控制器故障诊断程序功能说明（基于原始代码解读）
【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。
一、程序核心目标
通过KNN（K近邻）与朴素贝叶斯两种算法，对控制器的故障状态进行诊断分类，输出诊断精度与计算时间，对比两种算法的性能差异，为控制器故障识别提供数据支持。
二、数据处理逻辑
- 数据来源：加载指定的故障与健康数据文件（如HEALFREESIG.mat等），包含控制器的健康状态数据及多种故障状态数据（如传感器飘移、执行机构故障等）。
- 数据划分：
- KNN算法：通过randperm函数随机生成索引，将数据按约7:3比例划分为训练集（70%）和测试集（30%）。
- 朴素贝叶斯算法：同样采用randperm函数，将数据按1:1比例划分为训练集和测试集。 - 标签设定：对不同状态进行数字编码（如健康状态为1，特定故障状态为2等），形成与样本对应的标签向量，用于后续精度计算。
三、KNN算法模块功能
- K值优化：
- 遍历k=10、15、…、100（步长为5）的取值范围，计算每个k值对应的诊断精度。
- 选取与平均精度最接近的k值作为最优参数（K_best）。 - 诊断计算（KNN_func.m）：
- 输入训练数据、训练标签、测试数据及k值，计算测试样本与所有训练样本的欧氏距离。
- 对距离排序后选取最近的k个邻居，采用多数表决法确定测试样本的故障类别。 - 多次验证：固定最优k值，重复诊断1000次，记录每次的诊断精度（Accuracy）和计算时间（通过tic-toc函数计时）。
四、朴素贝叶斯算法模块功能
- 模型训练（NaiveBayes.m）：
- 通过fit方法训练模型，计算每个故障类别的先验概率。
- 统计各类别下样本属性的均值（mu）和标准差（sigma），基于高斯分布概率密度函数建模。 - 诊断预测：
- 调用predict方法，计算测试样本属于各类别的后验概率，选取概率最大的类别作为诊断结果。
- 支持通过find方法查看样本在各类别上的概率排序。 - 多次验证：重复诊断1000次，记录每次的诊断精度和计算时间，与KNN算法形成对比。
五、结果输出内容
- 数值结果：
- 存储每次诊断的精度（Accuracylist）和时间（toclist）。
- 计算并输出两种算法的平均精度、平均时间及波动范围。 - 可视化结果：
- KNN算法：生成不同k值的精度对比图（K.png）、诊断结果散点图（Pre.png）、1000次诊断的精度与时间趋势图（Acc.png、T.png）。
- 朴素贝叶斯算法：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）。
六、程序运行流程
- 初始化参数（循环次数、k值范围等），创建存储精度和时间的列表。
- 加载数据并随机划分训练集与测试集，生成标签向量。
- 分别运行KNN和朴素贝叶斯算法：
- KNN：先优化k值，再用最优k值执行多次诊断。
- 朴素贝叶斯：直接训练模型并执行多次诊断。 - 计算统计指标，生成并保存可视化图表。
七、核心性能指标（基于程序输出）
- KNN算法：平均诊断精度约0.8486，平均计算时间约0.1484s。
- 朴素贝叶斯算法：平均诊断精度约0.9329，平均计算时间约1.2986s。
- 对比结论：朴素贝叶斯精度更高，KNN计算效率更优。
【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。