智能工厂是智能制造的重要内容,而生产系统性能预测和评估是智能工厂生产控制和决策优化的基础。智能工厂利用传感器、物联网等技术实现物物互联、信息共享、服务协同等功能,其中利用采集的海量多源制造数据,挖掘出制造系统性能指标的演化趋势及数据间的影响规律,实现车间性能预测,有利于指导智能车间的运行优化和自主调控。因此,本文在智能工厂背景下研究基于数据驱动的生产系统性能预测,主要研究内容如下:（1）数据驱动的生产系统性能预测问题分析。对智能工厂下生产系统特点进行概述,指出了从海量制造数据中获取有效信息和构建合理的预测模型是研究的关键,介绍了数据驱动的生产系统性能预测体系结构。（2）生产系统性能预测中的关键信息获取方法。针对智能工厂下制造数据的高维度、非线性、高冗余等特点影响预测精度和运算速率的问题,需要选取特征作为生产系统性能预测的关键信息,提出了一种互信息和交叉变异算子改进粒子群算法（Genetic Algorithm Optimized Particle Swarm Optimization,GPSO）联合构建的两阶段过滤式特征选择方法,其中以Laplacian分值和皮尔逊相关性联合作为适应度函数,采用GPSO算法搜索最优解避免PSO算法早熟。从而获取与性能指标高度相关的数据并去除冗余特征和重构特征,为后期性能预测提供有效的数据支撑。另外采用主成分分析对异常状态进行重要因素识别。（3）考虑时序性和强噪音的生产系统性能预测方法。针对严重的时序性和强噪音导致预测准确率低的经典问题,以特征选择出的关键特征子集作为基础,提出了基于改进的深度自编码器的长短期记忆（Long Short Term Memory,LSTM）网络预测模型,实现准确预测。其中,采用降噪自编码器和稀疏自编码器构建深度自编码器以增强特征学习能力和降噪能力;运用PSO算法优化LSTM网络参数和学习率,提升预测效果。以生产性能指标的加工周期为预测对象,通过实例验证了模型的预测准确率比其他传统模型更高。（4）生产系统性能预测原型系统的设计与实现,为智能工厂车间管理人员提供便捷的性能预测操作系统,有助于完善智能工厂制造执行系统的功能。