随着计算机和统计学的发展,船舶智能化和数字化发展成为主要趋势,而船舶装备的大型化、多系统和复杂化成为当前船舶装备的主要特征。船舶主机是船舶的主要部分,其系统结构复杂且故障变化多种多样,现阶段基于故障特征和故障样本的诊断方法由于无法获得全面的故障样本,因此很难取得实用成果,这也是近十年来故障诊断理论和方法很难在工程中实际应用的主要原因。数据驱动下状态监测技术是基于统计和设备状态进行故障预测和维修规划的技术,对复杂船舶主机的故障检测更为适用。在此背景下,本课题展开了基于健康样本数据的主机状态监测技术的研究。本课题基于校实习船监控系统健康运行数据,经过数据预处理得到1,216,662个原始样本数据。利用插值方法解决了船舶多系统采样频率不一致问题;运用基于密度和基于邻近度的技术进行异常值处理,最终选取船舶完整航段的共13,200个样本数据作为课题研究使用样本。在主机工况识别方面,采用了多类型聚类算法聚类出主机稳定运行数据。主要从主机转速和燃油齿条刻度中提取主机工况信息;利用伪F值和R2方法进行类簇数最优化求解,解决聚类算法严重依赖类簇数初始值问题;利用基于层次、基于模糊和基于密度的聚类算法对样本进行聚类并对比分析,最终在无需输入标签的情况下实现了主机工况的自动划分。在主机状态监测方面,采用了基于PCA的统计量状态监测方法。根据专家经验选取能表征主机性能的14个变量,将转速、燃油消耗量和航速等变量进行关联性分析,结合均值平滑处理方法对样本进行降噪处理,提高状态监测模型的精度。利用主成分分析法建立由14个变量构成的状态监测体系,利用统计量T2和SPE监测主元和残差空间的变化情况。最终利用该方法对设置的异常样本进行实例化,结果表明建立模型对异常样本可进行异常定位和异常参数的系统分析。最终,基于前面的数据预处理和状态监测模型研究,设计了船舶主机状态监测技术框架,通过软件设计初步实现了该技术框架的开发,设计软件包含对数据样本的读取、状态实时可视化和系统监测,对异常样本进行异常预警和建议,实验证明该技术框架可行、有效,且可用于主机状态的监测和异常状态的预警。