工业设备的正常运转是保障工业流程的关键,通过有效的异常检测技术对工业设备进行诊断可以提高员工的检测效率,更重要的是可以避免因设备意外损坏造成的安全事故。可见,异常检测在整个工业生产过程中发挥重要作用。因为工业流程复杂,涉及到的设备很多,并且具有大量传感器进行实时监测,仅仅通过工人按照经验规则进行全面检测显得十分困难。得益于计算机与异常检测技术的不断提升,逐渐由传统的人工现场监管变成大规模的线上运维来对传感器产生的工业数据进行实时监控。为提高工业设备异常检测的效果,本文分别从异常检测的网络模型和阈值两个方面进行优化,并设计实现了工业设备异常检测系统。本文的具体研究工作分为以下四个内容:（1）实现了一种基于BiGRU-Attention模型的无监督异常检测方法。首先利用BiGRU网络同时提取数据的正向和反向特征信息,将两个方向信息进行学习与互补。其次针对设备会因为外在或者内在因素导致运行数据产生波动和噪声的问题,通过引入注意力机制,对特征维度信息进行挖掘,将重要的特征变量分配更多的注意力以突出关键特征对预测结果的影响。通过对比实验分析验证了该模型在异常检测上的效果优于其它对比实验模型。（2）提出了一种基于PSO-BiGRU-Attention模型的无监督异常检测方法。利用粒子群优化BiGRU-Attention模型的神经元数量、学习率和批处理大小参数,在节省人工调参时间的同时,尽可能得到更优的网络参数。实验表明通过粒子群优化后的模型具有更低的预测误差和更高的异常检测精确率。（3）提出了一种基于LOF-POT模型的异常检测自动阈值选择的方法。通过引入LOF算法和POT模型,结合邻近方法和统计方法对异常分数进行综合考量,将两者结合起来作为最终的异常判定结果。实验表明该模型的精确率和召回率相较于固定阈值有所提升,具有良好的自适应性。（4）设计并实现了工业设备异常检测系统。对设备异常检测进行需求分析与系统实现,将本文提出的异常检测方法运用到该系统之中。系统不仅支持对传感器数据的存储与查询,并且支持用户根据异常检测的需求创建不同的异常检测模型,实现了对传感器数据的管理和分析功能。