作为深度学习算法的一种，长短时记忆网络越来越成为时间序列预测的重要手段，简要阐述长短时记忆网络的基本原理，并将其应用于旋转机械状态监控领域，以轴承数据为样本进行仿真，针对轴承数据的非平稳性，运用经验模态分解方法将其分解为平稳信号，并计算其本征模态分量能量熵作为状态特征，通过计算长短时记忆网络对旋转机械状态单步预测的结果，并与支持向量回归机模型的预测结果进行比较，证明长短时记忆网络在旋转机械状态预测方面可以取得比支持向量回归机更好的效果。

在几何构型或材料特性方面具有空间重复特性的一类结构，称为周期结构，如桁架、加强筋板等。在一定频率范围内，周期结构能够阻断弹性行波在其中传递，该特性可应用于隔振器开发。现有周期结构隔振分析大多基于无限长假设，即假设周期结构在几何空间中可无限延伸，因此只有行波解具有物理意义，非行波模式则被忽略。然而，工程中隔振系统都是有限长的，因此非行波解的确存在，故其能量传输特性具有研究价值。周期桁架有限元数值仿真结果表明，周期结构行波解的功率因数始终等于1，说明频散曲线与能量传输效率有关。据此引入效率指标函数，通过其响应表面局部极大值、极小值的连线，将频率-波数空间划分为能量传输高效区和低效区。该划分方式能统一处理行波解和非行波解的情况，拓展原有带隙分析适用范围，为有限周期结构能量传输效率分析提供新途径，对于隔振器开发设计具有重要参考价值。