传统工业设备运维的定期维修模式,导致设备存在维修不及时、运维成本高等问题。基于人工智能算法的设备故障诊断的出现为设备运维提供了新的解决方案。当前大多数针对设备故障诊断的研究停留算法理论层面,未结合具体工业设备运维场景,诊断模型实际效果有待验证。基于数据驱动的故障诊断是当前故障诊断领域的主流方向,但它对传感器数据质量和故障诊断算法的性能要求较高。将故障诊断集成到物联网系统中直接获取设备监测数据进行故障诊断模型的训练预测,极大提高模型的准确性。本文结合实际工业物联网应用场景,研究了工业数据采集技术和卷积神经网络故障诊断算法。设计研发一套工业物联网云平台系统对各式工业传感器采集的数据进行监测分析存储。设计基于卷积神经网络的故障诊断模型,将其集成到工业物联网云平台系统之中,完成对设备状态的实时监测与运行状态估计,并给予运维建议。本文主要工作在以下三个方面。研究工业物联网的相关技术,对应用在工业物联网云平台系统中的工业传感器技术、工业信息采集技术以及工业物联网数据传输协议进行选型调试,实现设备状态数据采集上传的完整数据链路。设计开发工业物联网云平台系统。系统选用B/S(Browser/Server)架构,利用JAVA编程语言及一系列开发组件设计开发工业物联网云平台。系统运用消息中间件Kafka集群提升平台的数据通讯能力,最后将其部署到服务器之上,其中基于卷积神经网络算法实现故障诊断系统作为该系统的一个子模块。通过对平台进行一系列的测试工作,验证的平台各项功能完备且性能满足实际需求。针对工业场景各式传感器数据特征提取困难的问题,选择在特征学习方面具有强大能力卷积神经网络,搭建故障诊断模型。使用凯斯西储大学的轴承数据集将CNN故障诊断模型与LSTM算法模型、DNN模型以及决策树进行性能对比。综合考量模型预测精度以及运算时间,实验结果证明,卷积神经网络的故障诊断模型均优于几种对比算法。