轴承是机器运行的关键部件之一,如果轴承损坏或出现故障,可能会导致机器运行不稳定或突然停机,给工作环境和操作人员带来安全隐患。因此,对于使用轴承的设备,进行轴承故障诊断具有非常重要的必要性。机器学习技术可以通过对轴承的振动、温度、噪声、油液等数据进行分析,自动识别轴承故障,大大提高检测的效率和准确性。其中,聚类分析作为一种无监督学习方法,可以通过对数据的聚类分析来发掘数据之间的内在关系和规律,为后续的分析和决策提供重要的支持,吸引了越来越多学者的研究。但是,单个聚类算法在面对特定问题时,往往会出现各种不同的情况,如对初始参数的敏感性较高、容易受到噪声或异常点的影响、无法处理不同类型的数据等。聚类集成是将多个聚类算法的结果进行组合,从而得到更稳定、更准确的聚类结果的方法。与单一聚类算法相比,聚类集成可以降低聚类结果的随机性和偏差性,从而提高聚类的准确性和鲁棒性。而加权聚类集成利用基聚类之间的相似度对不同聚类结果进行加权,将相似度较高的聚类结果赋予较大的权重,能有效提高聚类的准确性。已有文献表明,在聚类集成中,点、簇及划分三个层面均能从不同角度反应数据的内在结构。虽然已经有许多国内外学者提出了不同的加权聚类集成方法,但是多数方法只考虑了三个方面中的一个或两个方面,目前还没有一个综合考虑点、簇、划分三个方面的统一框架。针对所描述问题,本文提出了一个综合点、簇、划分三方面的点-簇-划分（Point-Cluster-Partition,PCP）框架,并在此框架上进行延伸提出了一种三层加权聚类集成方法,从多方面评估聚类的质量并加权,试图获取更好的划分结果。最后,将本文提出的算法应用于轴承数据。本文的工作内容主要包括:（1）提出了一个针对点、簇、划分三个层面的加权框架PCP,并设计了这三个层面的权重方案。在多个UCI数据及文本数据集上进行实验,证明了三层加权相较于未加权及任一层面或任两层面加权而言,能获得更高的准确率和稳定性;与近些年较为权威的7种加权聚类集成算法相比,本文提出的算法在三个评价指标下的平均排名均为第一名,验证了本文方法的有效性。（2）将本文提出的方法应用于轴承数据。本文在故障特征提取及故障诊断这两方面均做了大量的相关工作:1)在故障特征提取阶段,本文讨论了针对轴承数据集的最优小波函数及分解层数;2)在故障诊断阶段,采用本文提出的三层加权聚类集成方法进行实验,以进一步提升聚类在轴承故障诊断方面的准确度。实验结果表明,本文提出的方法在轴承故障诊断方面能达到99%以上的准确率,证明了上述工作的有效性。