在船舶动力系统中,推进轴系的安装质量直接影响到整个系统的工作状态。在轴系安装工作完成后只能测量部分轴系参数如轴承负荷、轴段弯矩等,更多依赖人工经验进行调整以满足规范要求,存在船舶轴系装调过程效率较低,轴承的变位调整缺乏合适的参考模型,不能快速找到当前状态下合理调整方案的问题。本文在国家自然科学基金重点项目（51839005）资助下,基于深度强化学习中的确定性策略梯度算法（Deep Deterministic Policy Gradient,DDPG）,开展了利用部分轴承实测负荷预报轴承变位调整技术的研究。首先介绍了深度强化学习算法的演变过程,分析了DDPG算法的原理。该算法能处理连续状态空间中施加连续空间动作的问题,符合轴承变位调整过程的背景。然后利用三弯矩方程构建了轴系的仿真模型,并利用有限元软件验证模型准确性,分析了轴承变位对于轴承负荷的影响。基于轴系的仿真模型,分析了轴承变位调整的马尔科夫决策过程,以此为基础确定了该过程中的状态、动作量,建立了轴承变位调整预测的DDPG算法。在建立好的DDPG算法框架基础上,设计了奖励函数的形式、神经网络的结构,以及相关的算法超参,讨论分析了神经网络学习率对算法收敛性的影响。针对算例中前艉轴承在原始的预测调整方案下负荷偏大的问题,重新设计了奖励函数的形式,经训练后,所预测得到的调整策略明显优于原方案。为进一步减少轴承调整的工作量,分析了顶举法测量负荷带来的误差,并将利用三弯矩方程求解的顶举系数加入到轴系仿真环境中,使得模型能以当前顶举负荷为输入,提出减少轴承调整数量的优化目标,讨论了优化目标实现的方案,并根据优化方案进一步优化了奖励函数的形式,基于新的DDPG算法,能实现减少轴承的调整数量,为实际工程提供理论参考。