Influenciado por factores como datos de operación de producción complejos, altas dimensiones y débil regularidad, el método existente de predicción de condiciones de trabajo a ultra corto plazo lucha por garantizar la precisión de la predicción y la velocidad de operación. Por lo tanto, proponemos un método de predicción de condiciones de trabajo a ultra corto plazo basado en una red neuronal convolucional (CNN) y una red neuronal de memoria a corto plazo (LSTM). En primer lugar, utilizamos métodos de procesamiento de ventana deslizante y normalización para llevar a cabo el procesamiento de datos, y utilizamos CNN para extraer las características de los datos de operación de producción procesados. En segundo lugar, mejoramos la estructura de compuertas LSTM e introducimos la norma L2, aprendiendo la ley de cambio de los datos de operación de producción mediante la capa de predicción LSTM, y luego obtenemos el valor predicho de la condición de trabajo. Utilizamos el método bayesiano para seleccionar los parámetros del modelo CNN-LSTM para mejorar la precisión de la predicción. Finalmente, aplicamos nuestro método a una aplicación del mundo real para demostrar que nuestro método de predicción de condiciones de trabajo a ultra corto plazo logra resultados superiores en precisión de predicción y velocidad de ejecución en comparación con otros métodos.