旋转机械是工业生产中最常见的设备,为了实现对高速旋转机械的结构健康监测,目前已经有大量学者在相关的算法和软件方面进行比较深入的研究。但是受限于旋转机械空间封闭、结构异形的问题,无法做到对旋转部件进行原位监测。现有相关研究的数据都来源于旋转机械系统固定端的加速度与位移数据,这种数据在被传感器采集之前就已经有了大量的损耗。针对这些问题,基于柔性传感系统设计和实现了针对旋转机械运行状态的原位监测方案,直接在转轴上布置柔性应变传感器对轴系进行原位监测,采集相关的运动应变数据,并使用应变数据开发算法进行转轴工况识别和运行趋势预测。针对现有的卷积神经网络（Convolutional Neural Networks,CNN）无法有效提取机械运动的时序信息和长短期记忆网络（Long Short-Term Memory,LSTM）对长序列数据处理能力不足的问题,建立了一种LSTM-CNN的复合神经网络模型,将运动时序数据先输入到LSTM中提取时序信息,再将处理后的数据输入到CNN中提取局部特征,最后输出工况分类识别结果。建立了双盘转子系统模型,通过法仿真求解了转子固定端的加速度数据,通过ANSYS仿真获取了轴系的应变数据,将两类仿真数据输入到本文提出的LSTM-CNN模型中,验证了模型的有效性。设计了一套柔性传感系统布置方案,采集转轴转动端的应变数据,使用应变数据与传统固定端加速度数据的模型识别结果对比,基于转动端应变数据驱动的LSTM-CNN模型对于转子工况识别的准确率能够达到98.20%,证实了转子端应变数据对转子工况识别效果更好,验证了原位监测的优越性。机械运行状态预测是保证设备安全运行的重要一环,由于旋转机构本身的限制,无法直接采集部分重要结构的运行参数。针对这种问题设计并加工了模拟涡轮叶片,基于柔性传感系统采集了叶片从健康到失效飞脱整个过程的应力发展数据。引入dropout机制改进了现有的时间卷积网络（Temporal Convolutional Networks,TCN）,探索了最优的dropout参数值,将改进的TCN模型用于涡轮叶片三个寿命时期的预测,验证了相关监测手段和预测算法的有效性。