由于传统的设备维护方式(事后维护和定期维护)造成的经济损失较大,因此,对设备长期运行状态进行监测和预报的需求日益迫切。CBM(基于状态的维护)和IMS(智能维护系统)正是基于这样的背景下被提出的。无论是CBM还是IMS,其核心都是对设备的智能预诊,即对设备在线实时性能评价和实时剩余寿命预测,这也成为新维修方式实现的前提条件,只有具备了高可靠性的在线实时性能评价和实时剩余寿命预测,CBM和IMS才真正具有实际应用价值。因此,本文立足于CBM和IMS的核心部分——智能预诊,进行了基于神经网络的设备预诊方法研究。汽轮机转子是汽轮机的核心部件,因其一旦出现故障,将导致巨大的经济损失,选择该设备作为预诊方法的应用对象,无论是对汽轮机行业本身还是对预诊方法的研究都具有极其重要的意义。本文在预诊方法研究中以人工神经网络(ANN)作为预诊方法研究的基础算法,从智能预诊的全局角度出发,给出了基于神经网络的智能预诊框架。在此基础上,以汽轮机叶片疲劳破坏实验数据作为研究智能预诊最为关键的性能评价和寿命预测的数值仿真数据,深入研究了BP和Elman神经网络在叶片疲劳预诊中的具体实现方法,并对BP和Elman网络共同存在的缺点,如迭代优化缓慢、易于陷入局部最小等基本问题进行了研究并给出了在具体应用中的解决方法。本文针对BP神经网络剩余寿命预测本身存在的非动态性缺陷,提出了基于BP神经网络的动态寿命预测方法,利用预诊对象在实时预诊过程中信息量的不断丰富,动态调整事先由训练样本确定的预测模型,进而达到改善预测效果的目的。在提出的动态剩余寿命方法的基础上,对如何进一步改进动态预测效果,深入研究了动态调整的迭代算法、迭代次数和学习率对动态预测效果的影响,通过大量的仿真实验,最终给出了在迭代次数为一定值条件下,搜索到一个较优学习率的三点搜索方法。在汽轮机转子预诊应用研究中,以Bently转子试验台获得的转子不平衡实验数据为基础,研究了基于STFT的特征提取方法和基于竞争学习网络的特征选择方法,在此基础上,对预先确定的性能评价和剩余寿命预诊方案进行了验证,特别是对提出的动态BP网络剩余寿命预测方法的验证,为基于BP神经网络的汽轮机转子预诊方法研究结果在实际中的应用进一步提高了可靠性。本文最后对预诊结果的Web数据发布技术及其实现方法进行了研究,最终实现了基于B/S模式的信息共享方式,为先进的预测性智能维护提供了信息基础。