大型旋转机械设备在工业生产中占有非常重要的地位，保障大型旋转机械设备的安全运行具有非常重要的经济意义与社会意义，因此需要对其进行状态监测、趋势预测和早期的故障诊断，以实现对机组的预知维护，防止重大事故的发生。本文主要研究成果如下： 1．结合粗糙集理论和神经网络在信息处理方面的优势，提出了一种基于粗糙集理论与BP神经网络相结合的烟气机故障诊断方法。首先对故障诊断数据中的连续属性进行离散化，然后根据粗糙集理论进行故障诊断决策系统约简，获得最优决策系统。最后在最优决策系统的基础上，设计BP神经网络对烟气机故障进行诊断。试验结果表明，该方法可以有效提高烟气机故障诊断的精度和效率。 2．在非线性趋势预测方法中重点研究了神经网络预测方法，提供了在旋转机械系统趋势预测中建立神经网络预测模型的方法。提出了基于均值函数新息加权的神经网络预测模型，通过均值函数改变输入时间序列的权系数，体现对新预测值贡献的大小，增加了早期故障趋势预测的可靠性，提高了预测精度。 3．分析和总结了旋转机械典型故障——异步扰动、同步扰动和静态扰动的信号特征和产生机理，并以本特利小型多功能转子实验台为研究对象，对异步扰动、同步扰动和静态扰动故障进行了模拟仿真，建立其转子数学模型，利用数据采集设备采集三种故障的振动信号，并应用时域波形、频域波形和轴心轨迹等方法对故障信号进行了分析对比，验证了信号分析方法的可行性和这三种典型故障的识别特征，得出了符合实际的诊断结论，丰富了故障档案。