Es esencial determinar el estado de funcionamiento de una línea de producción para monitorear el estado de la producción y hacer planes de mantenimiento. Con el fin de monitorear de manera conveniente y precisa el estado de funcionamiento en tiempo real de una línea de producción de tableros de aislamiento de clase A, se propone un novedoso método de predicción de estado basado en aprendizaje profundo y red de memoria a largo plazo (LSTM). Se introducen múltiples capas del bloque Res para fusionar características locales y mejorar la extracción de características ocultas. Se estudia la estrategia de aprendizaje por transferencia y se propone una función de pérdida mejorada, lo que hace que el proceso de entrenamiento del modelo sea rápido y estable. Los resultados experimentales muestran que el modelo propuesto Res-LSTM alcanzó una precisión de predicción del 98.9%, y el promedio de puntuación de las experimentaciones industriales puede llegar a 0.93. En comparación con otros algoritmos principales, el modelo propuesto Res-LSTM obtuvo un excelente rendimiento en velocidad y precisión de predicción, lo que satisface las necesidades de la producción industrial.