在智能制造的背景下,锯床行业寻求智能化解决方案实现产业升级。目前国内生产的锯床普遍存在以下问题:不能远程获取设备的实时运行状态、锯切参数;锯床在工作过程中,无法获知带锯条磨损状态,很难预测锯条的剩余寿命;实时监测数据量过大,可视化绘制实时性不高,并且数据处理开销大。为了实现远程数据获取和实时监测,本文设计和实现了一套基于物联网技术的带锯床在线监测系统:通过自主研发的智能网关,向下对接锯床控制器,实时收集终端设备采集的参数信息,向上通过Wi-Fi上传到云平台进行处理分析。云平台将处理的数据分发给Web端和小程序,提供可视化展示、远程控制等功能。该系统实现了在线监测、远程运维、故障预警等实际功能需求。为了进行带锯条剩余寿命预测和提高锯条磨损识别精度,本文提出了一套基于自适应噪声完备集合经验模式分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和改进人工蜂群（Artificial Bee Colony,ABC）算法的支持向量机（Support Vector Machine,SVM）锯条磨损识别和预测方案。将采集到的切削力、振动信号进行CEEMDAN分解,选取峭度值作为特征向量,通过改进的时序混淆ABC算法优化SVM模型参数c和g。测试表明,改进算法可以将磨损识别准确率提高到94.01%,大于标准算法的87.88%,满足需求设计。为了降低海量监测数据的处理开销、优化可视化绘制性能,本文提出了一套基于改进的最大三角形三段（Large Triangle Three Buckets,LTTB）算法的降采样方案。为了采样后尽可能保持原始数据曲线特征,通过基于距离和离散程度的自适应选取分段点的改进设计,减少LTTB因平分各段导致的“尖峰”丢失问题。实践表明,降采样十倍后,改进算法对尖峰点的覆盖率仍有87.4%,比标准算法提高了13.3%。SVM前期数据处理速度提升了一个量级,且提取的峭度值相对误差在6%以下。结合ECharts的实例拆分优化设计,可视化绘图操作的耗时减小数十倍,内存占用减小超过30%。该方案大幅降低了锯床监测数据的处理开销,优化了数据可视化的性能和内存占用。