长期以来,我国工业实现规模扩张,促进经济增长的主要途径是通过大量消耗资源和能源。随着工业4.0概念的提出,工业制造想要转型升级,精益制造则成为了关键一步。OEE是评价精益制造的一个关键性指标,该指标作为一种简单实用的生产设备管理工具,在欧美、日本和中国等国家已得到广泛应用,基于OEE分析的企业管理可准确清楚告诉你设备的使用效率情况、出现生产环节损失的原因以及相应的改善工作,进而通过减少设备故障、维修、质量控制成本,提高生产力及效益。改善OEE不仅可以提高设备生产效率,同时可以帮助企业及时发现并维护生产问题,提高企业核心竞争力。随着物联网技术的蓬勃发展,现代工业会在其重要的工业设备上部署采集设备工作和运行状态的传感器,传感器在监控设备运行状态的同时,会定时采集这些数据并传输到数据中心,这为设备运行的分析提供了重要数据支撑,可以挖掘数据中的隐藏信息并用于识别设备的运行状态,从而进一步改善企业设备OEE。然而,由于现代大型设备的大型化,复杂化,在设备运行过程中的一些部件的扰动会不断传递给其他部件,这使得设备运行状态呈现复杂化的特点,同时,爆发式增长的传感器监测数据难以及时进行存储、传输与计算,传统的统计分析方式难以用统一的模型来对这些设备的运行状态数据进行融合分析。这种背景下,基于大数据的人工智能状态分析方法提供了一种全新的解决思路和技术手段。本文针对汽车制造业中最重要的生产设备--冲压设备为对象,提出了基于大数据背景下利用深度学习技术分析设备运行状态的方案,并设计了冲压设备运行状态监测分析系统。该系统利用大数据和人工智能技术解决了海量工业数据的存储、计算以及设备运行状态分析等问题。本文首先通过对设备运行状态分析方法的研究,针对传统的基于LSTM的设备状态分析算法中存在的不足,结合冲压设备传感器数据特点,对原有算法提出了改进方案,设计了一种融合注意力机制的CNN-LSTM状态分析算法模型,该模型在保留LSTM对时间相关性序列的处理优势的基础上,利用卷积计算降低数据维度,捕捉局部特征,同时考虑了特征的重要程度差异性。本文通过实验仿真证实该算法比原有算法具有更加准确有效的设备状态分类能力。之后本文提出冲压设备运行状态监测分析系统的设计及实现方案,并在最后对系统进行了相关功能性测试。经过测试,本文实现的系统基本满足冲压设备综合效率分析及改善的需求,能够在很大程度上解决工业设备精益化管理的痛点。