现如今机械设备已被广泛应用,但其故障发生率却居高不下。这些机械设备一旦发生故障将影响整个系统的运行,对生产影响巨大,有时甚至是灾难性的。其中,旋转机械是比较常见的机械设备,它因特殊的工作环境,长期经历着磨损、侵蚀、冲击、振动、疲劳等影响,很容易出现故障。轴承作为旋转机械设备中的核心部件,与旋转机械故障的产生有着密切联系。因此对轴承进行检测和故障诊断,不仅仅可以保障设备的安全运行,还可以最大化的发挥设备的工作潜力。所以开展轴承故障诊断技术的研究具有重要的理论和实用价值。传统的轴承故障诊断一般分为两种,一是离线诊断,完全在本地进行轴承故障诊断的方法;二是在线诊断,完全在云端进行轴承故障诊断的方法。不管是哪种方法都没有考虑诊断的资源和环境所带来的影响,这样的研究就失去了实用价值。由于轴承运行在各种不同的工况下,支持轴承故障诊断的资源情况也各不相同。为了让研究的成果具有更好的推广性,本文在诊断资源受限的条件下,开展了云加端框架下的轴承故障诊断技术研究。首先,本研究结合了边缘计算框架的特点,构建了一个用于轴承故障诊断的新框架——云加端框架。对如何将轴承故障诊断算法分配到云加端框架中去,本文提出了云加端轴承故障诊断模式。该模式具有离线/在线两种诊断方式可处理网络的断开或畅通两种情况;并且还具有诊断模型自更新功能,使得云加端故障诊断系统不会因设备长时间工作发生磨损而误诊断。接着以节约资源的目的。并进一步提出了云加端轴承故障诊断中在线诊断的改进算法,实验证明该算法能做诊断时间和诊断精度具有更高的综合优势。接着在云加端轴承故障诊断模式的基础上增加了网络资源受限的条件进行研究。考虑到上传故障特征长度、网络带宽和诊断时间的间接关系,针对问题提出一种基于网络带宽的自适应特征提取算法。该算法得到的诊断时间和诊断精度可达到理论的最优结果,通过仿真实验与几种常见的上传方法进行对比,可发现所提算法在整体的评价更有优势。最后在云加端轴承故障诊断处于网络和计算资源受限的情况下,如何进行有效可靠的故障诊断展开了研究。针对这一问题,本文提出了一种基于强化学习的云加端轴承故障诊断的决策框架,该框架通过综合设备端的故障样本信息和边缘端的全局资源分配信息决策判断出当前的系统全局上传策略。通过证明,该方法能在有限的资源内保障更需要诊断资源的设备端优先得到资源和诊断的时效性,提高了诊断系统的可靠性。本研究提出的云加端轴承故障诊断模式,充分的利用了设备端、边缘端、云端的特点,并能在计算、网络资源受限等多种情况下进行有效的轴承故障诊断,使轴承设备安全工作更具有保障,在工程应用中有一定的实用和研究价值。