汽车变速器早期故障信号的特征微弱,为提高故障检测的正确率,将半监督学习理论与模糊核聚类方法相结合,提出基于超球体的半监督模糊核聚类方法,以汽车变速器为研究对象,重点研究变速器早期故障的检测问题。 分析了数据挖掘中离群检测技术与早期故障检测的联系；介绍模糊核聚类方法的原理,分析其在早期故障检测问题的适用性及特点；研究半监督学习方法的性能优势,分析现存半监督模糊核聚类方法的局限性；提出基于超球体的半监督模糊核聚类故障检测方法,引入超球体算法,利用已知的正常信息指导检测过程,解决聚类方法分析结果受初始聚类中心影响的问题；分析不同核参数对半监督模糊核聚类方法检测效果的影响,同时实现核参数的非人为经验设定,提高方法的自学习能力及应用范围,达到了早期故障检测的要求。 利用汽车传动实验台,进行变速器正常、轻微故障和严重故障对比实验。通过时域统计量分析、频谱分析、细化谱分析、频谱校正和解调分析等信号处理方法,对变速器齿轮类和轴承类故障的实验数据进行特征分析,对比分析说明早期故障的特点以及诊断难点。 将基于超球体的半监督模糊核聚类方法应用于变速器早期故障检测。在已知故障信息不足情况下,基于超球体的半监督模糊核聚类方法在对轻微故障的检测中体现出良好的性能,与无监督的模糊核聚类方法相比,半监督模糊核聚类方法具有更好的聚类效果和检测正确性。 论文提出了基于超球体的半监督模糊核聚类方法检测方法,通过理论研究与实验分析证明了该方法在早期故障诊断中的优越性能。