将传感器网络应用于工业现场,实现工业设备的实时监控、保障设备安全运行、实现工业智能化和自动化,是物联网技术发展的必然趋势。论文依托于北京市“无源无线传感器网络关键技术研发及应用”项目,通过对机车车轴的振动数据进行分析并通过工业传感器网络回传数据,实现对轨道交通场景下车辆的运行状况的监测和预警。将无线传感器网络部署在轨道机车上,通过能量收集模块将机车车轴的振动的机械能转化为电能为传感器节点供能。由于电能收集速率慢且供能不稳定,通过加速度传感器采集的高速数据流在低速低功耗的无源无线传感器网络中不能及时有效的传输。网络规模较大,数据经由多跳网络传输时会导致强烈的漏斗效应,造成汇聚节点负载过重,能耗加剧,甚至造成网络瘫痪,严重影响了网络的稳定性和数据的有效性。针对无源无线传感器网络中节点能量受限情况下,数据采集量大且传输困难、节点资源受限不能进行复杂计算和大量存储、以及多跳网络下漏斗效应明显、丢包率严重等问题,本文提出了一种基于机器学习的故障诊断方法进行数据压缩降低数据传输量,并提出一种基于数据聚合的无线传感器网络MAC层时隙分配方案,进一步降低网络的流量,降低网络的能耗。针对高速振动数据流,在节点端借助传感器节点的有限的存储资源和计算能力,对振动数据进行特征提取,并使用机器学习模型对设备状况进行诊断。在节点进行数据传输时只传输诊断结果,并只在必要时对原始数据进行回传。方案在实现故障诊断的同时并降低了节点的95%以上的数据传输量,降低了节点的能耗,延长了节点的存活时间。针对无线传感器网络能量受限下数据传输的问题,提出一种基于TDMA的MAC层数据时隙分配方案,对网络进行超帧设计并进行时隙分配。将传感器节点依照物理部署位置进行分簇,不同分簇之间占用不同的信道进行簇内数据交互,避免了簇之间的碰撞冲突。通过簇头选举算法对簇头进行选取,由簇头节点对簇内节点传输的诊断状态进行聚合传输,进一步降低节点传输的数据量。通过时隙占用算法,簇头节点为需要额外传输时隙的节点进行共享时隙分配,保证了网络时隙分配的灵活性。论文的最后对基于数据聚合的无源无线传感器网络进行的功能测试,通过对网络节点进行抓包分析,对传感器网络的功能进行了验证。实验表明,本文的设计在保障了诊断精度的同时,降低了网络的数据量,降低了传输能耗并延长了节点的使用寿命。