1.一種故障診斷方法，其特征在于，包括：

獲取待測樣本；

對所述待測樣本進行預處理，得到目標待測樣本；

利用k近鄰分類算法和預先得到的目標參考集對所述目標待測樣本進行分類，以便確定所述目標待測樣本是否是故障數據；

所述獲取待測樣本之前，還包括：

獲取帶有標簽的目標訓練數據集，其中，所述標簽表示所述目標訓練數據集中的各個樣本數據為正常數據或故障數據；

利用所述目標訓練數據集確定所述目標參考集；

所述利用目標訓練數據集確定所述目標參考集，包括：

利用基于迭代局部Fisher得分算法和所述目標訓練數據集，確定目標特征子集；

根據所述目標特征子集，生成所述目標參考集；

所述利用基于迭代局部Fisher得分算法和所述目標訓練數據集，確定目標特征子集，包括：

A11：對所述目標特征子集進行初始化；

A12：利用所述目標訓練數據集和第一預設公式構造局部類內散度矩陣和局部類間散度矩陣，其中，所述第一預設公式為：

其中，S_ij表示局部類內散度矩陣，D_ij表示局部類間散度矩陣，x_i＝[x_i1,x_i2,...,x_id]^T表示所述目標訓練數據集中的第i個樣本數據，y_i表示所述目標訓練數據集中的第i個樣本數據的標簽，當所述第i個樣本數據為正常數據時，y_i＝1，當所述第i個樣本數據為故障數據時，y_i＝-1，d表示所述目標訓練數據集中包括的特征個數，KNN(x_i)表示所述目標訓練數據集中的第i個樣本數據的k近鄰集合；

A13：判斷所述目標特征子集中的特征數量是否小于預設特征數量閾值；

A14：如果所述目標特征子集中的特征數量小于預設特征數量閾值，則利用第二預設公式構建過渡特征子集，其中，所述第二預設公式為：

A_f＝G∪{f}，

其中，A_f過渡特征子集，G表示所述目標特征子集，表示所述目標特征子集的補集，f從中逐一取值；

A15：利用所述局部類內散度矩陣、所述局部類間散度矩陣以及第三預設公式，確定所述過渡特征子集的得分，其中，所述第三預設公式為：

其中，所述F(A_f)表示所述過渡特征子集的得分，表示x_i取A_f中的索引構成的特征向量；

A16：利用所述得分和預設規則，更新所述目標特征子集，其中，所述預設規則為：若其中，f^*表示預計入目標特征子集的特征對應的編號，則將f^*加入所述目標特征子集中，并重新進入步驟A13，直到所述目標特征子集中的特征數量等于預設特征數量閾值。