机械状态预测技术能够结合机械设备实际运行情况,预测设备运行的发展趋势,及早发现设备劣化行为,为设备的维修、维护工作提供合理依据。随着设备状态参数呈现指数型爆炸增长的现状,传统的预测方法在面对机械状态数据量大、劣化趋势微弱难发现以及长周期预测等难题时,往往出现预测精度不准、效率不高等难题。本文针对以上问题,运用深度学习中长短时记忆神经网络(Long Short-Term Memory,LSTM)构建自回归趋势预测模型,通过滚动轴承试验将该方法与传统预测方法进行比较后,验证该方法的在预测精度方面的优势。然而,基于LSTM的自回归趋势预测方法在机械设备状态的长周期预测方面出现精度差、效果不佳的问题,针对这一难题提出基于堆叠GRU的多元回归趋势预测方法,运用观测模型、中间层以及系统模型构建多元回归长周期趋势预测模型,通过刀具磨损状态实验对该方法进行验证,在与传统方法以及自回归趋势预测方法比较后,验证所提方法在机械状态长周期预测的效果,具体开展的研究内容如下:1)研究了基于LSTM的自回归预测方法,主要以LSTM作为核心部件构建自回归趋势预测模型,对机械设备状态参数进行特征提取、特征优化、模型训练、模型测试后,针对滚动轴承全寿命周期数据开展相关实验对比,实验结果证明:所提出的基于LSTM的机械状态自回归预测模型不仅提高的预测的精度,大大降低了在线计算的时间和预测的成本,从而改善了机械设备状态预测的精度和效率。2)研究了基于堆叠GRU神经网络的多元回归趋势预测方法,该模型中包含观测模型、系统模型以及中间层,三个部分互相作用实现对于机械设备状态时间序列信号的长期记忆。运用刀具磨损实验对所提出的模型方法进行了验证,证明了所提模型在机械设备运行状态预测方面的优势。3)开发了基于LSTM的智能预测软件系统,针对滚动轴承设备开展信号监测功能、特征提取及优化、状态趋势预测以及维护建议。该软件系统中的机械设备状态趋势预测模块作为本系统的核心模块,主要对采集到的能够表征机械设备运行原始数据的表征信号进行相应的训练,挖掘信号特征中的隐含关系,实现对机械设备未来的运行状态进行相应的预测。