1.一种缺失数据的KNN区间型轴承故障诊断方法，其特征在于，其步骤为：

1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的轴承数据；

2)降噪处理：采用小波阈值降噪法，对每层高频小波系数做阈值量化处理，通过极大极小准则阈值函数对轴承时域信号进行软阈值去噪处理；

3)特征选择：计算峭度指标，偏态指标，峰值指标，峰值等时域特征参数，将其作为时域特征向量；

4)轴承故障诊断：

4.1)确定最近邻样本；

4.2)考虑近邻样本集属性分布提出新的区间填补公式：为了进一步精确估计区间宽度，提出一种基于概率信息分布的KNN区间估计，在KNN构造的近邻样本空间上，构造基于缺失属性的KNN估计区间，引入到模糊C均值算法的距离计算公式中，最后进行区间聚类分析；

假设存在属性缺失样本xk，属性j缺失；标准差反映估计误差，根据估计误差提出新的区间计算公式如(1)所示：

其中，

公式(2)中，μj为K近邻样本集的样本均值，t＝1.64；

最终缺失属性区间下限为公式(5)所示：属性区间上限为公式(6)所示：其中，xi为缺失数据xk的近邻样本，q为近邻样本的数目；公式中包含缺失数据的属性信息，对于缺失比例较高的数据仍然具有适用性；从公式可以得出，统计学中的样本方差能够反应数据分布的离散性；对于填充数据构成的最近邻样本，样本集的离散性反映了全部样本远离数据集中心的距离，符合区间构造规则；

同时，将完整属性数据集转换为区间型数据集，与不完整数据集保持统一数据形式；不完整数据集转换为区间数据集规则为：‑ +

(1)假设存在完整属性xkj，则转换后的属性区间[x ,x]＝[xkj,xkj]，转换后的属性区间上下限值相等，与完整属性值相等；

(2)按照上述缺失属性区间计算公式，得到缺失属性区间；

4.3)改进KNN估值区间的区间数据模糊C均值聚类：对区间型数据进行模糊聚类分析；

4.4)利用改进KNN估值区间的区间型模糊C均值聚类对步骤4.2)中得到的区间型数据集进行聚类，得到聚类结果。

2.根据权利要求1所述的改进KNN估值区间的区间型轴承数据故障诊断方法，其特征在于：所述的步骤4.4)中，具体步骤如下：

4.4.1)构造对不完整数据样本的最近邻样本集：依据最近邻规则选择最近邻样本，确定最近邻样本数q，构建不完整数据的q个最近邻样本集；

4.4.2)输入样本归一化：将所有的数据均转化为区间[0,1]之间的数，从而消除各维度间数量级的差别；

4.4.3)填补缺失属性:根据区间填补公式(1)确定缺失属性区间大小；

4.4.4)区间化数据集：根据区间型转化规则，将数值型数据集中的数据全部转化为区间型，进而构造区间型矩阵：

4.4.5)初始化区间型FCM算法参数：初始化隶属度矩阵，并对聚类类别数迭代次数G、终止阈值ε、模糊指标m进行设置；

(l‑1) (l)

4.4.6)更新聚类中心矩阵：依据U 对聚类中心矩阵V 进行更新；

(l) (l)

4.4.7)更新隶属度矩阵：根据V 对隶属度矩阵U 进行更新；

(l+1) (l)

4.4.8)算法条件判断：当迭代次数达到最大，或max|U ‑U |≤ε时，算法迭代停止；

否则l＝l+1，返回6)。