随着传统制造业的发展,工业设备的种类越来越多样化,工厂中的设备数量也在逐渐增多,这导致工业管理人员对工业设备的运行状况和健康状况很难把握,而工厂中核心设备的健康状况管理和设备维修更换的计划一直是工业管理的重点。此时,快速方便的对工业设备健康状况进行检测和预测就成为了制造业领域亟待解决的重点需求。目前物联网技术、大数据技术和机器学习技术都在日渐成熟,其三者和多个领域的结合已经成为了发展的趋势。而三者在工业设备的健康状况管理方面有着天然的应用优势,随着国家智能制造战略方向的提出,传统制造业更加需要新兴技术来对其进行改造。所以利用三项技术相结合的方式是解决工业设备健康状况检测和预测的重要手段。本文针对工业制造行业对智能管理的需求,提出了以工业物联网技术、大数据技术和机器学习技术三者相结合来解决工业设备健康状况检测和预测的方案。针对工厂中的打孔机设备(摇臂钻床),用物联网技术来解决工业设备数据采集,用大数据技术来解决海量工业数据的存储问题,用机器学习技术来判断和预测工业设备的运行和健康状态。本文设计并实现了一整套可用于制造业的设备健康监测系统并通过实验和测试验证了该软件平台的可用性和有效性。首先,本文对无线传感网络(WSN)领域和故障检测与健康管理(PHM)技术的研究和发展做了简要的阐述,又对制造业面临的设备智能监控需求做了分析,并对工业设备健康监测系统所需的技术做了相关的介绍。而后,详细的分析了本系统工业设备数据的采集、大数据存储计算平台、工业设备健康状况的判断以及设备状况的实时显示查询等功能的需求,并基于需求分析和相关的技术的应用优势将整个系统架构设计为由无线传感网络层、大数据平台层和前端数据显示层三大部分构成。紧接着,本文介绍了无线传感网络的部署和搭建、有效实用的大数据平台层的技术选型和部署以及相关机器学习模型在本系统中应用等的实现方式,其中,机器学习模型采用多种模型对比的方式选择最优的模型。基于这些,介绍了本文中各种功能的实现方式,例如采集到的数据的实时显示、设备状态数据的实时显示和状态数据的周期性查询等功能。最后,在生产环境下,对本文所实现的工业设备健康检测系统中各个模块的功能和性能做了详尽的测试,验证了本文设计方案的有效性和实用性,其中机器学习模型部分,对本文使用的模型和以往的研究模型进行了对比。经过测试,本文实现的系统满足工业设备健康监测的需求,能够在很大程度上解决工业设备健康管理的痛点。在本文结尾处,又对本文做了详细的总结,并对相关设计方案的改进点做了分析。