1.一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，包括：S101：采集高炉炼铁时的样本数据集，所述样本数据集包括多个数据样本，每个所述数据样本包括多个过程变量；

S102：对所述数据样本进行归一化处理；

S103：采用随机傅里叶特征映射将归一化处理后的数据进行非线性映射；

S104：构建局部Fisher判别分析模型；

S105：通过所述局部Fisher判别分析模型获取样本数据的数据特征；

S106：构建基于贝叶斯推理的分类器；

S107：根据所述数据特征，通过所述分类器对所述数据样本进行分类；

S108：通过所述样本数据集完成对于所述分类器的训练；

S109：获取高炉炼铁时的实时数据；

S110：根据高炉炼铁时的实时数据，通过所述分类器对高炉进行故障诊断；

其中，所述S103具体包括：

S1031：将高斯函数进行傅里叶变换，得到p(ω)：其中，ε表示核宽度；

S1032：将p(ω)进行傅里叶逆变换，得到核函数K(xi,xj)：其中，zω(xj)从p(ω)分布中抽样得到，E[.]表示数学期望， 是zω(xj)的共轭复数；

S1033：计算所述核函数的无偏估计为：其中，

2

其中，ωk＝[ω1,...,ωL]，k＝1,...,D服从均值为0和协方差矩阵为ε I的高斯分布，在区间[0,2π]内服从均匀分布，D为映射后的维度大小，z(x)为随机傅里叶特征。

2.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述过程变量包括：富氧率、透气性指数、CO体积、H2体积、CO2体积、标准风速、富氧流量、阻力系数和四个不同顶部位置的温度。

3.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述数据样本的采集频率为10s。

4.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述样本数据集中的80％为训练集，20％为测试集。

5.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述S102具体包括：通过以下公式对所述数据样本进行归一化处理：其中，H表示原始输入数据， 为处理后的数据，Xstd表示正常数据的标准差，Xmean表示正常数据的均值。

6.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述S104具体包括：S1041：根据局部保持投影和Fisher判别分析，构建所述局部Fisher判别分析模型，所述局部Fisher判别分析模型的类间散度矩阵和类内散度矩阵的转换形式如下：其中，φ(X)＝[φ(x1),φ(x2),...φ(xn)]表示原始样本经过非线性映射φ(x):X→H后的高维特征空间数据集， 和 为权值矩阵，表达式为：其中，Ck表示第k个类别，nk表示第k个类别中的样本数量，Aij表示样本间的关联矩阵，用于表示样本之间的关联程度；

S1042：设置所述局部Fisher判别分析模型的目标函数：其中，ω表示最佳投影方向。

7.根据权利要求6所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述S105具体为：对所述局部Fisher判别分析模型的广义特征方程进行求解，得出前d个最大特征值对应的特征向量，作为最优矩阵，所述广义特征方程如下：SLBω＝λSLWω

其中，λ表示超参数。

8.根据权利要求7所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述S106具体包括：d

S1061：将所述最优矩阵作为样本特征，得到新的样本数据y∈R；

S1062：计算样本数据的条件概率密度：其中， Φ表示最佳投影矩阵，Ck表示第k个类别；

S1063：根据贝叶斯规则计算样本数据属于第Ck类样本的后验概率：S1064：基于样本数据属于第Ck类样本的后验概率构建所述分类器。

9.根据权利要求8所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述S107具体为：将样本数据分类到后验概率最大的类别中：