制造业快速发展,系统设备的故障维修问题随之而来,设备的故障预测与健康管理成为众多学者们广泛研究的领域。其中基于数据驱动的研究方法随着物联网和传感技术的发展,得到了快速发展。但是工业物联网边缘端的数据呈井喷式增长,之前采用的将所有数据上传至云端,由云中心集中处理的方式,逐渐暴露出其成本高、延时大等问题,边缘计算的方式应运而生。在边缘端进行故障预测的优点是在快速对数据进行分析处理的同时,解决大量数据在传输过程中产生的带宽不足,延时过高,成本过高的问题。而边缘计算与人工智能的结合,进一步强化了边缘故障预测这种应用场景。故障预测主要由数据采集、数据处理、状态检测、健康预测、预兆评估和提出建议等步骤组成。本文主要针对在边缘端进行设备故障预测的智能算法进行了研究,主要的工作和研究成果如下:1)本文根据边缘端故障预测的需求提出了一种改进的极限学习机算法进行边缘端故障预测。通过模型压缩来降低算法的复杂度和计算量,对模型隐含层中的冗余节点进行了裁剪,并在实时监测数据加入后更新模型,在有限模型规模的前提下提高预测的准确性。最终通过齿轮工况数据验证了模型的有效性并且证明了该算法适用于边缘端的故障预测。2)由于边缘端采集的数据量大且种类多样,设备的故障状态可由多种类型数据共同表征,同时边缘实时监测往往缺乏全寿命周期数据。因此提出了一种K均值聚类的方法对多种数据表征的退化状态进行故障阶段的划分,在有限的先验数据条件下完成实时故障预警,为系统设备的维修策略制定提供相关可靠依据。最后利用齿轮试验台的多类型数据验证了本文提出方法的可行性,证明了该算法能对故障阶段进行准确划分,预测故障的出现。