随着现代工业进步、自动化程度的提高,旋转机械系统中各设备之间的联系越发紧密。大型机械一旦发生故障,会对生产效率和生产质量造成不良影响,甚至会危及到现场工作人员的生命安全。对旋转机械进行故障预测能够在故障发生前进行预警,使工作人员及时采取行动措施,减少损失。国内外专家对于故障预测这一课题进行了广泛的研究,并且大数据与人工智能的发展给旋转机械振动故障预测提供了新的发展方向。本论文针对上述背景和研究现状,开展了基于深度学习的旋转机械振动故障预测技术的研究。首先介绍了深度学习的基础理论,为后续的研究提供了理论基础。现有的故障预测模型在预测时大多只考虑了时序数据的前向信息,没有考虑时序数据的后向信息,因此本文提出了一种基于双向长短时记忆网络和注意力机制的旋转机械振动故障预测模型,该模型充分考虑了时序数据向前、向后两个时间方向上的信息,并且重点突出对预测结果具有关键影响的数据序列,提高了旋转机械振动数据预测的准确性。预测的目的是为了故障诊断,将预测得到的结果送入故障分类器中进行判断,若判断为故障数据,则发出告警信息。本文通过实验台数据和现场数据对提出的模型进行训练和验证。同时,通过与另外两种预测模型进行对比,证明了本文提出的模型能有效地提高预测准确率,在旋转机械振动故障预测中具有较高的有效性。