杨庆勇，刘雪涛，倪 伟，徐 飞，蒋占四

(桂林电子科技大学机电工程学院，广西 桂林 541004)

0 引言

旋转机械故障诊断是机械故障诊断十分重要的内容。由于旋转机械设备复杂，机械系统的故障研究受到了很大的限制，当前旋转机械的故障诊断研究大多针对其关键零部件轴承和齿轮[1]。传统的旋转机械故障诊断是基于信号时频分析，如快速傅里叶变换、短时傅里叶变换、Wigner-Ville分布、小波变换、经验模态分解等信号时频分析方法都具有各自的适用范围[2]。近十几年来，随着大数据和人工智能技术的发展，基于模式识别的故障诊断技术得到了充分的发展，支持向量机、BP神经网络[3]、深度学习[4-5]、聚类分析[6-7]等方法广泛的应用到机械故障诊断领域，推动了智能故障诊断技术的发展。

仿射传播聚类算法(AP)是2007年由Frey B J等提出的聚类算法[8]，经过十几年的发展和研究，已有很多改进的AP算法被提出。但AP算法具有局限性，在处理某些数据集会出现振荡不收敛，处理高维数据计算速度慢的情况[9]。众多学者对AP算法的研究和优化主要集中在偏向度(P)[10]、阻尼系数[11]和相似度矩阵(S)三方面[12-14]，有学者研究AP算法与其他聚类算法相结合的复合聚类算法[15-16 ]。Wang K等[17]提出一种自适应的AP算法，该算法首先生成不同数目的聚类结果，再比较各聚类结果的轮廓系数，选出轮廓系数最佳的聚类结果。Wei Z等[7]把AP算法应用到滚动轴承故障诊断中，取得了很好的效果，但AP算法中的P值需要人为调整来达到最佳的聚类精度。……