齿轮箱作为大型旋转机械设备中能量转换的核心部件,被广泛的应用于各种旋转机械设备当中。如果齿轮箱中的关键零部件轴承或者齿轮发生故障将导致齿轮箱发生故障,造成生产事故,可能会造成经济损失和人员伤亡,因此有必要对齿轮箱进行故障诊断。如今的机械故障监测系统使用的传感器的种类和数量越来越多,需要监测的周期也越来越长,各类传感器数据急剧增长,机械故障诊断已经进入了大数据时代,大量传感器数据的分类和存储变得十分困难。构建基于物联网的远程齿轮箱故障诊断系统是机械故障诊断大数据背景下的有效解决方案。本文在物联网的感知层获取各类用于故障监测的传感器的数据,通过物联网网络层将感知层获取的传感器数据发送到物联网应用层,在物联网的应用层搭建物联网后台,有效的解决大数据背景下的机械故障监测系统的传感器数据分类和存储问题。同时,在物联网应用层构建基于人工智能的机械故障智能诊断系统,充分利用并行计算技术,大大的提高了机械故障诊断的效率。基于物联网的机械故障诊断系统,有效的将故障诊断中心和故障诊断现场分离开,故障诊断现场通过物联网网络层将故障数据发给应用层的诊断中心,诊断中心就可以给出响应的诊断结果,非常的高效和灵活。本文采用物联网分层次开发,构建远程齿轮箱关键零部件的故障识别系统,在物联网的感知层,采用嵌入式开发技术,创新性的提出了基于连接的无线传输方案,在进行数据传输前,主从控制器先进行三次握手建立无线连接,有效的防止了实验现场电磁干扰。同时提出了微控制器无线唤醒融合低功耗软件方案,给出了感知层数据采集系统低功耗和远程启动的解决方案。在物联网的网络层采用4G模块作为数据传输方案。在物联网的应用层,本文创新性的提出了基于注意力机制的卷积神经网络融合双向门控循环单元（CNN-Bi GRU-AM）的齿轮箱关键零部件故障识别模型。卷积神经网络对故障数据进行信号的空间特征提取,门控循环单元网络对故障数据进行基于时间的特征提取,组合卷积神经网络和双向门控循环单元网络则对输入信号的时空域特征提取,在组合模型后又创新性的引入注意力机制,注意力机制可以将模型提取的特征进行加权,让模型在进行判断时更加的注重重要特征。在模型的设计上,模型的卷积层具有第一层大卷积核后续层堆叠小卷积核的重要特性,使得模型在可以有效的提取短时特征的同时增强了模型非线性变换能力。堆叠小卷积核同时也有效的减少了模型的参数量。模型的循环神经网络部分采用双向门控循环单元网络,使得每次输出都综合了过去和未来的记忆,能更准确的全方位把握输入的时间序列信号的特征的相互依赖关系。模型应用在实验室的故障齿轮数据和CWRU的故障轴承的数据上,识别率均在99%以上。