物联网通过网络连接物与物,然后通过数据收集、分析和自动操作等创造新价值,而工业物联网就是产品、传感器、生产设备等通过无线或有线网络连接。工业物联网提出以后,制造业、物流、石油、天然气、运输等多个行业都开始将其目光投入。而工业中主要产生的是时间序列,对工业时间序列进行分析可以探索数据,以此提高产品质量、避免事故和减少环境影响。更加重要的是,分析结果提供可操作的见解,使工程师在做出更明智、更受数据驱动的决策时能够节省时间。针对不同工业领域出现的问题,论文根据工业时间序列体量大、来源广泛的特点,在小波变换和神经网络模型框架下进行研究。首先本文针对工业时间序列的特点以及工业物联网目前对整体时效与应用的需求,经过对不同时序数据库进行研究对比,选取Influx DB数据库作为工业时间序列的管理工具。Influx DB时序数据库具有快速写入和多接口查询的特点,有利于开发人员对带有物联网设备的传感器数据等工业时间序列进行管理,以便后续对数据的处理与分析。然后针对刀具磨损状态监测场景下进行工业时间序列分析的问题,提出一种基于Adam优化算法、Savitzky-Golay平滑算法的小波变换和神经网络模型。小波变换对于时间序列提取频率特征具有普适性,所以将这样的特征用于状态监测具有良好的效果。由于数据的前后状态具有相关性,采用具有卷积性质的Savitzky-Golay滤波器进行数据平滑可以使得最终的状态监测结果更加精确。实验结果也显示出综合考虑小波特征、Adam优化算法、神经网络、Savitzky-Golay平滑算法的模型在刀具磨损状态监测场景中优于传统模型。同时针对电机故障诊断场景进行工业时间序列分析的问题,提出一种基于Parseval能量定理的小波特征选择方法,从故障发生的特点出发,将选取后的特征进入神经网络后能得到故障发生时的信号,实现了在故障存在和无故障情况下的稳健决策。最后针对涡轮发动机剩余使用寿命预测场景进行工业时间序列分析的问题,提出基于Variance Threshold的小波特征选择方法,在数据较多、需要提取具有代表性的特征时,这种小波选择方法结合神经网络得到的结果能较好的预测涡轮发动机剩余使用寿命。通过对多种工业场景进行工业时间序列分析,利用小波变换和神经网络算法的普适性,针对不同场景下数据特点进行模型优化,不仅可以进行状态监测,还可以进行故障诊断和寿命预测,结合时序数据库在工业场景中的应用,使得整个理论在应用基础上具有可靠性。