为了了解船舶的状态,工作人员和控制器需要得到传感器准确的测量数据。传感器测量数据的准确性保证了船舶安全地航行。然而,相比于船舶的其他部件,传感器发生故障的概率更高。假如不能及时发现故障源,采取正确的策略,将导致代价高昂、不必要的系统停机,甚至发生更严重的安全事故。所以,研究如何及时发现传感器故障,并在故障发生后采取容错措施具有十分重要的意义。船舶传统的方法是通过硬件冗余的方法提高系统的容错性,例如采用两个甚至多个传感器对同一个参数进行监测。本文采用的是软件冗余的方法,即通过解析模型为监测参数或变量提供冗余。该方法不需要额外的硬件,可以节约大型系统的成本。论文以船舶柴油机滑油系统为研究对象,针对传感器故障导致监测数据发生异常的问题,主要做了如下两个部分的研究工作:首先,在发现监测数据异常后,采用皮尔逊相关分析法进行故障辨识。通过比较正常状态和故障状态的相关系数矩阵,可以区分设备或传感器的故障。本文以滑油冷却器脏堵故障数据和滑油系统正常运行状态数据进行验证,结果表明,该方法是可行的。其次,在确认传感器发生故障后,利用变量之间的相关关系,采用解析冗余方法对传感器数据进行恢复。本文研究的数据恢复是应用人工智能理论和方法对传感器数据进行分析和研究,用最佳估计值代替故障数据,实现短期数据恢复。具体工作如下:采用向量自回归（VAR）模型对传感器异常数据进行恢复。结果表明,虽然误差很小,但由于VAR模型更适合线性关系挖掘,并且在实际中很多情况都是非线性的,因此该方法存在一些缺陷。对于非线性关系的挖掘,引入了BP神经网络进行研究。针对初始权值和阈值选取困难的问题,采用遗传算法对其进行优化。结果显示,未经过遗传算法优化的BP神经网络的准确性不如VAR模型,优化后的网络误差小于VAR模型,效果较好。由于训练数据量小,BP神经网络的恢复效果不好。因此,论文研究了一种既适用于小样本,又能充分挖掘非线性关系的支持向量回归（SVR）算法。最后比较几种方法的恢复结果,VAR模型的均方误差（MSE）值为0.103;BP神经网络的MSE值为0.1986;经过遗传算法优化的BP神经网络MSE值为0427;SVR模型的MSE值为0.0107。结果表明,SVR算法的恢复准确性最高,稳定性最好,满足工程实际需要。