设备状态监测与故障诊断技术对于机械设备的高效稳定运行至关重要,任何不可预知的失效和故障都可能导致巨大的生命和财产损失。因此,研究有效的设备故障诊断方法对于维护生命安全和保障工业安全都具有重要的意义。另一方面,随着高性能采集和传输设备的发展,可用于故障诊断的数据量也呈爆炸式增长,深度学习方法的出现虽然很好的适应了大数据量下的故障诊断任务。但是也带来了一些新的问题,例如模型可解释性的缺乏和计算成本的高昂等。而同样诞生于本世纪初的压缩感知理论从信号的角度揭示了自然采集数据具备冗余和稀疏可压缩的本质特性。本文依据这一特性,在深度学习的数据稀疏和模型稀疏方面展开研究,提出了集成稀疏监督模型（Ensemble Sparse Supervised Model,ESSM）。并在轴承故障数据上进行了检验。为了将其集成到机械健康监测系统（Machine Health Monitoring System,MHMS）中,文中还对基于B/S架构的MHMS系统从技术要点到发展趋势做了详尽的论述。最后基于所做论述,应用两端分离的方式在MHMS系统中实现了ESSM模型。具体的工作如下:1)针对基于人工智能的旋转机械故障诊断中对于输入的特征和模型之间关系过度依赖和过度分离的问题,提出了集成稀疏监督反馈模型。该模型首先将特征的学习和模型的学习在稀疏约束下分开进行,再将其分别作为对方的反馈以矫正对方模型的学习误差。该过程循环进行,直到达到预先设定的临界终止条件即可。所提模型在真实的轴承数据上经过验证效果良好。2)针对深度学习在训练中需要操作人员手动选择超参数,会加大人力成本和时间消耗的问题,将Talos库引入到所提出的集成稀疏监督反馈模型中来,只需要在训练一开始就设置好特征学习阶段和模型学习阶段的各种超参数,启动训练之后根据生成的报表和度量指标选取效果最优的一组超参数即可,极大地简化了操作步骤,节省了操作人员在训练中的时间消耗。3)利用Restful风格的api设计了MHMS系统的前后端接口,使用Vue搭建了MHMS系统的前端界面。使得新的MHMS系统在可拓展性,开发效率,维护成本和前后台交互方式上都有了很大的改进。