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。
