本文分析国内外汽轮状态监测与故障诊断的发展现状。从机组安全运行角度和由定期检修过渡到故障检修的要求提出的汽轮机转子振动状态预测的重要性和必要性。第二章从理论上分析了旋转机械转子不平衡、动静碰摩、转子不对中、自激振动和部件松动等几种常见的故障并总结了其主要故障特征,为汽轮机转子振动状态预测提供理论指导。第三章详细分析了AR(p)、MA(q)、和ARMA(p,q)等时间序列模型；介绍了人工网络神经模型基本原理和BP网络模型,为各单一预测模型和组合预测模型的建立提供了理论依据。由于汽轮发电机组振动系统是一个实时的非线性系统。要对机组状态进行预测,就必须建立一个合适的模型,同时满足对预测精度和预测速度的要求。为了提高预测精度,本文提出了一种基于ARIMA(p,d,q)和BP网络的新型组合预测方法。在这种组合预测方法中,把振动序列看成由线性相关部分和非线性相关部分两部分组成,用ARIMA(p,d,q)去预测线性相关部分,用BP网络去预测非线性相关部分,充分利用了各单一模型的优点,提高了预测精度。为了提高预测速度,本文给出了一种新的工程解决办法,把预测模型结构分成在线预测和模型训练两部分。模型训练部分根据不段采集的数据不断训练新模型；当模型一训练完毕马上转移到在线预测部分供其使用,这样在线预测部分不会因为模型的训练和更新导致预测的中断,达到了提高预测精度和预测速度的效果。本文建立了汽轮机转子实验台并模拟机组不同的工作状态,用DASP软件采集转子在不同工作状态下的振动数据并提取振动峰峰值。用各单一预测模型和组合预测模型对不同状态下的水平和垂直振动峰峰值进行预测,并通过预测精度和预测速度说明了该方法的有效性。最后将各单一模型和组合模型封装在MATLAB GUI程序中并将其转化为C程序,使它能够在MATLAB和DOS环境下运行,具有更广泛的适用性。