1.一种基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，包括离线建模和在线检测两个过程，所述离线建模包括如下步骤：

步骤S1：获取冷水机组正常工作时的数据X作为训练数据，采取K均值聚类K‑means，对训练数据进行动态聚类，保存最佳情况下的聚类簇数k与聚类质心点c；

步骤S2：对每一簇下的训练数据X0利用其均值mean(X0)和标准差std(X0)对其进行标准化，得到那一簇内标准化后的训练数据Xtrain；

步骤S3：对每一簇内标准化后的训练数据Xtrain分别进行基于KECA的数据分解，并将训练数据分别投影到主元子空间与残差子空间中；

步骤S4：在每一簇数据的主元子空间与残差子空间中，分别都对训练数据采取局部异常值检测，得到统计量，再利用核密度估计方法KDE计算主元子空间的控制限与残差子空间的控制限；

在步骤S4中，

在每一簇的主元子空间中，对于训练样本，在主元得分矩阵Ytrain中找到它的K近邻样本集[x1,x2,...,xk,...,xK]，并计算该样本x的K距离，采取欧氏距离进行计算，得到值KD(x)；

给定一个K值，得到该样本的K距离，在样本K距离的范围内的样本点的集合为样本的K距离领域，记作NK，计算样本x和样本xk的可达距离RD(x,xk)，再计算样本的局部可达密度lrd(x)，最后计算样本的局部异常因子LOF(x)，通过KDE方法计算统计量LOF在主元子空间所对应的控制限LOFPCS_lim；

针对每一簇下训练数据的残差得分矩阵 采取同主元子空间中一样的计算LOF统计量过程，K邻域的取值保持不变，得到在残差子空间中离线建模的统计量LOF，通过KDE方法计算统计量LOF在残差子空间所对应的控制限LOFRS_lim；

所述在线检测包括如下步骤：

步骤S5：采集冷水机组工作时的实时数据作为测试数据X1，利用训练数据K‑means时的最佳聚类簇数k与聚类中心c对测试数据进行聚类；

步骤S6：在对应的簇内，利用训练数据的均值和标准差对其进行标准化处理，得到该簇内标准化后的测试数据Xtest；

步骤S7：将每一簇下的标准化后的测试数据分别投影到由训练数据建立的主元子空间与残差子空间中；

步骤S8：在每一簇数据的主元子空间与残差子空间中，分别都对测试数据进行局部异常值检测，得到统计量；

在步骤S8中，针对每一簇下测试数据的主元得分矩阵Ytest，采取同离线建模一样的计算LOF统计量过程，K邻域的取值与离线建模K邻域的取值保持一致，计算得到在线统计量LOFPCS，依据统计量LOFPCS是否超过控制限LOFPCS_lim来判断是否发生故障；

相同的针对每一簇下测试数据的残差得分矩阵 采取相同的过程计算LOF统计量，K邻域的取值保持不变，计算得到在线统计量LOFRS，依据统计量LOFRS是否超过控制限LOFRS_lim来判断是否发生故障；

步骤S9：计算测试数据在主元子空间与残差子空间下的均方误差MSE，动态调整LOF中K邻域的范围，选择最小的MSE对应的K邻域作为最终的取值；

步骤S10：通过贝叶斯推理机制计算两个空间数据故障概率，将两个空间的概率融合计算出最终监测统计量，依据是否超出控制限判断是否发生故障；

在步骤S10中，采用贝叶斯推理机制将步骤S9确定下的主元子空间统计量与残差子空间统计量转化为条件概率的形式，得到两个空间的故障概率P(F|XO)与P(F|XL)；

其中P(F|XO)表示测试数据在主元子空间中被认为是故障数据的概率，P(F|XL)表示测试数据在残差子空间中被认为是故障数据的概率；

再给定置信水平α后，得到P(F)值为α，表示过程处于故障的先验概率，P(N)为1‑α，P(N)表示过程工况处于正常的先验概率，P(X0)为数据在主元子空间中的边缘概率，P(XL)为数据在残差子空间中的边缘概率；

计算P(X0|N)、P(X0|F)、P(XL|N)与P(XL|F)四个参数，它们分别是P(X0|N)为在主元子空间中的正常数据的条件概率，P(X0|F)为在主元子空间中的异常数据的条件概率，P(XL|N)为在残差子空间中的正常数据的条件概率，P(XL|F)为在残差子空间中的异常数据的条件概率；

取贝叶斯融合机制对两个空间进行融合，得到全过程统计量BIC；当BIC≤α时，认为过程处于正常运行状态：当BIC＞α时，认为过程处于故障状态。

2.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S2中，在每一簇内对训练数据X0利用其均值和标准差进行标准化，得到T n×mXtrain，其中Xtrain＝[X1,X2,...,Xn]∈R ，n表示当前簇内样本个数，m表示变量个数。

3.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S3中训练数据进行KECA的数据分解，包括以下步骤：S31、针对每一簇中的标准化后的部分训练样本数据将其投影到高维空间，获得投影训练样本k(xi,xj)，选择投影函数为高斯核函数；

S32、将投影训练样本k(xi,xj)带入到高斯核函数中，得到投影训练样本k(xi,xj)的核矩阵Ktrain，对核矩阵Ktrain进行特征分解，得到特征值λ和特征向量e；

S33、利用特征值与特征向量计算该簇中训练数据的瑞利(Renyi)熵，并对特征值进行降序排序；

S34、主元个数的选择通过交叉验证来确定其最终个数，选择d个主元个数，前d个特征值对应的特征向量构成主元子空间，后m‑d个特征值对应的特征向量构成残差子空间，在对应的簇中对标准化后的训练样本Xtrain分别在主元子空间与残差子空间进行投影，得到主元得分矩阵Ytrain与残差得分矩阵

4.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S5中对测试数据X1进行聚类为：根据训练数据保留的聚类质心点c，分别计算所有测试数据到k个初始聚类中心的距离，并将其分配到与其最近的质心所对应的簇中。

5.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S6中，在对应的簇内，利用训练数据X0的均值mean(X0)和标准差std(X0)对测试数据X1进行标准化，得到Xtest。

6.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S7中，先将每一簇中标准化后的部分测试数据Xtest投影到高维空间，依旧选择高斯核函数作为投影函数，投影之后得到核矩阵Ktest，计算测试数据投影到由训练数据建立的主元子空间与残差子空间，得到对应的主元得分矩阵Ytest与残差得分矩阵

7.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S9中，计算主元子空间与残差子空间下所有簇的均方误差结果分别记为MSEPCS与MSERS，并计算两个空间下的均方误差的均值MSE0：设定一个K邻域的取值范围，更新步骤S4与S8中K邻域，并计算不同K邻域下的主元子空间与残差子空间下的MSE0，选择其中最小的MSE0对应的K邻域作为最终的K邻域选择结果，并输出此时主元子空间与残差子空间的统计量检测结果。