智能制造是工业信息化后的必由之路。在纺织业信息化转型取得一定成果之际,应考虑更好地利用大数据挖掘信息助力生产应用。并条机是结构复杂的纺织机械设备,从其监控质量参数波谱图中能提炼出丰富的设备状态信息,对设备的故障预防和健康管理极具应用价值。这种应用适合在靠近生产终端的网络边缘场景中运行,既能保障服务在边缘侧运行的可靠性和稳定性,又能减少服务对云端计算和存储能力的依赖。因此本文设计了面向云边协同的并条机故障诊断与健康管理（Prognostics Health Management,PHM）系统。将云端强算力和边缘端高实时优势结合起来实现对现场并条机运行状态的快速诊断及健康管理。首先,将基于机器学习的数据分析技术与生产管理的需求相结合,设计了面向云边协同的并条机PHM系统的云-边-端总体架构,分析了各部分的功能需求及实现方案。其次,结合前期从纺织装备企业并条机采集和存储的波谱图数据,将并条机机械传动部分的机械故障与波谱图数据进行了关联分析,并按照得出的故障识别规则对存储的历史波谱数据添加了类别标签,将故障诊断转化为机器学习领域的分类识别问题,将多种典型机器学习算法在并条机波谱图数据的识别应用进行了对比分析。最后,基于KubeEdge框架完成了PHM系统开发:通过容器化应用完成云边应用统一架构;通过边缘本地化存储元数据实现边缘端服务离线自治;通过将云原生的容器编排和调度能力迁移到边缘端实现云边资源协同;通过云端训练分类模型,边缘端运用模型推理实现云边智能协同;通过边端对实时数据处理和诊断分析,根据健康评估结果指导生产和设备维修决策。最终实验验证了并条机PHM系统云边协同等各方面能力,包括系统集群统一管理、云边资源协同、云边智能协同和边缘离线自治等功能都表现良好。