健康状态评估与故障诊断是故障预测与健康管理(PHM)技术的一部分,通过分析设备的状态信息,选择适当的评估方法对设备健康状态进行评估,并对故障进行诊断和预测,根据评估和预测结果给出科学的维护建议。动力设备是船舶的重要设备,对其进行健康状态评估和故障预测,及时发现设备存在的隐患并进行维护,对保证船舶安全航行具有非常重要的意义。论文以船舶动力设备为对象,研究建立了健康状态评估模型,利用设备冲击振动信号建立了基于一维CNN、基于深度卷积神经网络的故障诊断模型,并针对噪声干扰和载荷突变情况下的模型适应性进行了深入分析和模型优化。主要工作如下:(1)分析了船舶动力系统结构和常见故障,建立了动力系统主要设备船舶柴油机的健康评估指标体系,研究了基于主客观赋权法的指标体系优化方法。提出了基于改进灰狼算法优化(IGWO)的最小二乘支持向量机(LSSVM)算法(IGWO-LSSVM),对设备健康状态进行评估,通过实例研究表明该评估算法的平均准确度为99.4%,验证了上述指标体系和评估算法的有效性。(2)针对传统的“特征提取+特征降维+特征分类”故障诊断方法对专家经验依赖度高、通用性低等问题,研究了“端到端”的故障诊断方法,以船舶柴油机主轴滚动轴承为对象,提出了一种基于深度卷积神经网络的智能诊断方法。首先建立了只有一个卷积层的一维CNN故障诊断模型,结合数据集增强,实例研究结果表明该模型诊断准确度大于97%。(3)针对噪声干扰和载荷变化会降低故障诊断模型性能的问题,从网络深度和第一层卷积核大小进行改进,提出了第一层为大卷积核和其它层为小卷积核的WB-DCNN模型,并引入批量归一化(BN)层提高模型训练速度;为了进一步提高深度卷积神经网络的领域自适应能力,引入残差模块,提出基于残差模块的Res14-DCNN诊断模型,并对模型进行神经元和分类过程可视化,解决了神经网络模型难分析的问题。实例研究表明Res14-DCNN模型具有较高的抗噪性和变载荷自适应能力。(4)针对噪声干扰不会消失、而变载荷问题又经常发生的问题,研究了自编码器,并提出基于深度卷积神经网络的去噪自编码器(DCDAE)对数据进行去噪处理,提出了基于DCDAE的增强型Res14-DCNN故障诊断方法。实例研究表明,该方法在噪声干扰下具有很高的故障识别率,并且在噪声干扰下的变载荷情况中故障诊断能力也优于其它模型。