随着科学技术的发展,旋转机械正在向高速、重载和高自动化方向发展,大型旋转机械,如汽轮机、发电机、透平机、航空发动机及离心压缩机等,作为化工、电力、航空、机械制造等领域的关键设备,在国民经济中占有举足轻重的地位。一旦出现故障,轻则无法运行,造成巨大经济损失,重则会酿成机毁人亡的重大事故,造成极坏的社会影响。　　 论文综述了机电设备故障监测与诊断相关研究的国内外现状,分析了大型旋转机械工况复杂,非平稳运行的特点,针对表征大型复杂设备运行状态的特征参量具有非线性特征,而目前对非平稳非线性趋势问题的预测还存在很多困难,没有广泛适用的预测方法,非线性特征的设备运行状态趋势预测是实现设备从传统的预防维护上升到先进的预知维护(状态维护)的关键和难点课题这一现状,围绕大型旋转机械非平稳非线性运行状态趋势预测方法进行了研究。　　 为了消除振动信号现场采集过程中受到的噪声干扰,研究了基于小波理论的小波包信号降噪方法,针对阈值降噪方法中Donoho算法硬阈值和软阈值函数的不足,提供了一种改进的阈值函数及自适应阈值计算方法,采用该方法对含噪声信号进行降噪处理,得到比Donoho算法硬阈值和软阈值函数更好的降噪效果。　　 论文研究了小波包提取特征能量方法,采用Dubieties小波系中的db4小波函数5层分解,对烟机的振动信号进行了32个特征频带能量提取,对采样频率为基频的整数倍时会产生能量泄露问题,提出了插值解决方法。研究了小波包模糊聚类神经网络故障诊断方法,并以提取的烟机特征频带能量为特性向量,实现了对故障的正确分类。　　 针对大型机电设备运行状态非线性预测问题,提出了依据时间序列样本发生时间的先后,对样本进行信息加权的新型径向基(RBF)神经网络预测模型,给出了数据样本的加权方法,并对模型进行了多组实测数据验证。验证结果表明,应用新型RBF神经网络预测模型对设备运行状态进行预测,较普通RBF网络预测准确性高,较BP神经网络、信息加权BP神经网络训练速度快,预测结果稳定性好。提高了预测的有效性,可以在其他预测问题中推广。　　 为了改进单一预测模型对非线性预测问题预测的适应性和准确性,研究了自回归差分滑动平均(ARIMA)与RBF网络结合的组合模型预测方法,该方法能提高以单一趋势主导的缓慢上升时间序列的预测准确性。研究了嵌入式灰色RBF模型和串联式灰色RBF模型组合的模型构建方法,这两种组合模型,对时间序列不同时期出现由一个以上因素主导的趋势性变化时,均得到较单一模型更高的预测准确性。　　 为了充分利用已知信息,进一步提高组合预测的效果,解决单一模型应用受到适应性局限,模型选择困难的问题,研究了模型的组合预测技术。第一,提出了以平均相对误差为约束的组合模型优化方法,该方法通过对参与组合模型进行优选,减少组合预测模型中非有效模型预测信息的影响,提高了组合预测准确度；第二,提出了组合模型训练建模时训练数据重构方法,对优选出的参与组合模型,根据被选模型预测值的平均相对误差大小,进行组合模型训练数据重构,进一步强调了预测准确性高的单项模型对未来状态的影响,减少组合预测模型中非有效模型预测信息的影响,为建立可靠有效的组合预测模型提供了保证,提高了组合预测的准确性；第三,提出对优选后的组合模型进行基于RBF网络变权重组合预测建模方法,采用新型径向基神经网络,实现组合模型权值的动态调整,并给出了详细的建模和预测流程。该方法通过对训练数据的更替和加权,强调了最新信息以及预测准确性高的模型对未来状态的贡献较大,改进了组合预测的可靠性和有效性,克服了已有方法求解繁琐困难,定权值以及对新信息强调不足等问题。