随着现代经济和科学技术日新月异的进步,现代机械装备也日益朝着复杂化、高速化、自动化和精密化的方向发展,部件之间相互耦合的程度也越来越高,一旦其中有一个部件发生故障,往往就会引发一系列的连锁反应,从而导致整个设备甚至整条生产线的损坏,不仅会造成财产损失,环境污染,严重者可能会造成人员伤亡。而旋转机械在整个机械设备系统中占据着十分重要的地位,它们不仅仅是整个机械设备的动力来源,也是进行传动的关键部分。而且由于旋转机械在设备运行过程当中往往需要承受高速大载荷的不稳定冲击,因此十分容易发生表面损伤、磨损、甚至断裂损坏等机械故障。因此进行旋转机械设备故障在线预测技术的研究是十分有必要的。作为一种重要的深度学习算法模型,长短时记忆网络越来越成为进行时间序列预测和状态分类的重要手段,近年来在机器翻译,语音识别等领域的作用受到极大关注,本文简要介绍了长短时记忆网络的基本原理和算法,并将其应用于旋转机械的状态预测和剩余使用寿命估计领域。首先由于加速度传感器获取的原始振动信号当中包含有大量的随机噪声,提出了一种具有自适应噪声的完整集成经验模态分解方法与软阈值降噪算法相结合的CEEMDAN软阈值降噪算法,对原始振动信号进行降噪处理。其次选用经过降噪处理后得到的IMF能量熵作为状态特征,进行长短时记忆网络模型对旋转机械状态单步预测的计算;选用经过重构后获得的干净信号的相对特征作为特征信息,进行长短时记忆网络模型对机械剩余寿命估计的计算。最后选取滚动轴承作为研究对象,利用美国辛辛那提大学智能维护系统中心公开提供的滚动轴承全寿命数据集对本文提出的理论进行实验验证。结果显示,无论是在对旋转机械进行状态预测还是进行剩余使用寿命预测,长短时记忆网络模型都能取得非常好的效果,并且显示出其重要的工业应用价值。