作为旋转机械装备中极为重要的组成部分—转子系统,对其开展监测与诊断不单纯是保障现代工业生产系统安全、高效运行的关键,更是推动工业变革进入工业4.0智能制造时代的基石。然而在工业大数据背景下,海量数据中蕴含了更为全面的机械设备工作状态信息,那么基于数据驱动的旋转机械故障智能监测与诊断技术在转子故障诊断领域中将发挥着不可估量的作用。但这会诱发新的“维数灾难”问题,不利于挖掘出真实且有价值的便于判断设备运转健康状态的信息。欲全面挖掘本质、敏感特征信息,降低设备运行状态分类难度并提高设备运行状态辨识精度,加快智能决策“卡脖子”关键核心技术攻关,开展对高维数据集进行有效维数约简工作是当下急需攻克的难题。本论文针对工业大数据背景下智能运维技术的发展需求,以转子实验台作为研究对象,以传统流形学习和稀疏表示维数约简方法为参考,从图学习角度和数据的相关性角度出发,对转子故障数据集维数约简方法及故障智能诊断系统开发进行了探讨。取得的研究进展情况如下:（1）针对由于原始故障数据集较高维数引发的故障分类困难问题,提出一种将空间局部结构保持思想以及质心概念同时与边缘Fisher分析算法相结合的故障数据集降维方法。该方法依赖靠近质心的近邻点来构建类内本征图和类间惩罚图,最终达到同类样本点在低维空间分布更紧密,异类样本点在低维空间分布更疏远的目的,并利用不同型号转子实验台上采集的振动信号进行验证分析。结果显示,经本方法得到的低维特征可以获得较高的故障辨识精度,验证了该方法的有效性。（2）针对传统的流形学习降维方法在构建邻域时参数难选择的问题,提出由流形学习和稀疏表示相融合的转子故障数据集维数约简方法。此方法最大的优势之一是自适应性选择邻域参数克服了传统流形学习人为选择参数的难题。其次该算法在对不同类样本稀疏编码时利用了类内样本稀疏残差,与传统的稀疏表示方法相比改进方法能获得更具有鉴别性的稀疏权重。并且为避免噪声等在稀疏重构过程中造成不利影响,本方法还融入了稀疏重构约束。通过转子故障数据集和Iris仿真数据集分别进行验证。结果显示,此方法与传统维数约简方法相比,在最终的模式辨识中体现出更好的分类性,准确性及抗噪性。（3）为实现理论算法与实际应用相结合,通过虚拟仪器技术在Lab VIEW环境中开发出一套双跨转子系统的故障监测与智能诊断系统并将提出的理论算法嵌入其中。首先利用多组电涡流传感器对转子系统的振动信号进行采集;再利用Adlink公司研发的型号为DAQ2214数据采集卡实现振动信号的数模转换;其次利用Lab VIEW、MATLAB之间的兼容性进行数据的预处理、维数约简、模式辨识等;最后在PC端完成对转子系统运行状态的监测与分析。流形学习和稀疏表示作为从现象中寻求事物本质进而找到内在规律的信息挖掘方法,在工业大数据背景下的故障智能诊断领域具备广泛的应用前景,后续将重点从标准工业大数据库的建立,装备寿命预测以及远程诊断系统开发方向开展研究工作。