预测性维护是保证机械加工过程中工业设备安全服役的关键,为了提高机械加工过程中关键零部件的状态识别或寿命预测的精度,通常需要采集大量不同类别的与关键零部件状态密切相关的数据。而采集获取的这些大量数据会对存储、网络、能耗等方面造成较大的压力,同时,与机械设备状态关联性较强的振动信号,由于采样频率较高且通常为浮点数类型,传统的压缩方案的压缩效率并不理想。本文根据机械加工过程中,关键零部件状态信息数据存在不同类别数据的特点,提出了一种根据机械加工过程状态信息数据类型特征进行分类压缩的算法,并将此算法与常用的压缩方法进行了对比,研究表明根据信号特征自动采取合适压缩方法可有效提升数据压缩效率,具体的研究内容如下:1.在边缘侧对混合数据集进行分类压缩的首要关键是能识别不同类别的数据并根据其特征进行智能分类,本文提出了结合数据自相关系数和平稳度判定的数据智能分类算法。首先在边缘侧利用随机抽样自相关系数判定方法,对采集获取的机械加工过程状态数据进行判定,识别出机械振动信号与其他信号;然后,利用基于信号平稳度的判定算法进一步将剩下的原始数据识别分类为稳变信号和缓变信号。2.研究了稳变信号和缓变信号的数据压缩方法。对于稳变信号数据,提出结合一阶线性差分、游程编码和算术编码的无损压缩方法;针对缓变信号数据,提出一种先采用BP神经网络进行拟合预测,再利用算术编码进行压缩的方法。3.针对机械振动信号这类高频变化的数据,提出一种基于浮点数二进制缩减的有损压缩方法。首先对所得到的振动信号数据进行2DDCT变换,然后利用多项式拟合进行量化,接着结合浮点数二进制缩减法和算术编码进行压缩。