随着大数据、人工智能、物联网等技术发展,钢铁企业积极开展智能制造,以实现产业升级。设备智能运维作为智能制造核心要素,其目的是保证设备可靠运行,合理降低维护维修投入。热轧产线关键设备复杂度高、自动化程度高且造价高昂,生产中伴随着高温、高速、高粉尘,给设备运维带来了巨大挑战。传统设备运维主要依赖于点检运维和定期维修。点检运维工作不但不能实时掌控生产工况,而且恶劣环境影响点检人员的安全与健康;而定期维修存在着维护不足和维护过度,浪费大量资源。热于热轧产线关键设备精轧机的工况监测与维护尤为重要。采集精轧机工况参数,进行实时监测,结合工艺和故障诊断技术分析产线异常,将传统设备运维方式转化为以数据驱动运维方式。本文基于堆叠LSTM建立时序异常检测模型,实现对精轧机工况参数自动检测,并对精轧机系统结构进行层次划分,实现了精轧机结构与状态信息集成与建模,结合生产工艺设计了精轧机异常工况检测系统。本文主要研究内容如下:（1）基于堆叠LSTM的异常检测方法研究。以LSTM神经网络理论为基础,针对工业生产中异常样本少的情况下,提出了基于堆叠LSTM无监督异常检测方法。以精轧机主电机产生的振动时序数据作为研究对象,首先对正常样本进行学习,提取时序数据内在分布与趋势特征,然后计算预测残差并构建异常检测指标,最后通过实验验证该算法的有效性。（2）精轧机异常处理方法研究。本文以精轧机作为研究对象,分析了精轧机结构与工艺,将精轧机系统参数进行分层,每个参数作为一个节点,并对节点的位置、属性、状态、异常传播方向、异常程度信息进行集成,并建立节点与节点之间的抽象模型。通过节点定位与异常追踪,提出了层次异常处理方法。（3）精轧机异常工况检测系统设计与实现。根据需求和热轧工艺设计了精轧机系统异常工况检测系统总体架构。该系统包括工况监测、异常检测、故障诊断、根因分析等模块,可以实现数据采集与传输,工况异常检测,旋转设备振动监测与故障诊断,轧机状态综合评估等功能。