一、研究背景 现代化生产设备的发展和科学技术的进步使得设备结构日趋复杂，功能日臻完善，自动化程度也越来越高。

结构的复杂性和大功率、高负载地连续运转，也使得设备在工作过程中，随着时间的增长和内外部条件的变化，不可避免地会发生故障。

这些故障，轻则降低设备性能，影响生产，重则停机停产，毁坏设备，甚至机毁人亡。

由于故障的随机性、模糊性和不确定性，传统的故障诊断方法已经不能满足现代设备的要求。

近年来，人工神经网络在智能控制领域有了很大的发展，为故障诊断开辟了新的途径。

故障诊断过程就是根据诊断对象出现的异常征兆查明对象发生了什么故障和引起这些故障的可能原因，一个诊断的问题形式化为以下的四元式：，其中,为一个非空的征兆集合；,为一个非空的故障集合；为X的一个子集，表示目前已经观测到存在的征兆集合；为定义在上的关系子集，即有关故障与征兆间的因果关系方面的知识，在传统的专家诊断系统中E可以是故障引起的征兆的概率，也可以是定义在上的因果二元有序模糊关系的隶属函数。

在神经网络的诊断系统中，E最终表现为神经网络输入层与输出层之间的连接权值和阈值。

粗k均值聚类算法 .1.K-means 算法 算法的基本思想是，把n个对象分为k个类。

其中输入参数k是聚类数目，通过不停的迭代在进行聚类，当算法收敛到给定结束条件时，就终止迭代过程，输出结果。

算法工作过程：首先，从n个数据对象中随意选择k个对象初始聚类中心，其他对象则根据它们与这些聚类中心的相似度(距离)分别分配至最相似的(聚类中心所代表的)聚类。