大型设备和建筑结构在日常服役期间，由于存在各种不确定因素、自然因素和人为因素的影响，结构会出现损伤进而产生一些不可预知的后果，故在结构服役期对各种结构的运行状态监测诊断和预测至关重要。本文在结构健康体系监测的基础上，研究了基于LSTM的结构病态问题预测方法。
　　论述了LSTM网络的基础理论知识，从时间序列预测的角度出发，研究了基于LSTM的时间序列预测方法。首先，利用Z-score标准化方法对仿真时间序列数据作标准化处理后将其作为预测模型的输入；然后，通过多次改变迭代次数和隐含层神经元的个数进行实验确定LSTM预测模型的迭代次数和隐含层神经元数；最后，为了说明LSTM模型的优越性，将该模型的预测性能分别与RBF神经网络、小波神经网络进行对比。实验结果表明，模型参数的选取不同对预测结果的影响不同，当迭代次数和隐含层神经元个数分别是100和200时，模型的预测精度较好；而且长短时记忆网络相比其他两种传统预测方法，预测性能更优，精度更高，为之后工程数据的预测应用提供了基础。
　　从实际问题应用的角度出发，研究了基于LSTM的结构病态问题预测方法。利用多自由度时变动力系统和ASCE模型验证预测方法的工程可靠性，又由于瞬时频率可以表征结构的损伤信息，故将工程仿真信号和实际工程数据作HHT变换得到的瞬时频率作为预测模型的输入。实验结果表明，LSTM预测模型能够有效预测多自由度动力系统刚度发生改变后的瞬时频率；对于结构的不同损伤状况，LSTM方法的预测精度均高于小波神经网络，说明了该方法对非线性时间序列的拟合能力较强，也进一步的表明了对实际工程振动信号病态问题预测的有效性和可靠性。
　　研究了基于SVR和LSTM的集成方法对工程实际数据的小样本预测。将第三章的实际工程信号和桥梁振动信号作为实验数据，并将集成方法与单一的SVR或LSTM模型的预测性能进行对比。实验结果表明，该集成方法对于样本较小的工程数据的预测精度更高，非线性预测能力更好；且在ASCE实际工程数据预测中，集成方法相比单一的LSTM模型的R2提高了12%。