国内外众多在滚动轴承和模糊聚类算法的研究上已经有了成熟的理论和应用基础，他们的研究为本文的提供了很大的帮助。

文献[1]主要是在试验系统下，通过对噪声激振下动态响应的测试，然后利用回归分析法对所得数据进行建模，在建模的基础上计算出系统的各阶固有频率和阻尼率，进而找出固有频率和阻尼率，来得到相应轴承的角刚度和角阻尼。文献[2]分别从动车组滚动轴承在正常、内外圈故障和滚动体故障下的四种运行状态时入手，对动车组滚动轴承振动信号从时域和频域两个方面进行分析，来实现对动车组滚动轴承故障的诊断，该诊断方法结合了优化的集合经验模态分解（EEMD）时频分析方法和BP神经网络状态识别。文献[3]所研究的算法可以有效地预测潜在的早期微弱故障，主要应用在系统状态检测与故障诊断系统中。该算法在LabVIE中编写实时监控程序，可以对故障轴承的振动信号进行处理与分析，利用LabVIEW编辑用户界面来显示处理结果，实现的功能有数据的釆集、分析与处理、显示和诊断。文献[4]主要对动车组在不同的现场工况下滚动轴承的振动信号进行了研究，对不同工况下的振动信号进行了深入的分析，并进行了特征提取和轴承故障诊断,发现了在不同工况下有效提取振动信号特征和故障诊断方法。并且分别对模糊C-均值(FCM)算法、三阶累积量的递推最小二乘自适应(CDRLS)和累积量指数遗忘窗的最小均方误差自适应算法(CDEFWLMS)三种方法进行了对比讨论。研究了小波包在轴承故障特征提取研究中的作用。文献[5]研究的内容是通过FCM算法找到故障特征信号的聚类中心，然后利用粒子群优化(PSO)算法的把故障特征信号的聚类中心进行优化，从而实现了一种FCM多分类器组故障特征识别优化的新方法。文献[6]提出了提取故障特征信号新的思路,该方法是将包络分析作为小波分解的前置处理手段，新的诊断方法适用于铁路货车的滚动轴承故障诊断。文献[7]阐述了从理论基础得到滚动轴承各故障特征频率的方法，先提取滚动轴承的振动信号的特征，并利用MATLAB建模，进行时域分析，再对比幅频特性曲线和故障特征频率，这样可以初步判断轴承的故障类型，在EMD算法下得到Hilbert边际谱,就可以准确确定故障特征的方法。文献[8]阐述了在固定"筛"数量停止准则的CEEMD方法的基础上,分解处理滚动轴承振动信号,构建出相关性的特征向量,结合BP神经网络系统方法对滚动轴承进行准确而有效地故障诊断。献[9]阐述了动车组常见的几种故障诊断方法，它们分别是基于时域参数指标的故障诊断处理方法、基于冲击脉冲法的故障诊断处理方法和基于共振调解法的故障诊断处理方法。

文献[10]主要针对以下几个问题进行了论述，怎么恰当定义FCM算法反映距离的目标函数；怎么从本质上解决对初始划分的敏感性；怎么去刻画半监督FCM算法；怎么减少FCM算法的计算量。文献[11]所研究的内容是改进FCM算法，将传统FCM算法的加入了去除掉空簇的步骤和计算聚类有效性的步骤,以此来解决难以类聚的问题。文献[12]提出了两种指标：考虑数据集中数据类大小与密度差异的模糊聚类有效性指标和加权形式的模糊聚类有效性指标。提出了基于聚类有效性的FCM模糊度参数选择方法，探究了FCM聚类对数据分布的均匀效应，智能算法优化的FCM聚类在电力系统综合负荷特性分类和需求侧管理(DemandSideManagement,DSM)中的应用。文献[13]改进了FCM和FCRM两种模糊聚类算法,并且把这两种算法改进版改分别应用于两种不同的工程问题当中。改进后FCM算法适用于热点检测过程中的聚类,而FCRM算法可应用在单晶硅位错动态特征提取中，都取得了不错的效果。文献[14]研究了FCM算法的权指数m，从权指数入手提出了一个有效的FCM算法的实现方式，并且用实验进一步验证了该实现方式的合理性。 滚动轴承和模糊聚类算法文献综述和参考文献:http://www.chuibin.com/wenxian/lunwen_205342.html