众所周知,旋转机械作为各领域生产的重要设备,它的安全稳定运行必须得到保障。设备一旦出现问题会导致停产,企业将承担不可小觑的经济压力,严重时会伤害到运行人员的人身安全。对旋转机械进行振动状态预测能够在故障发生前进行预警,使工作人员及时采取行动措施,减少损失。国内外专家对于振动状态预测这一课题进行了广泛的研究,并且大数据与人工智能的发展给旋转机械振动状态预测提供了新的发展方向。在上述背景指导下,本文探索了一种基于长短时记忆循环神经网络(LSTM,Long Short-Term Memory)的旋转机械振动状态预测模型,预测的目的是故障诊断,即将预测得到的结果送入故障分类器中进行判断,若判断为故障,则发出告警信息。具体过程如下:首先,深入总结分析了旋转机械的振动基础及常见的几种振动状态,包括形成原因及特征,为后续的预测研究提供理论指导;同时,介绍了神经网络与深度学习相关理论,在上述理论指导下,构建了基于深度学习LSTM的旋转机械设备振动状态预测模型。其次,利用INV1612型多功能转子实验台设置不同故障模式来模拟旋转机械设备的四种状态:转子正常运转、转子质量不平衡、转子动静碰磨、轴承座松动,通过DASP导出传感器采集到的时域振动数据,构造样本数据集。然后,在PyCharm平台上设置大量的对比实验确定模型的超参数,并利用四种状态的振动数据对模型进行实验验证,均取得理想的预测效果,同时对比BP神经网络和RNN模型对相同样本数据的预测结果,明显看出深度学习LSTM模型表现更好,验证了深度学习LSTM模型在旋转机械设备振动预测中应用的有效性,且预测准确性较好。最后,利用某电厂实际生产中一次风机的振动数据对模型的应用进行测试,取得了较好的效果。