近20年来，机械故障诊断和预测技术取得了瞩目的发展。首先，体现在机械故障诊断技术与其它相关前沿学科的结合。这种结合必然会促进机械故障诊断技术的发展；其次，体现在对机械设备的实时监测。人们可以时刻了解机械设备当前的运行状况，并且能够对将来一段时间内设备的运行状况加以预测，及时、适时地进行维修，尽量减少和缩短停车时间，高效率地利用设备，以达到提高经济效益的目的。 作者针对鞍钢线材厂精轧机组设备进行振动信号采集。由于检测过程中测试系统外部和内部各种因素的影响，测试时所得的信号必然夹杂着许多不需要的成分。这样就需要对所得信号做初步加工处理，修正波形的畸变，剔除混杂在信号中的噪声干扰。因此，论文第三章首先研究了信号预处理技术，其中包括消除趋势项、平滑处理和信号消噪技术。故障特征提取是故障诊断中的核心环节，直接决定了故障分类和故障程度。由于振动信号的峰值指标、频谱特征幅值以及小波系数能量值都能够有效地表征轧机的故障信息，因此本文第三章以上述三者为特征值，对精轧机组振动信号分别进行时域特征提取、频域特征提取和小波变换特征提取。 神经网络是一个具有高度非线性的超大规模连续时间动力系统，具有非线性映射、快速并行分布处理、自组织自学习以及鲁棒性等特点，广泛应用于非线性控制、故障诊断等领域。因此，本文第四章采用了BP神经网络故障诊断模式，针对轧机典型故障建立神经网络模型，将峰值指标、频谱特征幅值以及小波系数能量值作为神经网络的输入，将各种典型故障模式作为输出，利用特征向量与故障征兆之间的对应关系，实现了轧机故障的智能诊断。 故障趋势预报是机械故障诊断中的一个重要内容。本文第五章对机械行为的预测做了研究，以故障频率处的小波系数能量值作为故障特征值，运用灰预测理论，对定期提取的特征值序列进行预测和预报。该预报过程基于趋势预报图，当预测的特征值超过警示线时，发出警报，提示工作人员进行检查；当预测的特征值超过危险线时，则提醒工作人员进行维修。