1.一种基于K‑means聚类和综合相关度的故障诊断方法，其特征在于：包括以下几个步骤：

步骤1、获取机械设备中各个传感器对机械设备的n种故障类型、j种故障特征的历史观测信息，作为故障诊断模板数据库；其中故障类型表示为Ai,i＝1,2,…,n，故障特征表示为β1,β2,…βj，确定辨识框架为Θ＝{A1,A2,…,An}；接着通过放置在不同位置j个的传感器采集正在运行的机械设备的k组运行数据Yg＝(yg(1),yg(2),…,yg(j))，其中g＝1,2,…,k；

步骤2、利用K‑means聚类根据n个故障类型的历史观测信息，寻找故障诊断模板数据库n个故障类型的质心Fi，i＝1,2,…,n，其中Fi＝(fi(1),fi(2),…,fi(j))；

步骤3、计算传感器采集机械设备的每一组运行数据与步骤2获取的n种故障类型的质心之间的综合相关度，得到k组综合相关度Rg＝(Cg(Yg,F1),Cg(Yg,F2),…,Cg(Yg,Fn))，其中Cg(Yg,Fi)为传感器采集机械设备的一组运行数据Yg与质心Fi之间的综合相关度，g＝1,2,…,k，i＝1,2,…,n；

步骤4、将步骤3中获取的k组综合相关度Rg进行归一化，其中g＝1,2,…,k，归一化后的结果作为基本概率指派函数，mg(Ai)表示为第g组基本概率指派函数中故障类型Ai的基本概率赋值，其中

步骤5、利用Dempster组合规则对步骤4中的k组基本概率指派函数进行逐个融合，所述的Dempster组合规则为：

其中，m(Ai)表示故障类型Ai的基本概率赋值，其中 i＝1,2,…,n，r,l＝1,2,…,n， 为空集；

步骤6、输出故障类型识别结果，最终融合结果中最大的基本概率赋值所对应的焦元即为最终的故障类型。

2.根据权利要求书1所述的基于K‑means聚类和综合相关度的故障诊断方法，其特征在于，所述的步骤2具体包括如下步骤：

步骤2‑1：选取步骤1中属于故障类型Ai的历史观测信息，其中 从中随机选取j个数据点(fi′(1),fi′(2),…,fi′(j))作为故障类型Ai中j个簇的初始质心Fi′；

步骤2‑2：通过下式分别计算属于故障类型Ai的其余历史观测信息数据点与所选取的j个初始质心Fi′之间的距离d(fi′(l),hi(x))，其中 hi(x)表示故障类型Ai中除去初始质心Fi′以外的其余数据点，距离质心最近的数据点划为该质心所在的簇，若该数据点与j个初始质心之间的距离相同，则可任意划分到其中的一个簇中；

步骤2‑3：计算每个簇中所有数据点的均值，结果作为该簇新的质心；

步骤2‑4：判断新的质心与原质心是否相等，若不相等则将新的质心替换为上一次的质心，重复步骤2‑2和2‑3，直到新的质心与上一次获取的质心相同时结束计算；最终的质心作为故障类型Ai的质心，其中

3.根据权利要求1所述的基于K‑means聚类和综合相关度的故障诊断方法，其特征在于：所述的步骤3具体包括如下步骤：

步骤3‑1：假设传感器采集机械设备的一组运行数据为Yg＝(yg(1),yg(2),…,yg(j))，其中,g＝1,2,…,k，从步骤2中获取的各个故障类型质心分别为：F1＝(f1(1),f1(2),…,f1(j))Fi＝(fi(1),fi(2),…,fi(j))Fn＝(fn(1),fn(2),…,fn(j))步骤3‑2：通过下式计算传感器采集机械设备的一组运行数据Yg与质心Fi之间的JS散度JSi(Yg,Fi)，其中g＝1,2,…,k，i＝1,2,…,n；

步骤3‑3：通过下式计算传感器采集机械设备的一组运行数据Yg与质心Fi之间的灰色关联度ri(Yg,Fi)，其中g＝1,2,…,k，i＝1,2,…,n；

步骤3‑4：通过JS散度和灰色关联度构建传感器采集机械设备的一组运行数据Yg与质心Fi之间的综合相关度Cg(Yg,Fi)，其中g＝1,2,…,k，i＝1,2,…,n；

Cg(Yg,Fi)＝0.5×(1‑JSi(Yg,Fi))+0.5×ri(Yg,Fi)步骤3‑5：根据步骤3‑4可以得到k组综合相关度，分别为：R1＝(C1(Y1,F1),C1(Y1,F2),…,C1(Y1,Fn))Rg＝(Cg(Yg,F1),Cg(Yg,F2),…,Cg(Yg,Fn))。

Rk＝(Ck(Yk,F1),Ck(Yk,F2),…,Ck(Yk,Fn))

4.根据权利要求2所述的基于K‑means聚类和综合相关度的故障诊断方法，其特征在于：所述的步骤2‑2的故障类型Ai的其余历史观测信息数据点与所选取的j个初始质心Fi′之间的距离d(fi′(l),hi(x))求取公式为：d(fi′(l),hi(x))＝||fi′(l)‑hi(x)||2其中，fi′(l)表示故障类型Ai中第l个簇的初始质心，其中l＝1,2,…,j；hi(x)表示故障类型Ai中除去初始质心Fi′以外的其余数据点；||·||2表示二范数。

5.根据权利要求3所述的基于K‑means聚类和综合相关度的故障诊断方法，其特征在于：所述的步骤3‑2中运行数据Yg与质心Fi之间的JS散度JSi(Yg,Fi)求取公式为：其中，

6.根据权利要求3所述的基于K‑means聚类和综合相关度的故障诊断方法，其特征在于：所述的步骤3‑3中运行数据Yg与质心Fi之间的灰色关联度ri(Yg,Fi)求取公式为：其中， 表示s＝1,2,…,j；i＝1,2,…,n条件下的yg(s)‑fi(s)的最小值； 表示s＝1,2,…,j；i＝1,2,…,n条件下的yg(s)‑fi(s)的最大值；ξ为分辨系数，ξ∈[0,1]，s＝1,2,…,j，0＜ri(Yg,Fi)≤1。