近年来,智能船舶乃至无人驾驶船舶的研究已经成为业内的热点,智能机舱作为智能船舶很重要的组成部分,需要具备数据采集、健康状态评估、辅助决策和视情维修等功能。对于船舶动力设备的健康状态评估,采用衡量实时监测参数与基线间偏离程度的基线评估法具有计算量少、应用性强的优势。但是,船舶动力设备的监测参数及工作状态会受多种因素的影响,若在基线评估法中使用静态基线,会降低健康状态评估值的准确性,甚至产生误报警问题。为了解决上述问题,本文主要从以下方面开展了研究工作:首先,通过对导致船舶动力设备监测参数发生趋势性变化的影响因素进行分析,选取船舶柴油机负荷变化和船舶动力设备自身性能退化作为典型影响因素,分别构建不同影响因素下船舶动力设备的动态基线计算体系及性能退化条件下的预测体系。其次,以柴油机负荷变化为典型影响因素,考虑到船舶动力设备在船舶试航阶段无参数监测或监测参数不能覆盖全负荷范围,本文采用参考点位法,根据设备运转情况,动态增加参考点位并更新参考点,通过对参考点的动态拟合获得变负荷条件下的动态基线。在动态更新参考点过程中,采用滑动概率神经网络降低计算复杂度,提高参考点更新效率。以柴油机气缸排烟温度为例,对方法的可行性进行验证,结果表明该方法能够实时计算基线并实现基线的动态更新,动态基线的变化规律与监测参数趋势一致。再次,以船舶动力设备自身性能退化为典型影响因素,按性能退化时间序列采集监测参数,建立滑动概率神经网络,获得目标设备的动态性能可靠度,通过建立性能可靠度与基线值间的转换函数,获得目标设备在退化状态下的基线。以海水泵出口压力为例计算退化基线,并将其与麦夸特迭代算法获得的动态基线进行对比,结果表明该方法能够以目标设备性能退化程度为依据实现基线的动态更新并使动态基线更为精确。最后,将退化基线计算方法与建立的混合参数预测模型结合,建立退化基线预测方法,对退化基线变化时间点进行预测。以海水泵出口压力为例,对退化基线预测方法的可行性进行验证,结果表明在基线值变化趋势确定的前提下,该方法能够准确预测基线值的变化时间节点。本文建立的动态基线计算及预测方法是实现船舶动力设备健康状态评估及预测的基础性研究,对于实现机舱智能运维以及完善智能机舱系统功能具有一定的意义。其中,考虑外界影响因素的动态基线相对于静态基线评估方法更加科学、合理,可提高船舶动力设备健康状态评估值精度;以性能退化作为影响因素的基线预测方法可为机舱视情维修和状态预测提供思路。