近年来,随着长输天然气管道建设的快速发展,设备完整性管理的理念逐渐融入到管道设备的维护中,从而更加凸显了设备健康管理的重要性。目前,输气站场设备主要分为两大类:静设备和动设备。设备数量、种类繁杂,因此,科学的设备健康评估方法能够很好的反映设备在一段时间内的运行状态,优化设备的维修策略,从而减少因为设备非计划停机给站场带来的损失。本文针对静设备和动设备提出不同的健康评估方法,并且分别以典型设备的实际数据作为验证,证明本文所述方法的可行性。论文主要内容:首先,为了决策出对输气站场静设备健康影响较大的静设备零部件,对输气站场设备历年故障数据进行统计分析,同时结合现场故障情况,分析球阀、监控调压阀和过滤分离器的主要故障以及故障原因,然后结合FMECA故障分析方法,对设备的基本信息、故障模式、故障原因、故障影响程度等关键信息进行统计,并且以风险优先系数（RPN）作为用来评估设备主要故障的量化指标。总结出球阀主要故障为内漏、监控调压阀主要故障为主膜片损坏、过滤分离器主要故障为滤芯和盲板密封圈损坏。FMECA分析的结果决策出对静设备健康状态影响最大的零部件,在此基础上,展开对该部件的可靠性评估。分析处理零部件的历年故障数据进行可靠性建模过程,基于故障数据的概率图模型和K-S假设检验拟合优度检验,确定零部件故障数据的最佳寿命分布模型,并且采用三种参数估计方法对分布参数进行估计对比,构建最佳分布的可靠性指标,并以此作为零部件健康评估的指标。考虑到动设备上具有比较完善的数据采集系统,能够获取各项参数的时间序列数据,本文提出了一种基于自组织映射神经网络（SOM）和最小量化误差（MQE）的动设备健康状态评估模型。首先,为了降低异常数据对模型精度的干扰,对从动设备控制系统中获取的时间序列数据进行预处理。同时,为了克服专家经验在特征筛选中带来的局限性,提出基于Pearson相关性分析的特征选择方法,并结合主成分分析（PCA）减少冗余特征带来的影响。其次,利用健康状态下运行的特征参数数据构建基于SOM神经网络的健康基准模型,采用MQE来构建健康指标HI。最后,以燃驱压缩机组作为典型动设备作为实例进行验证,结果表明该模型能够准确评估机组的整体运行状态,实现早期预警。为了预测动设备关键参数的变化趋势,本文提出基于支持向量机回归（SVR）的燃驱压缩机组效率降级的时序预测模型,对未来效率降级的大小进行预测,在使用交叉验证作为SVR超参数优化方法的基础之上,利用实际的机组运行数据进行验证,结果表明该预测模型能够保证预测结果有着较低误差,及时为效率降级的变化提供预警。