随着物联网技术以及智能制造技术的迭代更新与迅猛发展,布置在机械装备上的传感器数量和采集的状态数据不断增加,使得机械设备的故障诊断技术进入“大数据”时代,这为全面掌握其真实的运行状况奠定了坚实基础。然而如何高效地从大数据中挖掘出潜在的价值信息成为数据驱动下保障设备安全运行的热点与难点。目前已有的方法是通过各种量化特征来表征机械设备实时运行状态,特征数目越多,对其描述就更加精确。但是大量的特征中可能会包含数据冗余或无关信息,由此造成数据特征的维度过高,这样不仅明显增大了运算空间、时间复杂度,而且加重了分类器的工作负担,因此如何在尽可能保持原有信息的基础上降低数据规模是提高诊断与分析效率的关键。流形学习凭借其能够探索原始数据在高维空间中的局部结构、发现数据的本质维度,以及可以提取出敏感信息的优势,近年来取得了很多研究成果,可以将它作为大规模数据挖掘中的重要工具。基于上述缘由,本论文以流形学习理论为基础,对转子高维故障数据集的降维问题展开研究,主要工作概况基本如下:（1）针对转子故障数据集维数过高的问题,提出一种基于不相关约束的双邻接图判别投影（UDGDP）降维算法。该算法通过构建两个流形结构图使低维空间同类样本聚集更加紧凑、异类样本离得更加分散;同时为了消除投影变换后低维特征之间相关性,在目标函数中引入不相关约束条件,进而达到提取敏感故障特征的目的。利用双跨转子实验台获得的数据集验证了UDGDP算法的有效性。（2）针对传统降维方法在用于转子高维故障数据集降维时所表现出故障辨识精度不高、抗噪能力偏弱的问题,提出一种标准正交局部重构无监督判别投影（SOLRUDP）降维算法。该算法以提高自身的抗噪能力、降低投影变换后低维特征之间的信息冗余为优化目标,在构建目标函数时引入局部近邻重构思想与标准正交约束条件,从而对故障信息进行有效挖掘。通过两套双跨转子实验台所得的故障数据集证明了SOLRUDP算法的有效性与可靠性。（3）针对转子故障数据集高维复杂特性引发的分类困难问题,提出一种自适应局部近邻核稀疏保持投影（ALNKSPP）降维算法。该算法将核稀疏保持投影（KSPP）与核局部保持投影（KLPP）目标函数进行融合,在特征提取过程中综合考虑原始数据的全局与局部结构信息,进而得到有利于表征故障类别的最优敏感特征。利用UCI仿真数据集与转子故障数据集验证了ALNKSPP算法可行性与有效性。