设备安全直接关系到经济建设平稳运行、人民生命财产安全和社会稳定,本文针对工业设备大型化、种类多、数量大、参数高的状况带来质量及安全管理的复杂性难题,对传感器采集的工业设备监测数据进行分析,建立工业设备异常和健康状态智能检测模型,检测数据异常,诊断设备的健康度和异常概率,以保障工业设备的稳定安全运行。本文以工业设备时序数据为研究对象,针对传统的工业设备异常检测方法存在通用性较弱、精确度和数据利用率较低等问题,提出一种工业设备时序数据预测和异常检测模型,包括预测模型EGA和异常检测模型PIS（后者依赖于前者的预测结果）,以提高工业传感器数据的预测精度和异常检测精确度,并将模型应用到参与研发的国家重点研发计划项目中。本文研究的主要工作内容如下:（1）归纳总结国内外时序数据预测和异常检测的算法模型,分析传统预测模型泛化能力不足、精确度低,传统异常检测模型存在异常分类不全面、准确率低等问题。分析时序数据特点和异常分类方式,提出基于预测的时序数据异常检测算法以改进当前模型存在的问题。（2）提出一种工业设备时序数据预测模型EGA（EWT-GRU-Attention）,针对传统时间序列预测方法存在通用性较差的问题,采用EWT经验小波分解的方法对时间序列数据进行分解,结合注意力机制对GRU模型进行优化,以求提高循环神经网络的预测精度。通过在真实数据集中对EGA预测模型进行训练调参,对比实验验证了组合的预测模型的有效性和准确性。（3）针对现有方法的缺陷,提出一种工业设备时序数据异常检测模型PIS（Predict-Isolation Forest-SAX）,将时序数据异常分为单点异常值、波动异常点、异常序列。利用EGA预测模型的预测结果和真实观测值得到残差序列,结合孤立森林、改进的SAX字符聚合表示对残差序列进行分析,以检测原时序数列中不同类型的异常。在真实数据集中对PIS模型进行实验,结果表明该模型具有较好的异常检测效果。（4）针对典型工业设备检测监测云平台的实际场景,将上述基于预测的时序数据异常检测模型应用于工业设备检测监测云服务平台研发项目。利用相关的软件研发技术,结合软件工程实践方法,设计并实现工业设备时序数据的预测和异常检测子系统。