【控制系统故障数据仿真模型与诊断程序】 1、 带执行机构的控制器Simulink仿真模型; 2、模拟执行机构、传感器的漂移故障、恒增益故障，以及噪声扰动; 3、诊断程序基于朴素贝叶斯和KNN算法。

本文档将详细介绍基于KNN（K近邻）和朴素贝叶斯算法的控制器故障诊断程序，涵盖核心功能、算法原理、模块构成、运行流程及结果输出，为用户理解和使用程序提供全面指导。

一、程序核心功能

程序以监督学习为基础，针对控制器故障诊断场景，实现两大核心功能，满足不同诊断需求下的精度与效率要求。

1. KNN算法故障诊断：通过计算测试样本与训练样本的欧氏距离，选取最近的k个邻居，以多数表决规则判断故障类别，支持k值优化与多次诊断稳定性验证。
2. 朴素贝叶斯算法故障诊断：基于属性条件独立性假设，通过高斯或指数概率密度函数建模，先训练模型学习数据分布，再实现故障分类，同时输出诊断精度与计算时间。

二、核心算法原理

2.1 KNN算法

KNN算法是一种惰性学习算法，无需预先训练模型，核心逻辑围绕“物以类聚”展开。

• 计算距离：采用欧氏距离，衡量测试样本与所有训练样本的相似度。
• 选取邻居：确定k值后，筛选出与测试样本距离最近的k个训练样本。
• 分类决策：统计k个邻居的故障类别，以出现次数最多的类别作为测试样本的诊断结果。
• k值影响：k值越小，模型越复杂易过拟合；k值越大，模型越简单易欠拟合，程序通过10-100区间内5的倍数遍历，确定最优k值。

2.2 朴素贝叶斯算法

朴素贝叶斯算法是生成式学习算法，基于贝叶斯定理与属性独立性假设，核心在于概率计算。

• 概率模型：包含两类关键概率，一是各类别先验概率P(Cj)，即训练集中每个故障类别的占比；二是属性条件概率P(Ai|Cj)，即某故障类别下各属性的分布概率。
• 密度函数：支持高斯分布和指数分布两种概率密度函数，用于计算属性条件概率，默认采用高斯分布。
• 分类决策：根据贝叶斯公式计算测试样本属于各故障类别的后验概率，选择概率最大的类别作为诊断结果。

三、程序模块构成

3.1 数据加载与预处理模块

• 数据加载：读取故障与健康数据文件（如FaultHealthData.mat、HEALFREESIG.mat等），包含控制器健康数据、单一故障数据（如传感器飘移、执行机构恒增益）及混合故障数据。
• 数据划分：通过randperm函数随机生成索引，将数据按比例划分为训练集与测试集（如KNN程序中训练集占比约70%，朴素贝叶斯程序中训练集与测试集各占50%），保证数据随机性。
• 标签制定：对不同故障类型进行编码，如健康状态标记为1，传感器飘移标记为2，混合故障标记为5等，生成训练集与测试集对应的标签向量，用于后续精度计算。

3.2 算法核心模块

3.2.1 KNN核心模块

• K值优化子模块：遍历10-100区间内5的倍数的k值，计算每个k值对应的诊断精度，选取距离平均精度最近的k值作为最优k值，存储于K_best变量。
• 诊断计算子模块（KNN_func.m）：输入训练数据、训练标签、测试数据及最优k值，计算测试样本与训练样本的欧氏距离，排序后选取k个邻居，统计类别并输出诊断结果。

3.2.2 朴素贝叶斯核心模块

• 模型训练子模块（NaiveBayes.m）：通过fit方法训练模型，计算每个故障类别的先验概率、属性均值（mu）与标准差（sigma），存储于模型对象中。
• 诊断预测子模块：通过predict方法，利用训练好的模型计算测试样本的后验概率，输出诊断标签，同时支持通过find方法查看各类别概率排序。

3.3 结果计算与可视化模块

• 精度计算：通过accuracyscore函数或直接对比预测标签与真实标签，计算诊断精度（Accuracy），即正确诊断样本数占总测试样本数的比例，存储精度数据至Accuracylist。
• 时间统计：通过tic-toc函数记录每次诊断的计算时间，统计平均时间与时间波动情况，存储时间数据至toc_list。
• 可视化输出：生成三类关键图表，一是不同k值诊断精度对比图（K.png），展示k值对KNN算法的影响；二是诊断结果散点图（Pre.png），对比预测标签与真实标签；三是多次诊断精度与时间趋势图（Acc.png、T.png），验证算法稳定性。

四、程序运行流程

4.1 KNN算法运行流程

1. 初始化参数：设置循环诊断次数（如1000次）、k值遍历范围（10-100，步长5），创建精度与时间存储列表。
2. 数据处理：加载数据，随机划分训练集与测试集，制定标签。
3. K值优化：遍历k值，计算各k值精度，确定最优k值。
4. 多次诊断：使用最优k值，循环1000次诊断，每次记录精度与时间。
5. 结果输出：计算平均精度与平均时间，生成精度、时间趋势图及诊断结果对比图。

4.2 朴素贝叶斯算法运行流程

1. 初始化参数：设置循环诊断次数（1000次），创建精度与时间存储列表。
2. 数据处理：加载数据，随机划分训练集与测试集，制定标签。
3. 模型训练：创建NaiveBayes对象，选择概率密度函数，调用fit方法训练模型。
4. 多次诊断：循环1000次，每次使用训练好的模型预测测试集标签，计算精度与时间。
5. 结果输出：生成精度趋势图、时间趋势图、诊断结果对比图及混淆矩阵热力图（HM_Bey.png），混淆矩阵展示各类别诊断的正确与错误数量。

五、结果输出与分析

5.1 关键输出指标

• 诊断精度：KNN算法平均诊断精度约0.8486，朴素贝叶斯算法平均诊断精度约0.9329，后者精度更高，提升约9.93%。
• 计算时间：KNN算法平均计算时间约0.1484s，朴素贝叶斯算法平均计算时间约1.2986s，前者效率更高，时间仅为后者的1/7左右。
• 稳定性：两种算法1000次循环诊断中，精度波动较小，无明显异常值，说明算法稳定性良好，可适应不同数据分布。

5.2 可视化结果解读

• 精度对比图：KNN算法的k值优化图中，精度随k值增大先上升后平稳，最优k值附近精度波动小；朴素贝叶斯精度趋势图中，精度始终维持在较高水平，无明显下降。
• 诊断结果图：散点图中蓝色点（预测标签）与红色点（真实标签）重合度高，说明诊断结果准确，仅少数混合故障样本存在误判。
• 混淆矩阵图：朴素贝叶斯算法的混淆矩阵中，对角线元素（正确诊断数）占比高，非对角线元素（误判数）少，进一步验证算法分类准确性。

六、程序使用说明

1. 环境准备：确保安装MATLAB，版本支持randperm、normpdf、heatmap等函数，将所有程序文件（.m）与数据文件（.mat）放入同一目录。
2. 参数调整：打开主程序（如MainofDiagnosisKNN.m、MainofDiagnosisBey.m），可调整循环诊断次数（num）、k值遍历范围、训练集与测试集划分比例等参数。
3. 运行程序：在MATLAB命令行中输入主程序文件名，如“MainofDiagnosis_KNN”，程序自动执行数据处理、算法诊断与结果输出，生成的图表存储于当前目录。
4. 结果查看：查看生成的.png图表，获取诊断精度、时间及结果对比；查看工作区变量（如Accuracylist、Kbest），获取详细数据。

要不要我帮你整理一份程序常见问题排查指南？包含数据加载失败、精度异常、图表生成错误等问题的解决方案，帮助你快速解决程序运行中的问题。

【控制系统故障数据仿真模型与诊断程序】 1、 带执行机构的控制器Simulink仿真模型; 2、模拟执行机构、传感器的漂移故障、恒增益故障，以及噪声扰动; 3、诊断程序基于朴素贝叶斯和KNN算法。