旋转机械是工业生产中转化能量和提供动力的关键设备，其性能退化或失效影响整机性能甚至导致设备非计划停机，造成经济损失甚至人员伤亡。如磨损是轴承最常见的一种失效形式，磨损量较大时，轴承便产生游隙，使振动加剧、产生噪声以及旋转精度降低等严重影响轴承的工作性能。开展旋转机械的故障预测研究，能够变定时维修为视情维修，对预防故障发生和保证设备安全运转具有重要意义。
故障预测技术是故障诊断的一个组成部分，前提是状态监测及诊断。我们知道，机械设备需要长期使用并且经受各种环境作用，必然会发生性能与功能的变化。如果能够通过监测采集到缓变信号参数的实时数值（突变信号不具普适性），通过一定的方法对一定时间以后的参数进行科学预测，从而评估设备的性能和可靠性，为设备使用者及时准确的做出决策提供技术支持。如果想要做到在故障未发生之前做好防范工作，就要开展早期故障预测。同时，也可以在故障发生之后快速隔离故障和重组系统功能。
故障预测方法的研究内容基本分为三个方面：第一，基于历史数据统计模型的预测方法，相应的预测值是经过模型参数的估计得到的。如时间序列预测ARMA模型。第二，基于模糊理论或灰色理论的数学预测方法。如灰色预测通过一阶微分方程解释数列的发展规律，该模型用于故障短期预测效果比较好。第三，数据驱动预测方法，这种智能方法不需要被测系统精确的数学模型，而是借助历史的状态数据，在对数据处理和分析之后，其中隐含的有效信息被挖掘出来。现已用于设备关键部件寿命预测的数据驱动方法主要有神经网络、支持向量机等。有人用支持向量机SVM预测股价指数，用人工神经网络ANN预测时间序列，都收到了较好的预测效果。
现实环境中，机械设备的性能和功能受到各种复杂因素的影响，想要用精确的函数关系描述其变化过程是不现实的，这是实际问题中的普遍现象。大量真实数据集的性质表明，基于数据更能进行准确预测和恰当的描述。神经网络和遗传算法这两种智能算法都是模拟生物结构去表达输入输出之间隐性关系的。人工神经网络是预测应用中普遍和灵活的工具，是现代数据分析中的热点，可以处理“黑箱”问题，它自身具有强大的自主学习能力，学习对象是网络输入层的大量样本，通过对各层的神经元进行训练，在以网络输出均方误差最小的训练目标下，连接权重和阈值不断被调整到最佳值，最终确定的网络结构和参数，以此进行外推预测后续的状态。在人工神经网络中，有一类是用误差的反向传播来调整网络训练的权值，这种多层的前馈神经网络就是BP网络。作为前向网络的核心，BP网络在神经网络中是最完美、最精华的。从统计数据得出，应用的神经网络模型中有八成至九成都采用了BP网络或它的变形。虽然它具有结构简单，可调整参数多，训练算法多，可操作性好的特点，但其自身也存在缺陷，由于搜索求解算法是沿梯度下降的，导致网络存在收敛速度慢的缺点，难以保证复杂网络的全局优化而易导致陷入局部极小值，加之无法准确获得网络结构、初始连接权值和阈值，而它们却是影响网络训练效果的主要因素。因此，有必要采用遗传算法对神经网络进行优化，以期克服这些问题，提高网络的泛化能力。
遗传算法将初始连接权值和阈值作为染色体，建立种群，利用生物遗传特性（复制、交叉、变异）逐代进行选择，高收敛精度与速度保证了搜索到全局范围内的最优解。这个最优解就是最佳的网络结构，比用经验和试验判断更能使网络参数合理化，它的交叉因子和变异因子在网络陷入局部极值时能很好地跳出来，从而克服网络陷入局部最小的缺点，提高网络的学习精度。
综上所述，采用遗传算法优化神经网络的预测方法对旋转机械进行故障预测是可行和有效的。