我国地质环境复杂,各种地质灾害频发,时刻威胁着道路交通安全。需要通过监测系统监测边坡坡面的滑动情况,对边坡安全状态进行监测与预警。现在常用的方法是通过监测系统进行监测。但野外监测设备环境复杂,监测设备维护成本高,效率低。物联网设备的工作模式、故障类型各不相同,目前没有适用于本文研究的监测设备的故障诊断系统。本文结合实际边坡监测设备的应用场景,研究了时间序列预测算法与聚类分析方法,设计研发了基于异常数据分析算法的边坡监测设备的故障诊断系统,解决了边坡系统的数据可靠性问题。本文主要工作包括:（1）设计并实现了故障诊断系统。论文分析了边坡监测设备故障诊断系统需求。针对其工作模式及特点,提出了一套基于时序预测算法的故障诊断方案。基于此套方案,完成了故障数据采集系统的研制。（2）对故障诊断系统的算法进行了研究与实现。论文采用时间序列预测算法及聚类分析算法,针对数据特点,提出了基于改进ARIMA（Autoregressive Integrated Moving Average model）的故障诊断算法。本文的故障诊断系统,能够较好地通过远程数据分析对设备进行故障诊断,极大地提高了设备维护的效率。（3）本文对实际故障诊断系统进行了功能测试和应用。结果表明系统能够对监测系统产生的故障进行诊断。论文在预测模型参数和模型对比等方面对基于时序预测的异常点检测故障诊断算法进行了分析。实验结果表明,本文提出的设备故障诊断算法,在工程应用中,故障识别率为98.13%,故障误判率为1.05%。在效率以及准确率等方面能够很好地满足工程应用的需求。