重型燃气轮机由于发电率较低，灵活性和热效率而在发电中发挥了越来越重要的作用。在严格的环境条件下，燃气轮机的主要子系统（如压缩机，燃烧器和涡轮机）在运行时间内降低，这在很大程度上影响了系统的效率和生产力。因此，开发有效方法以监测重型燃气轮机的性能降解以进行系统预测性维护，从而提高机器的效率和生产率至关重要。本文提出了一种新的物理知情的机器学习方法，以通过无缝整合热力学热平衡机制，组件特征，多源数据和人工神经网络模型来预测燃气轮机的降解。考虑到流量，质量和能量平衡，建立了基于机制的热力学模型，然后将其集成到系统水平，以在不同条件下对燃气轮机进行性能模拟。系统模型能够有效地模拟那些无法测量的参数的值（例如gt排气流）或不准确测量（例如燃油流）。基于机器学习的数据清洁方法用于预处理燃气轮机的多元原始数据。使用ISO条件下的物理信息模型获得的设计性能数据和校正值之间的差异用于评估性能降解。从