技術(shù)特征：

1.基于子空間和模糊C均值聚類的風(fēng)電機(jī)組軸承故障診斷法，其特征在于按照以下步驟進(jìn)行：

步驟1：利用隨機(jī)子空間的線性狀態(tài)空間模型提取出反映故障本質(zhì)信息的特征向量；

其中，X是狀態(tài)量，Y是采集到的振動(dòng)信號(hào)，w是系統(tǒng)噪聲，v是測(cè)量噪聲，A是系統(tǒng)矩陣，C是輸出矩陣；

步驟2：將得到的每個(gè)特征向量作為一個(gè)數(shù)據(jù)樣本，所有的特征向量組成總的數(shù)據(jù)樣本，然后利用FCM對(duì)數(shù)據(jù)樣本進(jìn)行分類，得到故障的分類。

2.按照權(quán)利要求1所述基于子空間和模糊C均值聚類的風(fēng)電機(jī)組軸承故障診斷法，其特征在于：所述步驟1中提取特征向量的步驟如下：

1)正交投影

首先，定義由量測(cè)量組成的分塊Hankel矩陣Y：

其中，{y_k}k＝1,…,N+i+j為系統(tǒng)的(N+i+j)個(gè)測(cè)量輸出，Y_p和Y_f均為分塊Hankel矩陣，p表示歷史測(cè)量值，f表示未來測(cè)量值；i和j+1分別為歷史量測(cè)量和未來測(cè)量形成分塊矩陣的行數(shù)，min{i,j+1}≥n，矩陣Y_p的維數(shù)為i×N，矩陣Y_f的維數(shù)為(j+1)×N，N＞＞max{i,j+1}；

對(duì)Y陣進(jìn)行重新分塊，如式(2)所示

其中，為Y_f的第一行移到了Y_p的末行之后的矩陣，為Y_f去掉了第一行后的矩陣；對(duì)于式(1)，將Y_f正交投影到Y(jié)_p的空間上，則正交投影P_m定義為

其中，為求Moore-Penrose逆，為矩陣Y_p的逆矩陣；同樣對(duì)于式(2)，將正交投影到的空間上，則有正交投影P_m-1為

2)奇異值分解

對(duì)投影矩陣P_m進(jìn)行奇異值分解，則有

$P_m=\left(\begin{array}{cc}{U}_1& U_0\end{array}\right)\left(\begin{array}{cc}{S}_1& 0\\ 0& S_0\end{array}\right)\left(\begin{array}{c}{V}_1^T\\ V_0^T\end{array}\right)---\left(5\right)$

其中，U₁＝[u₁…u_n]和V₁＝[v₁…v_n]為酋矩陣，S₁＝diag{σ₁…σ_n}為對(duì)角矩陣，σ_i是S₁的第i個(gè)奇異值，U₀、V₀和S₀為零矩陣；根據(jù)式(5)所示的奇異值分解，計(jì)算得到狀態(tài)量X_k，對(duì)投影矩陣P_m-1進(jìn)行奇異值分解，計(jì)算得到狀態(tài)量X_k+1；

3)將計(jì)算出的狀態(tài)量X_k和X_k+1，代入隨機(jī)狀態(tài)空間模型：

$\left\{\begin{array}{c}{X}_{k+1}={\mathrm{AX}}_k+w_k\\ Y_k={\mathrm{CX}}_k+v_k\end{array}\right.,$

利用最小二乘法，估計(jì)出系統(tǒng)矩陣A，系統(tǒng)矩陣A的特征值[x₁,x₂,…,x_n]即為隨機(jī)子空間方法提取出的故障特征向量。

3.按照權(quán)利要求1所述基于子空間和模糊C均值聚類的風(fēng)電機(jī)組軸承故障診斷法，其特征在于：所述步驟2中對(duì)特征向量組成總的數(shù)據(jù)樣本進(jìn)行分類的方法如下：

步驟1：確定聚類中心個(gè)數(shù)K和加權(quán)指數(shù)m，初始化分類矩陣B，迭代次數(shù)l＝0；

步驟2：根據(jù)下式計(jì)算所有樣本[x₁,x₂,…,x_n]的聚類中心Z＝[z₁,z₂,…,z_k]：

$z_j=\left(\underset{j=1}{\overset{n}{\Σ}}{b}_{ij}^m{x}_j\right)/\left(\underset{j=1}{\overset{n}{\Σ}}{b}_{ij}^m\right)$

式中，b_ij為第j個(gè)故障特征向量對(duì)第i個(gè)聚類中心的隸屬度，m為加權(quán)指數(shù)，n為故障特征向量的總個(gè)數(shù)，x_j為第j個(gè)故障特征向量；

步驟3：根據(jù)下式更新分類矩陣B：

$b_{ij}=\frac{1}{\underset{e=1}{\overset{K}{\Σ}}{\left(\frac{d_{ij}}{d_{ej}}\right)}^{2/(m-1)}}$

式中，d_ij為第j個(gè)故障特征向量對(duì)第i個(gè)聚類中心的歐式距離，d_ej為第j個(gè)故障特征向量對(duì)第e個(gè)聚類中心的歐式距離；

步驟4：對(duì)于給定判別精度ε，如果兩次迭代的分類矩陣之差小于ε，則停止迭代，否則設(shè)置l＝l+1，返回步驟2，直至滿足條件。