钢铁冶金工业中,运维检修工作是保障各类设备正常运行的基础,知识库是提高设备运维管理效率的有效途径。钢铁企业通过构建运维知识库,能够实现知识的有效沉淀,降低运维技术门槛并减少运维成本。针对传统运维知识库故障识别数据来源单一以及规则更新问题,采用与人工智能算法相结合的方法,构建了基于深度学习的智能运维知识库系统。本文主要研究内容与创新点如下:（1）提出了基于深度学习的智能运维知识库系统架构。从钢铁厂设备运维需求出发,对基于传统知识库的设备运维流程进行分析,总结出传统运维知识库存在的故障识别数据来源单一以及知识库规则更新困难问题。通过在传统运维知识库系统基础上融入巡检图像分类模型以及短文本相似度模型,结合知识图谱的表示方式,完成新的运维知识库系统设计。（2）针对运维知识库故障现象识别问题,提出了巡检图像分类模型DRSF-Caps Net（Deep Residual Shrinkage Fusion Caps Net）。利用深度残差收缩网络结合特征融合策略对胶囊网络的特征提取结构进行改进。通过深度残差收缩网络结构解决了图像噪声导致的模型鲁棒性问题。同时,特征融合策略有效地应对了图像多尺度问题。实验证明,改进后的模型具有较高的分类准确率和良好的鲁棒性。（3）针对工单字段与知识库规则字段的语义匹配问题,提出了短文本相似度模型TSN-MAF（Text Similarity Network based on Multi-Attention Fusion）。通过改进的多注意力机制融合模块,模型能够更全面地筛选出重要特征,从而解决模型信息过载的问题。实验证明,该短文本相似度模型在工单字段与知识库规则字段的语义匹配任务上具有较高的准确率,能够较好地辅助知识库规则更新。本文结合巡检图像、运维工单数据,将深度学习算法融入运维知识库,提升了知识库对运维数据的挖掘能力。通过研究巡检图像分类模型,从巡检图像数据中挖掘更多仅凭物联网采集的结构化数据无法发现的设备故障信息。通过研究短文本相似度模型实现了工单与知识库规则字段的语义匹配,辅助运维知识库规则更新。该研究为人工智能在工业运维领域的应用提供了思路。