设备故障诊断技术是保证工业机械设备正常运行必不可少的一项技术。传统的故障诊断技术譬如基于先验知识的故障诊断方法和基于解析模型的故障诊断方法由于其方法自身存在一定局限性导致实现起来不太理想。当前大部分基于数据驱动的故障诊断方法都是在假设故障类型完全已知的情况下进行的故障诊断,若将训练好的诊断模型(人工神经网络、支持向量机等)进行实际运用,此时设备出现新的未知故障时,模型可能会将其误以为是已知故障类型导致分类错误,准确率降低;并且机械设备出现新的未知故障需要重新训练诊断模型,无法实现自我更新;此外,设备产生的大量数据不仅使远程服务器的计算量大大提高,增加了其处理负担,将大量的数据上传到远程服务器的过程使得诊断实时性无法得到保障。针对上述问题,本文对设备诊断模型实时性,轻量级以及检测分类准确性要求这三个方面进行了如下研究:(1)提出了一种基于SENCForest的故障诊断方法。基于SENCForest的故障诊断方法考虑解决未知设备故障类型的检测和已知设备故障类型的分类问题。该算法的主要思想是:首先利用孤立森林实现正常数据和故障数据的分类;其次根据SENCTree叶子节点构建的已知异常区域来区分已知故障和未知故障;最后针对新发现的故障特征类型,自动实现故障分类模型动态更新。采用凯斯西储大学轴承数据中心发布的风扇端轴承振动数据进行实验,并与其他两种方法进行对比,实验结果验证了模型的可行性与有效性。(2)在(1)阐述的技术基础上提出了一种基于FM-SAE和随机森林的分层故障诊断方法。该方法考虑诊断实时性和检测分类准确性因素,将模型分为三层:本地监测层、故障分类层和决策层。首先在本地监测层实现故障监测;其次将监测到的故障数据上传故障分类层进行分类处理;最后,针对识别到的新的未知故障类型,交给决策层进行进一步分析并更新模型,从而实现了实时监测,识别未知故障,准确分类已知故障的目的。仿真实验表明,该方法可以准确的监测故障并精确识别故障类型。(3)提出了一种基于主动学习随机森林的故障诊断方法。该方法综合考虑模型的实时性、轻量级以及检测分类准确性要求,结合边缘计算思想,构建轻量级随机森林增量学习模型,将远程服务器终端的计算卸载到边缘设备,该模型对监测到的故障进行分类,识别未知故障并完成自我更新。最后,美国凯斯西储大学实验室数据用于验证模型的性能和有效性。实验证明,该方法可以准确的监测故障并精确识别故障类型。