文献综述（或调研报告）：
机械故障诊断技术是监测、诊断和预示连续运行机械设备的状态和故障，保障机械设备安全运行的一门科学技术，也是20世纪60年代以来借助多种学科的现代化技术成果迅速发展形成的一门新兴学科[1]。自20世纪60年代美国故障诊断预防小组和英国机器保健中心成立以来，故障诊断技术逐步在世界范围内推广普及，全球科研和工程领域工作者在信号获取与传感技术、故障机理与征兆联系、信号处理与特征提取、识别分类与智能决策等方面开展
了积极的探索，取得了丰硕的成果。随着国民经济的发展，我国正面临大型技术设备广泛应用的关键时期，为适应国民经济发展需要，机械诊断技术必须发展到新台阶。
轴承故障诊断是一个经典课题，近年来，各种新技术新方法的应用也层出不穷。故障诊断的初始步骤是数据特征提取。不同的数据，不同的实验需求对应着不同的特征提取方法。连续小波变换最初是由Morlet等人于1984年提出的，在机械故障诊断领域中，已有许多研究人员将二进小波变换的方法应用于回转机组，往复式机械，齿轮箱和滚动轴承等机械设备的监测与诊断[2]。连续小波变换这种对基小波要求宽松，我们在选择基小波时可以有很大的选择范围，以便更好地揭示出信号的特征成分。处理高维度的数据时，也有相应的特征提取算法。比如fastMap 算法，Bourgain 算法Cofe 算法等[3]。
故障诊断是利用被诊断系统运行中的各种状态信息和已有的各种知识进行信息的综合处理，最终得到关于系统运行状况和故障状况的综合评价的过程。分为有监督学习、无监督学习和半监督学习。有监督学习算法是机器学习理论的一种，主要包括：支持向量机(SupportVector Machines)、人工神经网络(Artificial Neural Networks)、概率神经网络(Probabilistic Neural Network)、贝叶斯学习、基于实例的学习、分类器集成等[4]。半监督学习利用少量的标记数据样本训练系统的分类器，同时可以利用大量的非标记样本来提升分类器的性能和精确性[5]。但是，上述有监督和半监督诊断方式具有一定的局限性，受到先验知识的限制，并且计算方法复杂，耗时较长，难以满足实时性诊断，造成诊断方法的通用型减弱。无监督学习诊断则能够利用海量的数据进行学习，从中发现潜在的、有用的模式，进而形成新的诊断知识，提高拓展诊断能力，检测和识别出未知的设备状态异常和故障[6]。
其中，基于KL散度的聚类分析算法属于无监督学习算法的一种，有突出的特点与优势。聚类分析是基于数据间的相似性将数据点分到不同簇中的一类算法，在很多领域有着广泛的应用，比如数据挖掘、图像分割、模式识别等。在很多聚类问题中，由于很少有关于数据的先验知识，因此聚类算法必须利用数据间的关系来估计其分布结构以便对数据做出较优的划分[7]。在信息论中，KL散度是度量2个分布P和Q之间差异性的指标。通常P代表观测数据的分布，Q代表一个模型，或者一个假设的分布等。对于离散分布的情形，P和Q之间的 KL散度定义为：
公式中，p和q是概率空间Omega;下的两个概率分布，等是左边称为分布p关于分布q的KL散度。由公式易知KL散度不满足对称性。对于形如此公式的KL散度而言，称为分布p
真实分布，分布q为分布p的近似分布。公式计算得到的值越大，表明真实分布配合相似
布q的差异越大，反之则越相近。根据Jensen不等式，易得等式左边0，等号成立当且当p=q[8]。
数据进行初始特征选择后，交由KL散度聚类算法进行处理，得到相应的结果。相较于传统的故障检测手段，KL散度算法不需要先验条件，通用性更强，适用面更广。
