物联网（Internet of Things,IoT）是一项逐渐兴起的技术,实现众多行业的智能化,使得有限的资源能够更加合理的分配使用,从而提高行业的效率和收益,如智能工业、智能交通、智慧社区以及远程监控等。工业物联网（Industrial Internet of Things,IIoT）作为物联网技术中最大和最重要的组成部分,充当了智能制造中信息和实体之间通信的桥梁。工业锅炉系统通过实时监测控制感知层的物理设备,实现资源的调度和分配以降低资源消耗和提高制造效率。工业锅炉系统中连接了海量的数字设备,包括传感器、控制设备、制造机器和终端设备等,这将会产生大量的数据。由于锅炉系统中的传感器环境恶劣,收集的大数据不可信,严重影响云端的判断和反馈。依赖传感器节点进行数据清洗的方法不足以处理大数据,结合移动边缘计算（Mobile Edge Computing,MEC）技术和数据清洗方法正好可以解决以上的问题。MEC通过将传感器节点、聚合节点和云服务的一些工作转移动边缘服务器上,除了可以减少云服务器的工作量来提高云的性能,还可以减少数据的传输时延,这是因为边缘服务器更加接近工业的感知层设备。所以本文主要研究了基于MEC的工业物联网大数据清洗的方案。首先,由于工业锅炉系统中的数据量太大,以至于需要消耗大量的资源进行计算分析,而且这些数据的维度过大,这使分析人员陷入“维度灾难”的困境,在实践中也难以进行有效的分析。因此,本文提出了一种以核函数的主成分分析（Kernel Principal Component Analysis,KPCA）的方法,用来挑选一些有价值的数据,将高维混合数据嵌入到连续空间中。将它构建成一个连续的、降维的物理数据,使得与低维连续域的异常检测算法相匹配。其次,基于数据降维的前提下,本文提出了隔离森林（Isolation Forest,i Forest）的异常值检测算法。在工业数据中,难以避免地会产生噪声、数据错误和数据丢失等异常信息,而异常数据不仅会增加上传的带宽和节点的能耗,还会严重影响分析的结果。为了提高服务器的处理速度来满足工业领域上的空间和时间上的要求,需要空间复杂度和时间复杂度低的算法。根据上述情况,提出一种基于整体数据的异常值检测算法。通过与K最近邻（K-Nearest Neighbor,KNN）算法与支持向量机（Support Vector Machine,SVM）算法来作比较,证明隔离森林算法在工业锅炉系统中的数据清洗有着更高的精确性和高效性。最后,利用软件Jupyter notebook对本文提出的i Forest算法进行数据仿真。仿真结果表明,KPCA的算法可以对工业数据进行降维,选择出有效的属性。基于KPCA方法下的i Forest异常检测算法不仅具有高准确性和高检出率,而且执行效率也得到了巨大的提升。