20世纪80年代以后,以微电子和计算机为代表的自动化大型设备得到了广泛的应用,同时这些设备的故障诊断变得越来越困难,因此各国都很重视故障诊断技术的研究。本文针对故障诊断技术的特点,采用聚类和神经网络相结合的方法,在一定程度上提高了故障诊断系统的智能化程度。通过对K-均值,DBSCAN、CURE、STING、ART(自适应谐振理论)等聚类算法的研究,并对各种算法的性能进行了分析,得出神经网络中的ART算法更适用于故障诊断。因为ART不但继承了神经网络快速的处理速度、学习能力、联想能力,还兼顾了聚类算法的无监督性能,这就一定程度上提高了故障诊断系统的智能化程度。本文针对ART算法中的ART1和ART2做了重点研究。由于ART1只能处理二值数据,因此本文首先采用基于阈值的数据转化方法将数据转化成ART1可以处理的数据形式,然后用基于广义矩阵的0-1特征选择方法,缩减输入ART1网络的数据的维数。针对ART2可以处理模拟数据的特点,本文首先采用基于最大-最小规范化的数据转化方法对数据进行归一化处理,然后使用基于一致性的特征选择方法降低输入ART2网络的数据维数。针对ART2在处理低维数据时出现的聚类不准确现象,提出了用改变初始权值大小的方法提高聚类的准确性。另外,由于ART2算法出现的聚类中心随着输入模式偏移的现象,严重影响诊断结果正确性,本文采用ART2算法与K-均值算法相结合的方法,有效的抑制聚类中心漂移。由于基于一致性的特征选择方法存在数值特征取值范围难以确定的缺点,本文采用灰色理论建立预测模型的方法,有效的克服了这一问题。最后,通过Visual C++ 6.0和SQL Server 2000两种软件相结合验证了以上方法的可行性。