滚动轴承的应用范围极广,作为旋转机械设备的重要组成部分,却也是最容易受损的部件之一,它的健康状态会直接决定整个机械设备能否正常运行。因此,在机械故障监测与诊断领域内,提高对滚动轴承故障监测的有效性尤为重要。特别是在发展迅速的现代化机械设备中,各个零部件之间的配合由于结构的复杂化、自动化、高速化,也变得更加紧密,更是加大了滚动轴承发生故障的可能性。传统的故障诊断方法是通过现有的经验知识对检测到的故障信号进行故障诊断,但此类方法局限性较大。因此,本文提出以模糊聚类分析为主的滚动轴承故障诊断算法,在无先验条件的基础上,对滚动轴承故障进行分类。本文基于小波变换与不平衡数据处理提出了改进的马氏距离模糊聚类优化算法WKSM-FCM(Wavelet K-Smote SM-FCM)。先通过小波分析对原始故障数据进行降噪处理,再用小波包分析提取故障特征向量。由于滚动轴承故障是小样本分类问题,具有较为相似的样本特征,很容易被误归为一类,需通过不平衡处理对数据集进行有效划分,提高对故障信号的识别精度。故采用基于马氏距离改进的SM-FCM模糊聚类算法对故障进行分类,可实现自适应地调整数据的几何分布,并解决传统模糊聚类中因欧氏距离无法区分不同类别间属性差异而产生的问题,进而降低误分率。通过对仿真信号和实测信号的分析与对比,证明了此方法的可行性。以美国凯斯西储大学的滚动轴承故障模拟试验台提供的故障数据为研究对象,对不同类型的故障数据进行采集,并利用MATLAB对仿真数据和实验数据进行实时监测与分析,实现模糊聚类在滚动轴承故障识别中的应用。