预测性维护是提高船用燃气轮机可靠性与经济性的有效手段。通过挖掘燃气轮机历史运行监测数据内蕴含的退化规律,实现燃气轮机退化程度的评估预测,对燃气轮机的可靠高效运行具有重要意义。本文以船用三轴燃气轮机为研究对象,研究了燃气轮机气路性能退化仿真技术,引入深度学习理论,设计船用燃气轮机趋势预测与剩余使用寿命预测算法,完成了相关算法的仿真试验验证,主要研究内容如下:（1）燃气轮机大修周期气路性能退化仿真研究:建立了燃气轮机气路性能退化模型,包括燃气轮机气路数学模型、气路部件退化模型、气路部件退化轨道模型,实现了燃气轮机气路性能退化模拟;建立了燃气轮机检修周期计算模型、退化影响因子计算模型,解决了多个连续检修周期可恢复退化、不可恢复退化和永久退化综合影响下气路性能退化模型仿真边界条件设置问题;引入蒙特卡洛仿真方法,综合考虑运行工况、环境温度、初始退化条件、传感器噪声等因素,开展了600组检修周期内船用燃气轮机气路退化仿真试验,形成了设计工况气路性能退化数据集、变工况气路性能退化数据集、带有随机故障的气路性能退化数据集组成的船用燃气轮机气路性能退化数据集,为开展船用燃气轮机气路故障诊断、故障预测及健康管理研究提供了数据支持。（2）基于长短时记忆网络（Long Short-Term Memory,LSTM）的气路性能退化趋势预测研究:通过对气路监测数据数据标准化、归一化预处理以及滑窗法重叠采样手段,增强了气路性能退化趋势预测算法的泛化能力;利用LSTM神经元深度学习多个历史检修周期内船用燃气轮机气路退化监测数据的时序信息,实现了新的检修周期燃气轮机气路性能趋势迁移预测;利用船用燃气轮机气路性能退化数据集对基于LSTM的气路性能退化趋势预测模型进行了设计点工况和变工况下气路性能退化趋势预测试验,结果表明:所提出的LSTM气路性能退化趋势预测算法实现了监测参数趋势预测和突发故障的检测,预测精度高,且不受环境、工况波动影响。（3）基于卷积神经网络（Convolutional Neural Network,CNN）的燃气轮机剩余使用寿命预测研究:针对燃气轮机监测参数冗余影响剩余使用寿命预测精度的问题,基于Speraman相关系数与平均影响值（Mean Impact Value,MIV）模型,研究了特征监测参数敏感性、相关性分析与特征降维方法;针对数据量少导致的趋势预测过拟合问题,开展了基于滑窗重叠采样法的特征参数重构研究;采用两层卷积层提取气路监测数据的高维特征,构建基于CNN的剩余使用寿命预测模型,在保证预测精度的同时提升模型的收敛速度;利用船用燃气轮机气路性能退化数据集对基于CNN的船用燃气轮机气路剩余使用寿命算法在设计点工况和变工况进行气路剩余使用寿命仿真试验研究,结果表明:所设计的方法实现了气路退化特征参数与剩余使用寿命的非线性映射,较好地预测了燃气轮机气路剩余使用寿命。（4）船用燃气轮机气路性能退化预测仿真试验:开发了气路退化预测算法原理样机,设计了燃气轮机气路性能退化预测软件,进行了船用燃气轮机气路性能实时退化趋势预测、剩余使用寿命预测功能的在环仿真实验,验证了所设计的船用燃气轮机气路性能退化趋势预测与剩余使用寿命预测算法的可行性和有效性。