陀螺减摇装置是一种可以有效抑制船舶横摇的稳定装置。目前,针对陀螺减摇装置运行状态异常识别和故障诊断展开的研究还很少,在工程实践中,工程师往往通过人工经验的方式对设备的运行状态异常或零部件故障进行识别和判定。然而,这种方式主观性较强,缺乏可信的理论依据。此外,陀螺减摇装置安装于河海中航行的船只,整个装置为了抵抗恶劣的海上运行环境被设计为长期全封闭结构,其拆装维护保养较为困难。同时支撑陀螺转子的轴承长期处于高速重载的运行状态,其发热磨损较为严重,这会导致轴承出现故障的频率较高。为了提高识别运行状态异常和零部件故障的准确度,本研究将基于机器学习的故障识别与基于机理分析的异常判别相结合,从而对船用陀螺减摇装置进行异常识别和故障诊断,主要包括:使用孤立森林和稀疏自编码器机器学习模型进行设备的故障诊断;对设备运行状态属性使用机理阈值和统计规律相结合的方法,进行设备运行状态的异常程度评分;将使用机器学习模型和机理分析模型判别的结果相结合,得到多判据融合的综合状态评分结果。针对转子轴承这一设备关键部位,本研究使用共振解调时频域分析的方法对轴承的振动信号进行故障识别和诊断。此外,本研究还设计开发了陀螺减摇装置故障诊断的系统交互界面,并在系统中加入了设备状态预警的功能,方便企业人员操作使用。本研究将机器学习与机理分析得到的结果相结合,改善了使用单一模型造成的难以发现潜在设备异常、模型随机性较大、模型可解释性较差等问题。这可以发挥两种方法各自的优势,从而达到更好的识别效果。本研究有助于企业工程师从大量杂乱无章的设备状态数据中提取到有效的设备状态信息。同时本研究也可以成对船用减摇装置的故障识别,为制定合适有效的维护保养方案奠定基础,从而降低维护成本,提升维护效率。