传统工业设备维护的计划性维修模式,导致设备维护不及时、维修成本高等问题。人工智能技术的应用为设备故障诊断提供了新途径。目前多数针对智能设备故障诊断的研究局限于算法理论方面,且受限于有限的公开数据集,模型的数据维度有限,实际可操作性不强。本文结合实际工业物联网应用场景,研究了工业数据采集技术和基于机器学习故障诊断算法,针对滚动轴承部件设计研发了工业物联网智能设备故障诊断系统。本文主要工作包括:(1)设计了工业物联网数据采集系统和设备故障诊断算法。论文分析了工业物联网设备故障诊断系统需求,针对数据采集系统的设备接入、本地网关和云平台三个模块,设计了系统硬件组织架构、数据传输网络架构和系统软件架构。论文采用数据挖掘技术和机器学习算法,研究了实际系统滚动轴承五种类型的传感数据的特征,提出了基于提升树预训练的循环神经网络故障诊断算法。(2)实现了工业物联网数据采集系统和设备故障诊断算法。论文研究了工业物联网传输协议和工业传感技术,采用工业数据采集技术和大数据技术,实现了滚动轴承的多维传感数据的采集、传输、存储和展示等功能。本文提出的基于提升树预训练的循环神经网络故障诊断算法,利用提升树对采集到的多维传感数据进行预训练,对特征同时进行组合和降维,降低了模型下游的循环神经网络模型的复杂度,可以满足实时性要求较高的工业物联网设备故障诊断需求。(3)本文对实际搭建的工业物联网数据采集系统和提出的设备故障诊断算法进行了功能测试和性能分析。数据采集系统进行了数据显示、数据存储和故障诊断等功能的测试,测试结果表明系统运行稳定,能够实时对设备故障进行诊断。论文在树模型参数、多维数据特征和模型对比等方面对基于提升树预训练的循环神经网络故障诊断算法进行了性能分析。实验结果表明,本文提出的设备故障诊断算法在准确率方面获得了显著的提升。