重要设备关键零部件的监测一直是保障设备安全性的重要一环,轴承作为各种机械设备的重要零部件也要设计相应稳定可靠的监测系统来满足需求。传统监测系统由于采集数据量较大,传输数据时容易产生数据拥堵和能耗问题。此外,传统监测系统通常为单向数据流,且通用性较差,功能也较为单一。一种可行的方案是通过多处理器和多网络结构进行数据降维和算法逻辑分层,在边缘网络系统中完成采集处理和故障诊断后分别将结果传输给云端网络。同时云端网络作为远程控制端,除了进行数据存储和显示外,还能对边缘设备进行参数更新和功能配置,云边协同完成整体轴承的监测功能。本文首先从系统的需求出发对整体系统架构进行了设计,确定了基本的硬件选型和相关的网络协议;设计了基本的网络拓扑结构和终端设备与中继设备间的指令交互协议,根据终端设备和中继设备的功能设计了对应的嵌入式软件逻辑,实现了终端设备数据采集和降维处理功能、中继预报警和故障诊断功能以及网络数据上传功能等。故障诊断方法主要用于识别轴承状态及故障程度,在PC端确定模型参数后植入边缘设备中。在多维特征中选择分类能力较强的特征作为模型输入,采用了交叉验证的BP神经网络分类算法并通过多模型融合决策得到最终的诊断结果,在实验中有较高的准确率。云端主要由部署在阿里云的远程服务器和数据库组成,通过搭建服务器逻辑架构实现边缘网络数据存储、OTA远程控制、数据可视化和相关的交互功能。设计了一套完整的轴承云边协同监测系统,主要创新在于:使用多处理核心和多层分布式算法结构提高了处理效率,将故障诊断移植至边缘网络提高了实时性;提出了适用于监测系统的特征提取和故障诊断算法提高了系统可靠性;提出了特有的中继预报警算法逻辑提高报警的可靠性;设计了云端控制系统和指令交互协议,使系统能够根据需求进行灵活配置,提高了系统的通用性;设计了相关的远程服务器架构,提供了良好的交互界面和数据可视化功能。最后设计实验并验证了监测系统的功能。最后对本文的内容进行整体总结,并对将来的研究进行展望。