压缩机故障预测及诊断对工业生产环境的平稳运行至关重要。振动信号是压缩机故障的敏感特征参数。因此,建立一个准确、稳定的振动信号预测模型对故障预测及诊断具有重要意义。但是由于压缩机结构复杂且生产环境恶劣,振动信号常常具有明显的非线性和非平稳性,这给准确预测振动信号带来了很大的困难。同时随着时间的推移,设备的状态发生改变,导致振动信号正常运行范围发生变化,此时之前建立的模型预测精度可能随之下降。为了保证模型的持续有效性,有必要将在线学习算法引入到预测模型中。因此,本文针对振动信号准确预测和模型在线更新两个问题进行深入研究。主要工作如下:为了降低建模的复杂度,首先利用局部特征尺度分解(Local Characteristicscale Decomposition,LCD)算法将原始振动信号分解成若干个内禀尺度分量(Intrinsic scale component,ISC),从而将振动信号序列的变化平缓化。针对LCD方法在分解振动信号过程中出现的端点效应问题,本文在目前传统改进方法的基础上,提出一种边界修饰(Boundary Modification,BM)算法,将其引入到LCD分解过程中(BMLCD),进一步抑制端点效应问题。实验验证了该算法能够有效处理真实的工业信号。其次,由于振动信号具有强烈的非线性和非平稳特性,使用单一的预测模型往往具有片面性,导致模型预测精度有限。提出一种基于BMLCD-PSOLSTM的混合预测模型。通过BMLCD算法将原始信号分解成若干个ISC分量,对每一个分量建立PSOLSTM预测模型,将分量结果相加得到最终预测结果。由于超参数的选择直接影响模型精度,建立了一个权衡了模型预测精度(RMSE)和模型复杂度(隐含层神经元和时间滞后数量)的多目标优化模型并利用粒子群(Particle Swarm Optimization,PSO)算法求解获得最优参数组合,确保模型的最佳性能。最后,为了保证当数据分布发生变化时模型的长期有效性,将在线更新思想引入到预测模型中。针对LSTM模型由于算法效率较低难以满足在线更新问题,本文提出一种基于Error-LSTM(E-LSTM)的在线更新模型。通过将隐含层神经元分块更新的方式提升模型的效率;并且E-LSTM模型能够根据数据的分布变化情况自适应的调整模型的训练方式,从而提高模型的精度。采用LSTM模型进行对比实验,结果表明,基于E-LSTM的更新模型在模型精度和效率方面均优于基于LSTM的更新模型。