该论文第一部分从信息提取和信号处理着手,采用选频细化的方法,有效的解诀了谱线遗漏的问题;又针对由于机器工作传速波动引起谱线的移动,发展了一种抑制频谱漂移的方法.论文第二部分针对现场各种突发性、偶然性因素对烈度及频谱预测的影响,分析了传统时序(ARMA)模型在烈度趋势预测中的优缺点及适用性,在此基础上提出了更加适合于变工况非平稳状态的非平稳残差修正模型,有效的剔除了用于预测的历史数据中的野值及奇异点,修正了预测结果;在分析传统的BP神经网络在趋势预测中的应用时,发现其在网络结构设计及网络参数调整中人为因素太多,不容易得到理想的预测结果,就此提出了基于遗传算法优化的在线自适应神经网络模型,利用遗传算法使神经网络结构可以根据不同的历史区段的数据进行动态调整,最后达到在线预测的目的;结合以上各种预测方法,提出了一种基于变权重神经网络架构的组合预测方法,充分利用各种预测方法的优点,使预测结果得到改善.论文第三部分的内容是在线状态分析的实验研究及各种预测模型的工业现场验证.在实验台上模拟典型机械故障,并对其做选频细化及倒频谱分析,同时对工业现场采集来的振动信号进行数据处理,比较各种预测方法的效果,确定对注水机组状态维护具有指导意义的烈度及频谱预测方法,实施监控系统的长、短时区趋势预测.论文附录部分的内容是在线状态监控及趋势预测系统的软件设计.软件分为两套版本,一套是基于DOS平台,用Borland C++编程实现,另一套是基于Windows平台,用Visual C++开发.