摘要：柴油機工作過程中的各種參數(shù)含有大量的信息,通過數(shù)據(jù)挖掘?qū)⑦@些參數(shù)的內(nèi)在信息挖掘出來,解決以往在柴油機故障診斷上出現(xiàn)的診斷不準確和耗時長等問題。采用K均值聚類分析（k-means）將數(shù)據(jù)聚類,并設計BP（Back Propagation）神經(jīng)網(wǎng)絡,對柴油機的運行狀態(tài)進行診斷。在此基礎上,利用PCA（Principal Component Analysis）對上述算法進行優(yōu)化,用PCA對原始數(shù)據(jù)簡化,再進行k-means聚類,最后將聚類后的數(shù)據(jù)特征量作為BP神經(jīng)網(wǎng)絡的輸入,建立柴油機的故障診斷模型。通過對兩種診斷算法的結(jié)果進行分析和比較,表明優(yōu)化后的算法能夠更有效地提取數(shù)據(jù)特征,提高了診斷準確度,同時也減少了診斷時間。