1.一種基于相對整體趨勢擴散故障樣本生成的高爐故障診斷方法，

其特征在于，包括以下步驟：

步驟一：采集高爐生產狀況歷史信息和設備運行狀態的歷史故障信息和類型，對于不同類型具體的高爐故障，根據高爐操作日志，確定發生故障的時刻，截取多種不同故障發生前3個小時的正常數據以及故障發生直至結束的故障數據，作為多組不同故障訓練數據；

步驟二：根據熱風壓力的一階差分的變化，識別各組故障歷史數據中熱風爐切換的時段，并去除每組歷史數據中熱風爐切換時段的樣本；

步驟三：對去除熱風爐擾動的各組故障歷史數據進行進一步去噪平滑處理，獲得各類故障的訓練樣本集；

步驟四：根據高爐參數的分析以及通過對不同故障訓練數據的統計分析，相似性的評價分析以及使用原始二分類分類器進行正常和故障的分類，發現故障發生后各特征變化規律，選擇不同故障各自的主特征，其余特征設為輔特征；

步驟五：針對不同的故障，將步驟四中得到的所有主特征作為輸入，分別將所有輔特征作為輸出，訓練得到輔特征個數的svr回歸模型集合{svr₁₁,svr₁₂,…,svr_kj},k代表故障種類，j代表輔特征種類；

步驟六：針對步驟一到三得到的不同故障訓練數據，依次根據步驟四得到的不同故障各自的主特征集合，分別采用相對整體趨勢擴散算法整體擴散技術推估故障樣本主特征的相對屬性可接受范圍，相對屬性可接受范圍的計算方式如下所示：

利用每組訓練數據故障發生期和故障未發生期的數據，應用相對整體擴散技術推估小樣本主特征的相對屬性可接受范圍，得到主特征變化的范圍；

所述的相對整體趨勢擴散算法如下：

針對故障某主特征，利用正常集合X_no＝{x₁,x₂,x₃,…,x_n}故障集合X_ab＝{x₁,x₂,x₃,…,x_n}，由下式給出X轉化的相對可接受范圍下界L和上界U；

其中，

CL＝(max+min)/2

式中，n表示故障特征集大小，mean表示正常特征集數據平均值，min表示故障特征集數據最小值，max表示故障特征集數據最大值，CL表示故障特征集數據中心樣本值，N_L表示故障特征集中樣本值小于CL的個數，N_U表示故障特征集中樣本值大于CL的個數，表示故障特征集的方差，Skew_L表示描述數據非對稱擴散特征的左偏度，Skew_U表示描述數據非對稱擴散特征的右偏度；

步驟七：采集高爐現場時間較近的正常運行數據，分別將正常樣本的主特征通過步驟六得到的故障樣本生成規則轉化成不同類型的不同程度的故障主特征，再通過步驟五所訓練的svr回歸模型生成不同故障的輔特征信息，獲得合理的不同程度和類型的故障樣本；

步驟八：將步驟六中得到的故障樣本和正常數據一起作為輸入，采用多分類樸素貝葉斯分類方法，完成故障診斷模型的建立，根據故障診斷模型對高爐進行故障診斷。