长久以来,随着互联网技术与传感器技术的高速发展,工业生产过程中产生的数据呈现爆发式增长,更多的数据在为故障诊断（Fault diagnosis）带来新的诊断思路的同时,也带来了一些新的问题。有效、实时的智能旋转机械故障诊断与监测方法一直是研究的热点问题。旋转机械是机械设备中应用最广泛的零部件之一,在保证机械设备平稳健康运行中起着至关重要的作用,准确实时的对故障轴承进行分类与预警,无论是在经济性还是安全性,都具有很大的价值。利用云端进行数据处理的场景下,云端位于机械设备与数据采集传感器的远端,在数据由采集端传到云端的过程中,网络带宽受限与传输速率延迟会对诊断的实时性造成很大影响。针对该问题,本文提出了压缩感知CS（Compressed Sensing）方法与多传感信息融合的方法,实现了一种对网络资源需求低,同时满足诊断实时性和诊断精度要求的智能故障诊断方法。主要研究工作有以下三点。本研究首先对所使用轴承信号进行稀疏性验证,证明轴承信号满足使用CS的前提条件,接着在传统追踪算法的基础上,提出一种感知信号重构算法AWRA（Adaptive Grey Wolf Reconstruction Algorithm）,使用速度较快,搜索策略优越的灰狼群智能寻优算法在追踪算法选出的子空间中选出不同策略下的寻优结果,扩充匹配算法所构造的字典原子集,通过更大的原子搜索范围提高重构的成功率,减少重构误差。随后在诊断端对重构数据进行故障诊断的框架研究。框架包含数据预处理和故障分类两个部分。数据预处理阶段,提出一种特征提取方法PLC（CCA Combined PCA-LDA）。使用特征提取方法PLC减少数据冗余,加快模型识别速度,为了充分利用两种降维策略不同的传统特征提取方法的优势,提取适合于诊断模型输入的特征,将两方法提取特征进行典型相关分析,计算出相关度最大的两组新的特征作为后续诊断模型的输入。最后为了充分利用多传感器数据以提高诊断模型精度,受到SVM（Principal Component Analysis）中核函数启发,提出一种基于高斯核函数（Gaussian Kernel Function）的多传感信息融合方法,通过协方差矩阵对多通道信号的每个样本点做多维高斯分布融合,根据每个样本均值波动的起伏情况得到融合后的一维融合信号,使信号包含更多的故障特征信息来对模型进行训练,提高诊断精度。通过上述研究内容与仿真验证,所提出的压缩信号重构方法与多传感数据融合技术在远端轴承故障诊断的工况中,能够在满足诊断精度的前提下,有效地减少诊断过程对移动设备计算性能和网络资源要求。因此,CS与多传感信息融合相结合的故障诊断方法在远端故障诊断的场景下,具有很大的研究价值和潜力。