本文研究基于深度学习的制造车间设备状态监控系统,将其拆分为数据采集、状态监测两个过程,针对制造车间内设备新旧不一、门类广泛、品牌众多、监控要求复杂多变的特点,从车间设备数据采集、状态数据监测分析等几个方面进行分析研究,并设计了相应的解决方案。首先,对OPC技术进行了分析研究,采用多线程可配置的客户端设计方式,建立基于OPC技术的数据采集模型,以实现多设备、多任务的状态数据集成采集;其次,从图像处理的角度出发,针对OPC无法采集的设备数据,分析可行的数据采集方式,通过设计数据采集文本识别神经网络,建立界面分割与文本定位识别相结合的数据采集模型;然后,分析了状态监测的概念及任务,在研究了常用状态预测技术的基础上,结合车间设备状态数据特点,提出了基于状态的维修方式与长短时记忆(Long Short-Term Memory,LSTM)时序分析神经网络融合的设备状态数据监测模型;最后,阐述了制造车间设备状态监控系统的运行原理,将基于OPC、深度学习的数据采集模型与状态数据的监测模型结合,采用并行运行的方式构建系统的总体架构,设计和开发了系统原型,并进行了系统效果的验证。研究基于深度学习的制造车间设备状态监控系统,能够帮助员工及时获取设备状态信息,并对这些运行数据进行监测处理,判断设备当前及下一时刻的状态,进行预防性的维修诊断决策,以减少备件、降低成本、提高设备利用率。