随着科学技术的进步,大量的工业设备向着自动化、智能化的方向发展,但因此带来的问题也越来越多。机械设备的复杂结构使得现有的故障诊断技术已经不能满足设备故障诊断的需求。因此,本文在地铁辅助逆变器故障诊断的工程背景下,对基于模糊聚类方法的故障诊断算法进行了研究。本文在第一章介绍了选题的来源、课题的背景与研究意义;介绍了故障诊断技术的分类、国内外发展情况;最后列出了本文的主要内容和结构安排。在第二章介绍了聚类的基本概念、故障信号分析技术以及相似度判别方法等。第三、四、五章.是本文研究的主要工作,也是本文的核心内容,其主要内容如下:第三章基于FCM聚类算法进行了故障诊断技术的理论研究。首先介绍了 HCM聚类算法和FCM聚类算法的基本原理,总结出HCM聚类算法和FCM聚类算法用于故障诊断中的一般步骤。其次在FCM聚类算法的基础上,引入属性权矩阵来表明数据样本的特征向量中不同元素对于故障样本聚类分析的影响。从算法收敛速度上讲,二者大致相同;从故障分类效果上讲,WFCM聚类算法略优于FCM聚类算法。第四章基于AP聚类算法故障诊断技术的进行了理论研究。文中介绍了 AP聚类算法的基本原理,总结出AP聚类算法用于故障诊断中的一般步骤。实验结果表明,AP聚类算法可以从初始聚类样本中选出合适的故障样本作为初始聚类中心,能够实现对故障样本的分类。第五章基于PCM聚类算法进行了故障诊断技术研究。文中介绍了 PCM聚类算法、KPCM聚类算法的基本原理,总结出PCM、KPCM聚类算法应用于故障诊断的一般步骤,并引入PSO优化算法对初始聚类中心进行优化,形成PSO-KPCM聚类算法。从故障分类的结果来看,PSO-KPCM聚类算法均能够满足故障诊断的正确率要求,可以实现对故障类型的分类。就算法的收敛性而言,通过粒子群优化得到的全局最优粒子作为初始聚类中心,使得PSO-KPCM聚类算法具有更快的收敛速度。本文的第六章对本文所做的工作做出了总结,并对课题研究和论文写作过程中存在的问题进行了说明。