随着工业物联网的全面发展,现代工业系统已呈现智能化的发展趋势。机电设备作为工业生产活动中重要组成部分,在智慧交通等领域应用广泛。高速公路机电设备内部结构复杂,运行环境恶劣等因素导致机电设备发生故障的可能性大幅提升。目前,高速公路机电设备的故障检测普遍采用传统的云计算模式,海量数据的远距离传输占用大量网络带宽,并存在高延迟现象。针对高速公路机电设备故障检测的实际应用场景,本文对基于边缘智能的机电设备故障检测服务进行研究,本文主要研究内容如下:（1）为实现机电设备数据的故障检测,本文设计了基于边缘智能的机电设备故障检测服务平台。平台架构分为终端设备层、边缘节点层、云中心层,提供了数据采集、网络通信、数据存储、数据交互、边缘设备接入和故障检测等功能。（2）针对机电设备数据不平衡性、噪声性、多样性的特点,本文设计一种基于无监督学习的VAE-GRU的深度学习模型。无监督学习的故障检测方法无需标签样本,可减少大量人工成本,并解决监督学习因数据不平衡引发的过拟合问题。VAE模型不仅可以过滤机电设备数据中的噪声,而且可自动提取时序数据潜在特征。GRU模型具备预测功能,将GRU模型嵌入在VAE模型编码器和解码器之间可检测机电设备局部故障和周期性故障,将VAE-GRU模型应用于机电设备故障检测具有高准确率和高召回率的优势。（3）为解决云计算模式下故障检测服务高延时、高并发的问题,本文将边缘计算、云计算与故障检测进行融合,设计一种基于边缘智能的VAE-GRU故障检测模式。通过将机电设备故障检测任务进行分割,云中心和边缘节点之间通过协同的方式对机电设备进行故障检测,旨在解决边缘节点资源受限的问题,同时在数据源头附近提供通信、计算和存储资源,从而降低数据响应延迟和提高故障检测服务质量。（4）针对边缘环境的动态性,机电设备业务不断发生改变,基于边缘智能的VAEGRU故障检测模型进行持续学习,云中心计算机电设备数据维度相关性系数,并对VAE-GRU模型进行迭代训练,通过不断更新边缘节点模型库保障边缘故障检测精度。