船舶综合电力系统故障诊断技术十年回顾：挑战与智能运维新趋势

《Ocean Engineering》：Recent advances in fault diagnosis of ship integrated power systems: A review

为应对船舶综合电力系统(IPS)因局部故障引发级联失效的风险，本文系统回顾了2016-2025年间79篇核心文献，聚焦基于模型、数据驱动、知识驱动和混合方法四大技术框架。研究揭示了当前面临数据采集失衡、传感计算能力受限、耦合故障诊断可靠性低三大挑战，并提出通过增强数据质量、迁移学习、无监督建模等智能预处理技术提升诊断精度，为船舶IPS的高可靠性智能诊断设计提供理论指导和实践参考。

　　

随着全球贸易中海运占比达80%，船舶作为核心运输载体正朝着智能化、集成化、电气化方向快速发展。传统机械传动船舶存在能量利用率低、系统冗余不足等局限，而船舶综合电力系统(IPS)通过整合推进动力系统与电力系统，实现了电能的统一供应与管理，显著提升了系统灵活性和能源效率。然而，IPS在运行中面临独特挑战：作为孤立微电网缺乏强电网支撑，负载高度动态不确定，且恶劣海洋环境易引发设备故障。局部状态变化可能迅速反馈至整个系统，触发级联故障直接威胁航行安全，这使得可靠、实时的故障诊断成为保障船舶IPS安全运行的关键环节。

为系统梳理该领域进展，武汉理工大学自动化学院团队在《Ocean Engineering》发表综述，聚焦过去十年(2016-2025)IPS故障诊断的重要发展。研究团队遵循PRISMA指南，系统检索Web of Science、IEEE Xplore等四大数据库，最终纳入79篇核心文献，从方法论框架、技术挑战、未来方向三个维度展开深入分析。

研究团队主要采用系统性文献综述与比较分析法，通过PRISMA框架进行文献筛选和质量评估，建立包括模型驱动、数据驱动、知识驱动和混合方法四大类别的技术分类体系，并运用定量统计与定性分析相结合的方法评估各技术路径的适用场景与性能表现。

在方法论层面，研究系统分析了四类诊断技术的特点：基于模型的方法（如扩展卡尔曼滤波EKF）依赖精确物理建模，理论解释性强但建模复杂；数据驱动方法涵盖信号处理（小波变换DWT、经验模态分解EMD）、机器学习（支持向量机SVM、随机森林RF）和深度学习（卷积神经网络CNN、图神经网络GNN）等技术，擅长处理非线性数据但依赖样本质量；知识驱动方法基于专家规则和模糊逻辑，实施简单但适应性有限；混合方法通过多技术融合（如深度信念网络与D-S证据理论结合）展现综合优势，但架构复杂。通过横向对比发现，数据驱动方法在过去十年中持续占据主导地位，尤其在2021-2025年间呈现快速增长态势。

在技术挑战方面，研究识别出三大核心问题：传感器数据采集质量受海洋环境噪声、测量误差影响显著；深度学习算法在船载计算平台上的部署面临实时性约束；耦合故障场景下诊断可靠性降低。特别指出，多故障并发时特征重叠、传播路径复杂，传统单变量阈值方法难以有效捕捉故障特征。

针对这些挑战，研究提出三个重点发展方向：通过智能传感技术和数据增强提升数据质量；利用迁移学习和无监督建模缓解样本稀缺问题；开发适用于耦合故障条件的建模与推理框架。值得注意的是，数字孪生技术被强调为未来重要方向，其通过构建高保真虚拟模型可实现故障预测与健康管理。

在工程验证方面，研究汇总了多种实验平台的应用情况：基于仿真模型（如MATLAB/Simulink）的验证占较大比例，实验室平台（如脉冲负载实验台）提供实物验证环境，真实船舶数据（如USCGC Spencer号）则体现实际应用价值。部分先进方法已在 Hangjun 20、Changjing 2 等实船获得验证，显示出良好工程适用性。

研究结论表明，IPS故障诊断技术正从单一方法向多技术融合方向发展，智能诊断、数字孪生等新兴技术将推动系统向自主感知、智能决策的智能化运维演进。通过深入探索数据质量提升、智能算法优化、多故障耦合诊断等关键方向，有望突破现有技术瓶颈，为船舶IPS的高可靠运行提供坚实保障。这项系统综述不仅为研究人员提供了清晰的技术发展路线图，也为工程实践者选择适用技术方案提供了重要参考，对推动船舶电力系统智能化转型具有重要指导意义。