在当今整个工业系统迈向全面智能化转变的背景下,大数据已然成为制造业一个鲜明的特征。物联网等技术的应用使得更多的信息可以被收集,这些数据能实时的反应出设备的健康状态和性能变化,其中蕴含着大量的故障知识。然而,由于工业大数据太过分散、冗余、异构、价值含量低等原因,并没有得到有效的利用,传统故障诊断技术已经无法有效的处理,如何利用这些大量的数据开展大型机械设备的故障信息分析就成了一个难点。因此,本文以提升设备故障智能诊断水平为研究目的,对基于大数据技术的机械设备故障信息分析技术进行研究。结合滚齿机自身故障信息特点,对目前滚齿机故障信息分析存在的问题进行了分析,在此基础上提出了基于Hadoop的滚齿机故障信息分析平台总体框架,建立了一个统一的数据环境,将故障相关信息进行整合,对面向服务的滚齿机故障信息服务模式进行了研究;针对滚齿机故障信息参数多、数据量大等问题,基于MapReduce并行架构实现了故障信息的并行处理,采用PCA(主成分分析法)对故障信息特征进行特征融合。利用MapReduce并行框架对传统随机森林进行扩展,基于信息特征的信息增益确定分类原则,可以并行训练出具有大量数目决策树的复杂随机森林模型。基于以上研究成果,在基于Hadoop的滚齿机故障信息分析平台总体框架和关键技术的支撑下,搭建了基于Hadoop的滚齿机故障信息分析试验平台,实现了基于MapReduce框架的并行随机森林故障分类算法,利用五种不同类型故障状态下的故障数据,基于余弦相似性度量进行相似重复记录的预处理,基于主成分分析法获得故障信息特征作为训练集,获得并行随机森林模型之后,利用测试集进行测试,结果表明,随着决策树数量的增加,故障分类正确率不断提高,验证了本文提出的基于MapReduce扩展的并行随机森林故障分类模型的有效性。