在工业生产活动中,通过对机械设备布置准确且有效的状态监测和故障诊断系统是保障机械设备长期安全可靠运行,及时诊断和识别出故障类型并进行预警,最终避免出现严重事故的重要手段。无线传感器网络（Wireless Sensor Networks,WSN）因能有效避免有线监测时存在的不足,而被越来越广泛地应用于机械设备故障诊断领域。然而随着传感器节点数量的增加、监测时间的增长,针对机械设备监测而采集的数据呈现出指数级增长的态势,海量的数据通过无线网络传输会对基于WSN的机械故障诊断系统带来极大的负担,因此使得基于WSN的机械故障诊断系统具备边缘计算特性,并能在边缘端完成故障的诊断显得尤为重要。此外,随着人工智能的快速发展,故障诊断方法也在朝着智能化的方向发展,基于深度学习卷积神经网络（Convolutional Neural Networks,CNN）模型的智能故障诊断方法具备较强的特征提取能力和信息融合能力,能避免人工参与的特征提取过程并实现端到端的故障诊断过程。因此,通过在边缘端部署CNN模型,实现边缘端的智能故障诊断,可以有效提高故障诊断系统的在线诊断效率和高准确率的故障识别效果。本文以旋转机械为研究对象,鉴于WSN、边缘计算、CNN模型在机械设备故障诊断中所表现出的技术优势,将WSN、边缘计算以及基于CNN模型的故障诊断方法引入到机械设备故障诊断系统中,构建一套旋转机械无线传感器网络及边缘智能故障诊断系统,并通过试验验证了故障诊断系统的可行性及有效性。本文主要从以下三个方面的内容对旋转机械无线传感器网络及边缘智能故障诊断系统展开了研究:（1）针对旋转机械故障诊断系统的实际应用环境,为保证故障诊断系统的相关硬件、外设具备实现设备振动信息的准确感知、高速存储、无线传输以及边缘智能故障诊断等功能的条件和性能,在对故障诊断系统的需求进行详尽分析后,提出并搭建了可靠的旋转机械无线传感器网络及边缘智能故障诊断硬件系统。（2）针对旋转机械WSN故障诊断系统的多终端传感器节点的信息融合问题,本文基于CNN模型的可变通道数属性提出和设计了基于多通道输入的CNN模型（MC1D-CNN）。将WSN多个终端传感器节点采集的振动信息构成一个具有多通道属性的振动信号集,各通道的数据与终端传感器节点采集的信号一一对应。MC1D-CNN模型以构建的多通道振动信号集作为输入,通过模型中的卷积、池化等操作在完成特征提取和故障类型分类的同时,实现多终端传感器节点的信息融合,并在东南大学齿轮箱数据集上验证了MC1D-CNN模型的有效性。（3）针对旋转机械故障诊断系统具体要实现的功能,在搭建的故障诊断硬件系统和提出的智能故障诊断方法的基础上,从终端传感器节点振动数据采集、存储、无线数据传输到汇聚节点智能故障识别等过程,分别对终端传感器节点以及汇聚节点进行相应的软件设计、开发以及调试,并通过将训练好的MC1D-CNN模型部署到汇聚节点以及使用基于Tengine的深度学习模型推理框架实现了在旋转设备边缘端的智能故障诊断,最后在搭建的齿轮箱故障模拟试验平台上对本故障诊断系统的有效性进行了相关的试验验证。