为提高机械传动设备运转的可靠性，其在线监测及故障诊断系统得到了广泛的研究与应用。此系统的功能实现一般通过四个步骤完成，包括采集设备监测信号、提取监测信号特征、信号状态判别以及设备故障预测。设备信号的采集一般通过无线传感节点完成，随着在线监测系统研究的不断进步和无线传感技术的快速发展，实时监测数据量随之增大，这对数据的存储、传输造成了很大压力，极大可能的增大了网络发生阻塞的概率且影响无线传感节点的寿命。因此，本文对实时监测信号的数据压缩进行了深入研究。机械传动设备运转产生旋转振动信号，当前对旋转振动信号这类过程数据的压缩处理研究还处于初始阶段，业内对此类数据压缩也未形成具备通用性的标准算法。本课题以齿轮故障信号作为典型研究目标，创新性地通过采集信号的特征量将预测算法ARMA与SDT压缩算法结合，提出了有效的ARMA-SDT压缩算法，使得在保证压缩率的前提下，分段压缩误差不太偏离设定值而保持平稳。本文在简要介绍了对旋转振动信号压缩的研究现状后，着重分析了分段线性压缩算法，并详细阐述了SDT压缩算法的基本原理、特点、优势及缺陷。为解决SDT算法压缩门限不可调的不足，引入ARMA预测算法。文中对ARMA模型的识别、定阶、参数估计、模型检验及预测给予了详细研究，并对参数估计的RELS算法进行了Matlab仿真。为了将ARMA同SDT相结合，本文在对齿轮振动机理详细介绍后成功地对其故障信号进行Matlab仿真模拟，通过故障仿真信号重点研究了信号特征量与压缩误差、压缩门限之间的关系，并得到了其经验公式。ARMA-SDT算法就是通过ARMA模型对采集信号的特征量进行预测，再根据特征量与压缩特性之间的经验公式对SDT的压缩门限进行实时调整。最后本文通过基于Zigbee的无线传感平台获取了不同程度的齿轮剥落故障信号，并通过Matlab仿真说明了ARMA-SDT算法能够有效解决SDT算法门限不可调的不足，保证了分段数据压缩误差不太偏离设定值而保持平稳，同时为使ARMA-SDT算法满足实时处理的要求，本文提出来其工程解决方案。