1.基于鲁棒半监督判别分析的工业过程故障方法，其特征在于该方法包括以下步骤：步骤1：故障分类模型的离线训练

(1)对工业过程历史训练样本进行随机标记，使得部分历史训练样本获得标记信息；

(2)对工业过程历史训练样本进行标准化预处理，消除不同量纲对建模的影响；

(3)利用样本识别准则，识别历史训练样本中源于未知故障类别的样本，避免这些样本参与半监督分类模型的建立，从而消除这些样本对分类模型的不良影响；

(4)结合有标记历史训练样本和无标记历史训练样本的信息，建立基于半监督判别分析的工业过程故障分类模型；

步骤2：故障分类模型的在线使用

(1)利用样本识别准则，识别在线样本中源于未知故障类别的样本，避免故障分类模型将上述样本误分类为已知故障类别；

(2)对于源于已知故障类别的在线样本，则将其输入至半监督判别分析故障分类模型，进一步实现精确分类；

步骤1中所述的样本识别准则，其建立过程如下：对于所有已知工况，利用其被标记的历史训练样本，确定其偏离度阈值，所述的偏离度阈值由最大偏离度和平均偏离度确定，基于各个已知工况的偏离度阈值，进行样本识别。

2.根据权利要求1所述的基于鲁棒半监督判别分析的工业过程故障方法，其特征在于：步骤1中第(4)条：

在半监督故障分类模型建立过程中，综合利用被标记历史训练样本信息和所有历史训练样本信息，构造正则化的离散度矩阵，采用广义特征值分解求解最优的投影向量，利用贝叶斯分类法则实现样本分类。

3.根据权利要求1所述的基于鲁棒半监督判别分析的工业过程故障方法，其特征在于：在确定投影向量个数时，为了在模型复杂度和分类性能之间寻求平衡，采用类似于AIC信息准则的方式确定合适的投影向量个数a：其中，fmis(a)表示将所有被标记历史训练样本投影至前a个投影向量张成的特征空间后形成的误分类率，表示平均每类工况的被标记历史训练样本个数，M为样本维度。

4.根据权利要求1所述的基于鲁棒半监督判别分析的工业过程故障方法，其特征在于：步骤2中第(1)条：

利用已建立的样本识别准则，将在线样本和各个已知故障类别的偏离度阈值进行比较；若在线样本相对于各个已知故障类别中心的偏离度均大于其偏离度阈值，则在线样本可认为源于未知故障类别；否则，在线样本可认为源于已知故障类别。