态采集NumS个样本，源域样本总数NS＝NumS*C；针对目标域样本，每种状态采集NumT个样本，目标域样本总数为NT＝NumT*C。

5.根据权利要求4所述基于DA‑RVFLN的气动调节阀领域适应故障诊断方法，其特征在于：步骤C中标签为1‑6，1‑6分别代表无故障、漏气故障、摩擦力增大故障、弹簧刚性减弱故障、阀座异物故障和阀芯磨损故障。