旋转机械故障诊断技术不断吸取现代科学技术发展的新成果,从理论研究到实际应用都有了飞速的发展,已成为集数学、计算机技术、信号处理和人工智能等各种现代科学技术于一体的新兴交叉科学。滚动轴承作为各类旋转机械中最常用的通用零部件之一,对其进行故障检测和诊断是国内外工程技术领域研究的热点。传统的模式识别方法多是处理静态的问题,没有考虑物体可能出现的短暂变化。本文主要从静态样本和动态样本两方面对动态模式聚类方法进行了研究。一般的动态聚类算法都是针对静态样本数据的,其聚类效果不仅依赖初始分类、容易陷入局部极小,而且对于具有不明显分类界线的系统,分类效果也不是很理想。针对此种隋况,本文改进了一种无监督最优模糊聚类算法,很好的解决了上述问题。然而,很多数据都是动态的,如一些机械故障、大型数据库和互联网信息处理等,其数据是一条沿时间轴变化的曲线。本文针对此问题,结合小波分析与无监督最优模糊聚类算法进行处理,达到了比较好的识别效果。全文的主要研究工作如下:(1)改进了无监督最优模糊聚类算法。通过修正其约束条件,从而降低了计算量;增加了判别局部最优和全局最优的步骤,避免其陷入局部极小。仿真结果证明,改进之后的算法确实更有效,具有更高的识别率。(2)系统地介绍了递归神经网络、动态时间归整法、隐马尔可夫模型算法、动态模糊模式识别算法等基于动态样本的动态模式识别方法,并就其各自的优缺点进行了总结。(3)将小波分析引入到旋转机械的故障诊断中,讨论了利用小波包分解提取能量特征向量的问题。提出了一种将小波分析和本文改进的无监督最优模糊聚类算法相结合用于滚动轴承故障智能诊断的方法,此方法较准确地实现了轴承故障模式的识别。