现今大量结构复杂的车身焊接设备被应用于焊接自动化生产线上,这类设备一旦发生故障,不仅会导致生产中断,也使得维修工作变得更加复杂,难以快速恢复生产。因此,需要对故障进行提前预测,以便提供预见性的维护措施,以降低设备故障率,提高生产系统可靠性。本文基于知识工程的视角,并结合车身焊接设备运行数据呈时序性的特点,提出了基于深度学习和知识图谱的车身焊接设备预测性维护方法,并建立了设备预测性维护系统,实现了对所提方法的实际应用。首先,探讨了车身焊接设备预测性维护的系统框架,对故障预测、数据采集、知识图谱构建等关键技术进行了研究。并针对设备预测性维护数据难以获取的问题,设计了客户端录入、OPC协议采集等四种数据采集方式,实现了对设备运行数据及设备故障文本数据的采集。其次,从设备历史运行数据出发,提出了基于多状态时间序列预测学习的车身焊接设备故障预测方法。通过对设备特点及常见故障的分析,确定出了预测模型的输入和输出;在此基础上建立了基于长短期记忆（LSTM）网络的运行状态时序预测模型,并结合设备实时运行数据对未来运行状态数据进行预测。同时采用k-近邻（k NN）算法分析状态数据与故障之间的关联性,对未来可能发生的故障进行预判。使用采集的原始数据进行实验分析,验证了预测模型的有效性。再次,以故障预测结果为依据,提出了基于知识图谱的设备预测性维护方法。根据设备维护记录等数据,采用自顶向下的方式构建了故障知识图谱,由此将故障预测结果作为搜索条件,从车身焊接设备故障知识图谱中检索出含有故障部位、原因、措施等信息的预测性维护方案,从而为维护人员提供了决策支持。最后,根据本文所提方法,并以某新能源汽车焊装车间的车身焊接设备为例,开发了设备预测性维护系统,验证了方法的有效性和可行性。