旋转机械是机械设备中最常见的机械系统,对旋转机械的故障诊断一直是一个热门的研究方向。振动是造成结构疲劳和机械故障的最主要的因素,旋转机械的振动会引起磨损,性能下降以及旋转部件的失效,直至造成重大经济损失或人员伤亡。对结构复杂的转子系统而言,其振动信息在传递过程中往往变得难以识别,而且实践中也很难寻找到信号的特征信息与设备故障的一一对应关系,因此利用常规的故障诊断技术来实现复杂设备故障的确诊较为困难。随着数据库技术在状态监测和故障诊断系统中应用规模、规范和深度的不断扩大,企业积累的设备监测数据越来越多,激增的数据背后隐藏着许多重要的信息,为基于数据分析的数据挖掘技术提供了有利条件。在数据挖掘算法中,分类与回归树(CART)算法以其高速、高准确率、鲁棒性好和直观的分类规则广泛应用于人工智能领域。在CART被提出的三十多年中,已有优化算法针对其分类准确率进行了改进,相关算法被应用于故障诊断中并带来了突破性的进展。2014年提出的“中国制造2025”与工业4.0时代逐渐接轨,对智能制造提出了更高的要求。作为制造过程中的重要环节,设备健康监测与故障诊断的智能化和在线实时检测是技术难点,因此需要一个具有快速分类速度的数据挖掘算法。现有的故障诊断方法对CART算法的应用研究一般集中于对CART算法的分类准确度提升和应用方式的优化。而对其另一个重要指标——分类速度却鲜有研究,目前也没有有效的能实现实时在线故障诊断的CART优化算法。在本文中,搭建了完整的故障诊断系统以及模拟了不平衡、轴承外圈、轴承内圈和轴承转珠四种常见的转子故障,采集其振动位移、速度、加速度和转子台转速等信息建立数据集并经过处理生成训练集和测试集。文中针对CART算法改进并提出了D-CART算法,基于二分法对CART算法选择最佳分类点的迭代方式进行底层算法改进,在确保分类准确率的前提下极大地提高了CART算法的分类效率。同时对无监督学习算法的主流算法——K-means算法逼近中心点的方式进行改进设想,用材力形心法代替传统的规则图形逼近法。在这两种优化算法中,编程实现了D-CART优化算法,训练出决策树分类模型并与其他四种经典的CART改进算法进行对比,体现出D-CART优化算法的优越性。最后,应用该算法成功的诊断出了转子系统的故障类型、位置,同时针对不平衡故障进行了定量分析。证明本文提出的D-CART优化算法能高质量地完成转子系统的各项在线故障诊断任务,并能应用于实时同步诊断。