基于核的动态聚类算法用于机械故障模式分类取风机正常运行状态数据，喘振数据、流体激励增大状态数据各60组进行实验，对每组数据预处理，得到相应状态的原始特征集，将360组特征数据标准化，再对特征数据加标号后混合。对特征数据分别以k-Means算法和改进后的k-Means算法作聚类分析所得的结果。两种方法都可以识别风机运行过程中出现的异常状态。但是未加改进的聚类算法对于两种异常状态流体激励和喘振的分类识别效果较差。虽然喘振状态的特征数据点凝聚度较高，但是流体激励数据散布范围较大，与喘振状态数据点混杂在一起。而改进后的动态聚类方法使得3种状态的特征数据的凝聚度都有所提高，并且类间散布远大于类内散布，类别间距明显，可以清晰地对3种模式加以区分。

　　需要指出的是，除了主轴核函数，还可选取正态核函数来度量样本与核的相似性，考虑到故障信号的非高斯行为，本文选用了主轴核函数。而且，选取几个主轴方向与特征数据的主元分析结果有关，可按照前m个主元累积贡献率大于85%的原则选取。当数据集表现为k个很集中的聚类随着从一个聚类增加到k个聚类而迅速减小。当k再继续增加时，相当于将本来较密集的群再行分开，因此J虽有所减小，但减小速度比较缓慢，直到k=N时，J在实际生产的状态监测中，根据历史数据库，对故障征兆集样本做主元分析可得到各类故障特征集的主轴。假设监测样本的类别数是逐步增加的，先是正常样本聚类，监测到异常状态时与故障征兆库数据比较，度量此样本特征与各故障主轴的相似性。根据距离*小规则，判断此异常状态属于哪种故障，若该样本到所有故障主轴的距离都大于各类预定的距离，则认为出现了一种新的故障。