大型高速旋转机组是工业生产中的关键装备之一,其转子部件脱落是一种隐患巨大的故障,严重影响生产安全。转子部件脱落的早期征兆使用常规方法难以发现,为了实现转子部件脱落故障诊断,本文选用真实转子部件运行时监测数据,综合利用信号处理技术与智能诊断方法对监测信号进行特征提取,获得故障特征数据集。针对转子脱落故障诊断识别准确率的问题,提出了一种基于集成学习模型的转子部件脱落故障诊断方法。同时为了解决工业过程中存在大量无标签样本无法有效利用的问题,提出了一种基于改进随机森林的转子部件脱落故障诊断方法。并针对故障诊断在效率上的需求,对上述两种模型使用Spark框架进行并行化设计。试验结果验证上述诊断模型均能成功应用于真实的转子脱落故障数据诊断。本文主要研究内容如下:（1）针对转子原始波形数据数据量大,干扰多等问题,对数据进行特征工程处理。从数据特性分析出发,对数据进行清洗,提高了数据的精确性。并针对常规信号处理方法在多传感器数据综合利用中的不足,通过时频域和全息谱等技术进行故障特征提取,构造用于故障诊断的转子部件脱落故障诊断数据集,并综合使用多种特征选择方法,对提取的特征进行优选,有效降低后续计算的时间复杂度并提高实效性。（2）针对单模型在转子脱落故障诊断中识别准确率不高的问题,基于决策树、支持向量机和逻辑回归算法,提出了一种集成学习模型。使用多模型集成的思路,利用不同模型对特征提取能力的不同,分别使用决策树和支持向量机为基模型,结合逻辑回归为元模型,完成故障诊断模型的训练,并基于Spark框架进行并行化设计。试验验证其是一种可行的基于集成学习模型的转子脱落故障诊断方法,相对于单模型能提高故障诊断的准确度,且能通过并行化实现良好的加速效果。（3）针对转子部件脱落故障诊断中的可用标签样本不足的问题,结合孤立森林和随机森林算法,提出了一种改进的随机森林算法。针对经典随机森林算法在模型训练时对于数据量需求大的缺点,利用孤立森林对无标签样本进行伪标签的预测,为随机森林的训练提供扩充样本集,并基于Spark框架对模型进行并行化设计。试验验证改进后的随机森林模型是一种可行的转子脱落故障诊断方法,相较于改进前的随机森林,在准确度上有大幅提高,且在并行化的设计下能实现良好的加速效果。