智能制造的深度发展，使得制造车间的数据呈现了爆炸性的增长。如何挖掘上述数据的价值，为制造车间的运行优化与决策提供服务，已成为当前的研究热点。机器学习是制造数据分析与处理最常用的方法之一。然而，在实际制造系统中难以获取高质量的带标签数据。因此，研究无监督的机器学习方法，以处理海量无标签的制造数据具有广 阔的应用前景。谱聚类是一种无监督流形学习方法，能充分挖掘隐藏在高维非线性数据中的本征结构，并根据本征结构将数据分为不同簇。但是，谱聚类假设数据分布于单一流形上，而制造数据往往分布于多个流形上。因此，本文针对多流形分布数据，改进谱聚类算法，并将其应用于故障识别，同时提出了一种对新增样本快速识别故障的方法。
