机电设备运维通过一系列方法监控机电设备的运行状态,并利用各类手段对其进行维护,是机电设备提供各类服务的基础保障。传统的机电设备运维面向特定设备组成的复杂系统,高度依赖人工操作和专家经验,难以有效地管理。利用智能运维（Artificial Intelligence for IT Operations,AIOps）平台接入机电设备大数据,通过分布式存储、并行化计算和机器学习等技术进一步保存和处理,提高效率,降低成本。此外,原始机电设备状态数据可能存在数据缺失、数据冗余、数据错误等数据问题,接入智能运维平台后需要进行数据清洗;同时,故障分析等智能运维的基本功能依赖充分的标签样本数据,该数据的产生也需要人工成本。针对机电设备运维智能化产生的数据预处理需求和标签数据成本问题,本文主要研究结构化数据清洗方法和少量标签样本故障预测算法,主要工作总结如下:（1）为满足高效率、低成本的机电设备数据处理需求,引入大数据处理框架Spark;为了提高数据接入、处理和存储的可靠性,设计了机电设备智能运维平台系统,分为数据接入服务及数据清洗、故障分析模块、分析结果反馈三层。实验表明,该平台实现了对大量机电设备数据的快速接入、可靠存储和高效分析功能。（2）提出了一种基于独立森林算法（Isolation Forest,IF）的机电设备数据清洗方法,实现机电设备原始数据预处理,针对数据错误进行异常检测和误差校正。实验表明,该算法通过对机电设备原始状态数据的清洗,提高了数据质量,有利于数据分析。（3）针对数据分析需求充足标签样本数据对应的成本问题,提出了一种基于改进独立森林和梯度提升树（Gradient Boosting Decision Tree,GBDT）的半监督学习算法IFGBDT,通过独立森林算法基于少量标签样本的学习结果为无标签数据补充标签;并使用梯度提升树算法基于新标签数据集训练模型用于故障预测,从而减少缺乏标签对预测模型精度的影响。实验表明,该方法提高了分类精度,具有良好的少量标签适应性能和并发性能。