随着工业技术的发展,工业设备日趋大型化和复杂化,于此同时保证设备的安全稳定的运行越来越受到人们的关注。离心式压缩机在冶金、化工、动力、制冷等领域属于不可或缺的关键设备,若其发生故障必然会导致整个生产系统的停滞,若故障严重甚至会导致重大事故的发生,造成大量经济损失的同时还可能引发安全问题。若能够提前发现故障的某些征兆,可以提前采取措施减小损失并保障生产安全,因此对于故障预测方法的研究是很有必要的。大数据时代的大环境下,在工业领域能够产生大量的数据用于分析,这就为数据挖掘和机器学习等数据驱动的方法提供了条件。尤其是近年来人工智能领域的深度学习算法在图像处理和语音识别等领域取得了非凡的成果,但是在工业故障诊断及预测领域的研究成果还较少,本文采用了深度学习算法-长短时记忆循环神经网络（LSTM-RNN）对工业故障预测方法开展研究,并取得了较好的效果。主要包括以下几个部分:（1）为了提高神经网络的训练效率及泛化能力,提出一种基于聚类分析和信息增益的多维时间序列的特征选择方法。该方法通过聚类算法为不同时间步长候选序列子集的每个变量划分类别,然后通过信息增益对每个子集的每个变量进行评价,从而确定变量和多维时间序列的时间步长。（2）构建并训练长短时记忆循环神经网络,使用正常运行的数据建立时间序列预测模型,对未来的压缩机振动信号进行预测,并达到了较高的精度。（3）采用异常检测的思想,把时间序列的预测误差搜集起来,用多元高斯分布进行建模。利用概率密度函数的对数值作为设备的评价指标,并划定阈值以评估设备的运行状态。实验结果表明本文提出的方法能够在故障发生之前发现设备退化的迹象,达到故障预测的目的。