中文摘要：

大型机电系统未知异常和故障状态的监测与诊断一直是故障诊断领域的难点和热点，至今未能得到有效的解决。本项目将系统地深入地研究无监督机器学习理论，重点是基于自组织特征映射算法的无监督学习原理和方法，以大型机械设备的状态监测和故障诊断为应用背景，着重研究机械设备的状态变化与工艺参数、状态信息之间的内在关系，探索其中未知的故障模式及诊断知识，从根本上解决目前状态监测中无法及时识别出未知的设备异常和故障状态这一难题，为机械设备故障诊断知识的获取以及设备状态监测、故障模式识别等提供新方法、新工具，并发展相应的高维向量的聚类识别方法及可视化技术。

结论摘要：

本项目旨在研究和解决大型机电系统未知异常和故障状态的监测与诊断这一故障诊断领域的难点和热点、至今未能得到有效的难题。主要研究内容有系统地、深入地研究无监督机器学习理论，重点是基于自组织特征映射算法的无监督学习原理和方法，以大型机械设备的状态监测和故障诊断为应用背景，着重研究机械设备的状态变化与工艺参数、状态信息之间的内在关系，探索其中未知的故障模式及诊断知识。研究的过程中，本项目提出了核函数的主元分析（KPCA）、非线性SOFM、基于ICA小波变换、基于SOMF小波变换等改进的无监督学习的状态监测与故障诊断新方法，可以在整个频率范围内提取出故障特征频率所在的频带，突出故障特征频率，有助发现早期未知异常故障，利用数据挖掘和SOFM网络技术发展了非线性的高维向量的聚类识别方法及可视化技术，提高了知识和故障特征获取的计算速度和可靠性，研究了基于RBF的产品质量模型和故障模型的动态映射关系。这些方法都为机械设备的状态监测、故障模式识别等提供了新方法、新工具。研究成果应用于透平机的状态监测中，获得了较好的效果；应用于轴承的缺陷识别检测装置，每年可新增效益200万元。