随着智能制造和大数据时代的到来、实时监控的需求和数据的采集、集成、计算和分析技术的发展,工业大数据技术及应用将成为未来提升制造业生产力、竞争力、创新力的关键因素。旋转机械设备是工业设备中应用最为广泛的设备之一,而滚动轴承是旋转机械设备中最容易发生故障的部件之一,一旦滚动轴承发生故障将会影响到整个工业生产流程,因此对滚动轴承进行故障预测是极其重要的。如何从大规模、低密度的滚动轴承振动数据中挖掘出有价值的信息来进行滚动轴承故障预测成为了研究热点。鉴于此,本文选取西储大学滚动轴承的振动数据作为研究对象,提出了一种基于Spark和蚁群优化聚类算法的滚动轴承故障预测方法。为解决基于传统K-Means聚类算法的滚动轴承故障预测中随机选取初始聚类中心导致预测效果不佳的问题,提出了一种基于蚁群优化K-Means聚类算法的滚动轴承故障预测方法,首先采用小波包分解得到滚轴振动数据的特征向量并归一化作为聚类算法的输入,然后采用蚁群优化算法选择最佳初始聚类中心,最后基于K-Means聚类算法建立了滚动轴承故障预测模型。实验结果表明,与传统K-Means聚类算法相比,该方法有效规避了易陷入局部最优解的问题,得到了更稳定和更准确的预测结果。在工业大数据环境下为更快速准确地对滚动轴承故障进行预测,提出了一种基于Spark平台和蚁群优化K-Means聚类算法的滚动轴承故障预测方法,首先将原始振动数据经过小波包分解得到的特征向量存储在HDFS中,然后基于Spark平台对蚁群优化K-Means聚类算法进行并行化,最后建立了基于Spark和蚁群优化聚类算法的滚动轴承故障预测模型。实验结果表明,采用Spark并行计算框架有效提高了滚动轴承故障预测的效率。