针对铣削刀具状态监控困难的问题,这里运用声发射传感器、振动传感器及电流传感器构建了一个铣刀状态监测系统。在刀具磨损状态监测实验中,通过三种传感器获取加工过程信号,进行时域分析,最终确定提取出主轴振动信号的有效值、工作台声发射信号方差、工作台声发射信号峰值、主轴电机电流标准差、主轴电机电流标准差峰值5个特征值,利用KNN算法进行刀具磨损状态识别。经过参数优化及对比,最终结果证明选择切比雪夫距离及k=6时状态识别效果最好,准确率为96.83%。

对水下航行器声学故障进行检测和分类研究。利用水下航行器在正常丁况下采集的声学信号建立正常样本基准数据库，对水下航行器实时采集到的声学信号进行扫描分析，把偏离一定基准阈值的信号判定为声学故障，并予以分离。由水下航行器声学故障的历史数据构建声学故障特征分类数据库，用KNN算法实现上述已分离出的声学故障信号的模式识别。设计一个水池试验验证了文中所提出方法的可行性。

在密封电子设备的生产制造过程中,对多余物进行检测至关重要。微粒碰撞噪声检测法是我国军标规定的用于航天电子元器件多余物检测的方法。针对密封电子设备体积大和检测出的多余物位置难以确定的问题,使用参数优化的k邻近(kNN)算法对多余物进行定位。通过搭建定位实验系统和设计试件模型,得到多通道的多余物信号,提取性能优良的时域和频域特征作为kNN算法学习的数据集。采用网格搜索法寻找kNN算法最优的k值选择、距离度量和权重设置,然后采用参数优化的kNN算法分别建立平面与空间定位模型。实验结果表明,采用参数优化的kNN算法进行多余物定位,平面与空间定位精度分别达到81.18%和79.34%,有效提高了传统情况下的定位准确度。

为实现轴承故障的快速准确诊断,以互相关和互信息为基础构造一种针对轴承的快速故障诊断方法。该方法首先运用有限长单位冲激响应(Finite Impulse Response,简称FIR)滤波器对各单一故障(包括内圈、外圈、滚珠、保持架)振动信号进行分解,降低信号分解过程中因模态混叠造成的干扰,以力学分析建立的各故障振动模型为参考,对分解后的子信号采用互相关分析法,选出表征故障特征的子信号,计算子信号透露的信息量——互信息,用于构造故障特征矩阵,最后由K最近邻分类算法(K-Nearest Neighbor,简称KNN算法)的识别结果验证该算法对实现轴承故障快速识别具有优势。

针对传统K近邻（K—Nearest Neighbor，KNN）算法在进行机械故障信号识别的过程中，无法挖掘特征参数之间关联性，提出一种基于最优特征集的马氏距离KNN分类方法，根据机械故障信号的非线性特点，使用小波分解获得时频域故障特征，通过局部嵌入算法（Locally Linear Embedding，LEE）来进行二次故障特征提取，从而获得多相关特征集并对其进行主成分分析得到最优特征集，最后通过数值仿真信号和齿轮故障数据的分析了方法的有效性。结果表明该方法能够有效挖掘特征参数之间关联性，增加不同故障之间区分度，从而提高故障识别精度。