随着科学技术的飞速发展,制造业在国民经济中愈发重要。在大数据、智能制造的工业生产背景下,维护、装备都是智能制造核心的要素,如何利用生产数据去解决故障、预测故障非常重要。齿轮和轴承都是最典型的旋转设备传动部件,长期在高负载、高转速状态下工作机器容易出现故障。由轴承与齿轮故障所引发的旋转机械故障不是少数,并且它们一旦发生故障会引发许多连锁反应。所以,在机床的故障诊断方面轴承与齿轮一直都是重点研究方向,在研究故障的基础上,如何去做预测性维护也是一个延伸点。本论文以齿轮和轴承为研究对象,进行故障诊断和预测性维护研究。主要的研究内容有以下几点:研究轮齿折断这种齿轮失效形式的特点,对采集的声音信号使用分步研究的方法进行预处理。使用统计的方法-主成分分析法,将原始变量满足条件的主成分作为特征样本,将特征送入Pca-LSSVM、Ga-Pca-LSSVM、Pso-Pca-LSSVM三种改进的支持向量机优化模型进行诊断,结果验证了模型的有效性和准确性。以凯斯西储大学轴承故障的数据集为研究对象,选择基座端、风扇端与驱动端轴承的振动信号,进行FFT、EMD、小波包分解分析研究。决定使用小波包分解法提取故障特征向量,将特征送入Gs-Pca-Lssvm、Ga-Pca-Lssvm、Pso-Pca-Lssvm三种改进的支持向量机模型进行故障诊断,有效的实现了状态类型的识别,准确率高。进行机床预测维护的理论研究,对预测维护提出了一种基于数据知识本体的诊断推理模型。根据知识本体的诊断推理,从抽取语义知识构建相应的维护诊断语义知识库到使用知识共享机制来达到推理故障成因和维护决策支持目的。这一理论研究在数据知识语义的支持下,进行全生命周期研究。利用设备状态-征兆故障及映射-征兆相关算法来实现从机床特征状态空间到故障征兆空间的映射,进行演绎、归纳、溯因推理最终实现维护决策,达到动态诊断与静态维护知识的统一。