随着机械设备的复杂化程度和自动化水平的日益提高,机械故障诊断技术也越来越受到重视,机械的故障诊断技术在当前的机械工程及相关领域十分重要。随着设备监测的数据量以及计算机运算能力的提高,设备故障诊断进入了“大数据”时代,利用大数据分析方法进行故障诊断,让故障诊断模型自行学习特征,完成故障识别,使故障诊断在拥有较高的识别准确性基础上,更具智能化与自动化。本文研究大数据分析方法在故障诊断中的应用。首先对集成学习算法进行研究,研究发现集成学习算法中的梯度下降树算法中弱学习器采用回归树算法,对于多元数据融合情况下对设备是否存在故障进行判断有着很好的表现,并利用风机运转过程中所监测的多传感器数据进行了验证,结果表明在多元数据融合情况下对设备是否存在故障进行判断,梯度下降树算法能得到很好的诊断效果。在故障诊断过程中,确定设备存在故障的同时,准确定位故障对于设备的精准维护具有重要意义。为此,本文通过对卷积神经网络算法进行研究,提出了直接作用于振动信号的一维卷积神经网络模型,应用重叠采样的数据增强方式从所监测的振动信号中生成样本,采用有监督学习的方式和可视化技术对一维卷积神经网络模型进行训练和监测,并利用轴承实验数据进行了识别验证,验证效果良好。针对直接使用一维振动数据,可能存在数据特征单一的情况,对二维卷积神经网络进行了研究,提出了作用于振动信号的二维卷积神经网络故障诊断模型。首先对增强采样得到的样本,通过连续小波变换得到时频图,再将时频图进行压缩后作为二维神经网络模型的输入,以有监督学习的方式对模型进行训练。经轴承实验数据验证表明该模型对轴承故障类型的识别准确率达到99.98%。针对普通二维卷积神经网络模型,在对故障类型与程度同时进行识别需要结构优化的问题,本文首次提出了应用于故障诊断的浅层多尺度卷积神经网络模型,并利用轴承实验数据验证进行了验证,并与传统卷积神经网络的识别结果做了对比,获得到了很好的效果。