过去几十年,随着各种监控设备的数量激增,设备的故障问题日渐严重,故障诊断技术越来越受到人们的重视。与此同时,监控设备生成的数据量也在急剧增长,如何从这些数据中获取有价值的信息,已成为故障诊断领域的研究热点。另一方面,在实际中,监控设备运维费时费力的问题给企业带来巨大困扰。针对监控设备运维难度大、故障难处理等问题,通过实际调研,本文设计开发了一个监控设备状态监测平台,对监控设备进行高效率的运维管理,并且针对平台在管理监控设备过程中出现的故障问题进行研究,利用平台采集的监控设备数据,提出相应的解决方法,改善平台体验。论文主要工作有:（1）使用Relim算法对监控设备状态监测数据进行挖掘,生成监控设备的故障关联规则,对监控设备故障进行分析。监控设备数据具有模式长且数据量大的特点,基本的Relim算法不能很好的解决当前问题,因此,引入超团模式并且提出频繁项集分解的方法。实验表明,改进后的Relim算法能提高对监控设备状态数据的挖掘效率,提升性能。（2）为了能更精确地预测监控设备故障,建立了基于LSTM神经网络的监控设备故障预测模型。在提取监控设备时间序列数据的特征的过程中,发现监控设备的故障类型众多,训练过程中有多种参数,手动调参数比较复杂,因此引入优化后的人工蜂群算法对LSTM模型进行参数调优。通过对故障预测模型的训练,使得模型在面对不同采集频率,不同故障类型的数据时,故障预测率可达到96.6%。实验证明改进后的LSTM故障预测模型能很好的应用在系统中。（3）使用Spring MVC+Rabbit MQ+Vue.js技术设计并搭建了一个通用监控设备状态检测系统,并且将两种故障诊断方法融入到系统中,在系统上实现故障诊断技术,解决监控设备的故障问题。最后,对系统的功能和性能进行了测试,结果表明平台对监控设备运维管理的高效性。