旋转机械广泛运用于现代制造的各行各业,它们的可靠性对于工业生产尤为重要。随着科技的不断进步,机械装备也向着大型化、精确化、自动化等方向发展,其结构越发复杂,这给后续的装备维护与诊断工作带来了巨大的挑战。新一代人工智能技术和大数据技术的兴起,为解决这一难题提供了良好的思路。本文以新型的聚类分析技术为核心,结合现代信号处理与特征处理技术,构建新的智能诊断模型,研究了机械装备的智能故障诊断方法,减少诊断过程中的人工参与,提高机械装备诊断精度和效率。本文主要内容如下:首先,简单阐述了机械装备智能故障诊断方法的总体框架,进而综述了基于聚类分析的智能故障诊断的国内外研究现状,并指出基于无监督聚类的故障模式识别方法的优势以及所具有的广阔应用前景。其次,对三种比较常见的现代信号处理与特征提取方法进行阐述,包括小波包变换(Wavelet Packet Transform,WPT)、总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)以及变分模态分解(Variational Mode Decomposition,VMD)。通过具体信号的分解分析,验证各自方法的分析效果。与此同时,简要概括了聚类分析技术,重点详细介绍本文所涉及的仿射传播聚类(Affinity Propagation clustering,AP)和快速搜索密度峰值聚类(Density Peaks Search,DPS)的基本理论,并指出各自的优势。再次,为满足使非专业人员也可以进行故障诊断操作,本文提出了一种基于自适应特征选择与AP聚类的轴承智能诊断方法。原创性地提出自权重(Self-Weight)算法,并用于自动评估每个特征敏感程度,结合AP方法对特征聚类,可自适应获取最优特征用于故障诊断。通过两组不同实验台的轴承故障分类数据,说明了所提智能诊断方法对不同故障类别和不同损伤类别均可有效诊断。同时,在诊断结果中展示了AP方法相对其它聚类方法具有更快速更准确的优势。最后,为实现故障在线自动识别和进一步提高识别率,本文提出了一种改进的自适应DPS聚类法(Adaptive Density Peaks Search,ADPS)以及基于VMD特征去噪技术。将VMD方法用于特征去噪,相比用原始特征聚类,采用降噪后的特征趋势能得到的更好聚类结果。同样采用本文所提出的Self-Weight算法选择敏感特征。对滚动轴承与齿轮箱齿轮两种零部件的故障诊断结果,表明了所提智能方法能够在更少的先验知识和无专家的情况下进行诊断。对一组轴承全生命周期无标签数据进行故障诊断,结果表明所提方法可自动识别轴承不同故障模式,同时也展示出该智能诊断方法对未知故障模式的良好的识别能力。因此,该方法可完全适用于在线机械故障智能诊断,具有广阔的应用前景。