电子信息产业已经成为了国民经济和国防建设的支撑之一,而现在衡量一个国家或地区的科技水平的指标通常也包括电子制造装备的水平高低。随着科技的发展,电子制造装备的结构也越来越复杂,然而再高端的设备都无法避免长时间运行带来的设备老化问题,电子制造装备的运行状态会直接影响到企业的生产效率和经济效益。因此,深入研究电子制造装备的状态评估问题具有重要科学意义和实践价值。本文基于大数据分析技术对电子制造装备的运行状态评估问题进行了细致研究,主要包括以下几部分内容:首先,面向电子产品生产线的关键设备,分析了设备状态评估在实际生产中的应用需求,建立了状态评估指标体系。构建了电子制造装备的状态评估模型框架,包括状态评估数据模型、状态评估规则模型和状态评估过程模型。并以贴片机这一典型的电子制造装备为例,给出了状态评估模型的建立方法。其次,分别引入了基于反向传播算法(Back Propagation,BP)神经网络和基于粒子群算法(Particle Swarm Optimization,PSO)的最小二乘支持向量机(Least Square Support Vector Machines,LSSVM)构建了两种电子制造装备状态评估模型,并通过实例验证了两种算法的有效性。然后,引入长短期记忆(Long Short-Term Memory,LSTM)网络作为预测电子制造装备状态的方法,并通过实例验证了LSTM网络具有较好的预测效果。最后,在.NET Win Form窗体技术的基础上,通过使用Visual Stdio软件、MATLAB软件和SQL Sever数据库设计并实现了电子制造装备状态分析管理系统。系统可以实现对电子制造装备的运行状态的监测、评估与预测。并以贴片机为例进行了应用验证。本文对电子制造装备运行状态的评估模型、评估算法、预测算法和管理系统进行研究,并进行了实例应用与验证,建立了较为科学、合理、有效的电子制造装备状态评估体系。