工业设备和机器随着使用年限的增加,会出现不可逆转的损坏,此种损坏称为工况劣化。因不同场合的设备使用环境不同,使用频率也不同,导致工况劣化的时间和程度无法准确判断,这种不确定性给生产造成了很大的隐患,也间接影响了企业的经济效益。随着大数据的发展,以及物联网技术的突破和更新,工业智能化解决传统问题逐渐成为工业发展的突破口,成为打开新方向大门的一把钥匙。用大数据分析技术和机器学习去预测工业设备的工况劣化成为一种新兴的、可行的方式,探索这种可能性以及应用效果具有重大的意义。针对上述背景和目的,设计了基于大数据的设备故障监测系统。用户可以导入外部数据集,对其进行数据预处理操作,使之成为可供使用的训练集,再选择特定的算法生成模型,最后运用生成的模型对测试数据进行测试,起到故障监测的作用,并按照软件工程的流程开发实现了系统。通过对系统的需求分析,明确了系统要实现的功能,通过visio画出功能模块结构图,并给出系统的总体架构图,根据架构图,完成了系统数据库概要设计和数据库表设计。根据需求分析与设计的成果,编程实现了一个基于大数据的设备故障监测Web系统。经过科学的、针对性的系统测试,系统能正常的运行,各个模块能协同工作,完成了设备故障监测系统的整个供需流程。总而言之,该系统完成了客户的要求,相较于传统的人工检测方式,该系统不仅能帮助企业尽快地发现问题,定位到损坏设备,而且极大的减轻了企业的人力成本,大大提升了工业设备监测工作的效率和准确度,从而提升了经济效益。