旋转机械作为现代机械设备的重要组成部分,它们的平稳运行对于物质生产生活有着重要的意义。随着科技发展与生产需求提高,机械设备朝着集成化、智能化、精密化发展。同时,也大大增加了设备维护与诊断维修的挑战性。智能诊断技术也随之兴起。在此背景下,本文以聚类分析为基础,构建了包含信号处理与特征提取及特征选择技术在内的智能故障诊断模型。并使用实验室设备采集轴承与齿轮工况数据对所提方法进行验证。具体研究内容如下:首先,简要介绍了旋转机械故障诊断及聚类分析技术的国内外研究现状。并指出聚类分析技术在故障诊断中具有的广阔应用前景。其次,在简要介绍了聚类分析技术的相关理论与概念之后。选择了三种不同的聚类方法用于构建智能故障诊断模型并对其进行了详细的介绍。包括仿射传播(AP)聚类、改进的模糊C均值聚类与GG聚类。这三种聚类算法具有不同的优缺点及适用范围。例如在原始振动数据中包含有大量噪声及不稳定信号的情况下,GG聚类相比较本文所采用的改进模糊C均值聚类具有更好的诊断效果。再次,详细介绍了本文所提出的三种智能故障诊断方法。从信号的时域、频域和能量域等进行特征提取组成多域特征输入到自权重算法当中进行敏感特征的选择。在第三章中,在使用自权重算法选出了敏感特征集之后结合仿射传播聚类从中选出最优特征并剔除冗余特征。将选出的特征使用主成分分析法(PCA)降维后输入到模式识别方法中获取诊断结果。同时,选用其它故障诊断方法与之对比,显示所提出智能故障诊断方法的优势。最后,针对三种不同的智能故障诊断方法,分别采用轴承与齿轮故障分类数据验证其有效性及鲁棒性。其中第三章实例一中所采用的轴承数据来源于凯斯西储大学。其余五个实例所使用数据均采集自本实验室的机械故障综合模拟实验平台(MFS-MG)与风力涡轮机动力传动故障综合试验台(WTDS)。在MFS-MG上所采集的三次实验,第二次与第一次均为采集轴承故障分类数据,但第二次增加了包含转子不平衡、碰摩与复合故障以及有无负载情况在内多种工况下的数据采集。在该平台的第三次数据采集主要为齿轮故障分类数据。三种智能故障诊断方法对轴承与齿轮的故障诊断结果表明了在较少的人工依赖与先验知识的情况下,依然可以达到较好的诊断效果。同时三种智能故障诊断方法针对不同类型的信号有不同的诊断效果。这也为诊断不同的旋转机械故障提供了新思路与新方法。