《Journal of Marine Science and Engineering》：Literature Review Analysis: Fault Diagnostics of Marine Engines
编辑推荐：
船用柴油机（marine diesel engines）仍是船舶推进与船上发电的核心；然而，由于子系统相互作用复杂、运行工况多变以及真实故障数据可获得性有限，故障监测（fault monitoring）、诊断（diagnosis）与有效维护仍具有挑战性。该综述
船用柴油机（marine diesel engines）仍是船舶推进与船上发电的核心；然而，由于子系统相互作用复杂、运行工况多变以及真实故障数据可获得性有限，故障监测（fault monitoring）、诊断（diagnosis）与有效维护仍具有挑战性。该综述考察了2015–2026年间关于船用柴油机（marine diesel engines）、船用燃气轮机（marine gas turbines）及直接相关燃烧发动机子系统的故障检测（fault detection）、状态监测（condition monitoring, CM）、健康评估（health assessment）与预测性维护（predictive maintenance, PM）的最新研究。基于Scopus的检索覆盖2015–2026年，并通过题目、摘要与关键词分析进行筛选。最终数据库包含200余篇论文，按七个方法学领域组织：基于模型与仿真辅助的诊断（model-based and simulation-assisted diagnostics）、信号处理方法（signal-processing methods）、有限数据与可迁移性问题（limited-data and transferability issues）、数据驱动诊断与预测性维护（data-driven diagnosis and predictive maintenance）、可靠性与维护优化（reliability and maintenance optimization）、润滑与磨损诊断（lubrication and wear diagnosis），以及燃烧与排放性能监测（combustion and emissions performance monitoring）。综述显示，2020年后明显转向机器学习（machine learning, ML）、深度学习（deep learning, DL）、数字孪生（digital twins, DT）与混合诊断框架（hybrid diagnostic frameworks）。发动机监测以及涡轮增压器与排气系统是最常涉及的对象，而燃油喷射、润滑、磨损与缸内燃烧诊断尽管与早期退化相关，仍代表性不足。结果还凸显了算法开发与运行验证之间的持续差距，因为许多研究依赖实验室、试验台或发动机数据集。综述还讨论了诊断结果如何为维护决策提供信息，并强调需要使用反映实际船上运行条件的真实仿真数据集来验证未来机器学习算法。未来进展需要更充分的运行数据验证、可复用基准数据集以及可解释的混合模型，这些模型应结合传感器数据、发动机物理知识与维护方法学。
1. Introduction：航运承担大宗货物运输并连接工业部门，绿色高效运行、风险与故障降低对海上运输至关重要；国际海事组织（International Maritime Organization, IMO）能效政策推动可再生能源、替代燃料、能量管理与余热回收等策略。智能维护因可提升效率、可靠性与可持续性并降低突发故障和运营成本而受到关注。船用动力系统仍大量依赖内燃柴油机，故障往往不表现为单一机械警告，而会影响燃油消耗、排气温度、燃烧质量、排放、涡轮增压器行为与整体效率，因而早期诊断对可靠性、寿命、运营与环境绩效均重要。船用发动机机械与电子系统高度耦合，子系统故障可相互影响，动态工况下预测更困难；相关研究正由经典状态监测、风险方法与被动维护转向数据驱动、数字孪生与预测性维护。该部分还归纳了基于模型、仿真辅助与数字孪生诊断、信号处理、数据驱动预测维护、可靠性/风险维护、油液诊断与燃烧性能诊断等方法，并指出单一技术难以充分覆盖船用内燃机复杂性，稳健框架趋向融合测量数据、物理知识、信号解释与维护推理。
Aim, Scope, and Novelty：该研究旨在开展系统综述，整合分散知识、识别趋势并揭示研究缺口；主要基于Scopus数据库，筛选2015–2026年关于船用内燃机故障检测、诊断、状态监测与预测性维护的同行评议期刊、会议论文与工程类出版物。其主要贡献包括为船用机械系统故障诊断提供清晰框架；不仅统计出版数量，还揭示诊断方法与发动机部件、数据来源之间的对应关系；呈现由经典维护向数据驱动、数字孪生与预测性维护的转变；并强调未来需整合运行传感器数据、发动机物理模型、部件级退化指标与不确定性预测算法。该部分还界定故障检测、故障诊断、状态监测（condition monitoring, CM）、健康评估、预测性维护（predictive maintenance, PM）与数字孪生等概念。
2. Search Strategy and Data Extraction：检索策略遵循系统综述的透明设计、明确纳入排除标准、可复现筛选与主题综合原则。Scopus检索组合三类词：海洋/船舶相关词、发动机相关词与诊断相关词，并限定题目、摘要与关键词字段，时间窗为2015–2026年。记录导出后进行人工与半自动筛选：先去除重复与明显无关记录，再依据题目、摘要与关键词判断是否涉及故障检测、诊断、状态监测、退化评估、预测维护、健康管理或可靠性评估，且诊断对象为船用柴油机、船用燃气轮机或直接耦合燃烧发动机子系统。初检获得2114条有效题名记录，首轮筛出497条可接受记录，其中297条初步归类为内燃机相关、200条为其他邻近类别；最终形成253篇直接相关核心文献，并保留23篇范围邻近研究，另排除21篇原标记为发动机相关但未以燃烧发动机故障诊断为中心的研究。
Bibliometric Overview：文献显示船用发动机诊断由经典状态监测转向数据驱动、数字孪生与预测性维护。年度 publication 趋势自2017年持续增长，2020年后加速，2024年最高。期刊主要分布于海洋工程与应用工程领域；在“Ocean Engineering”类别中，Q2期刊39篇（69.6%），Q1为10篇（17.9%），Q3为7篇（12.5%），无Q4。摘要分析中，42篇涉及仿真模型（GT-Power、AVL-BOOST、有限元模型（finite element model, FEM）、数字孪生），16篇明确报告试验发动机数据，163篇明确使用真实或试验台数据验证，68篇涉及磨损、污垢、损伤与性能衰退等退化数据。诊断方法以可靠性维护、统计机器学习与深度神经网络为主；诊断目标以发动机级监测最受关注；验证类型以实验室与试验台数据最常见，其次为运行传感器数据与故障案例。
3. Literature Review Notes：经首轮数据库精炼后，文献按七类宏观主题组织，且类别之间并非互斥。
3.1. Model-Based, Simulation-Assisted, and Digital-Twin Diagnostics：该类研究利用物理与半物理建模、热力学仿真、数字孪生逻辑、信息融合、专家推理与仿真辅助可靠性分析提升诊断解释性。相关研究使用仿真复现活塞环与缸套磨损、以主成分分析（principal component analysis, PCA）构建主机性能指标并识别冷却水温度高、缸套温度高、排气温度高与涡轮增压器转速低等异常；结合缸内压力、燃油消耗与排放数据开展数字孪生与人工神经网络（artificial neural network, ANN）解释；利用GT-Power分析涡轮增压器退化与双燃料模式下性能衰减；以AVL-BOOST构建MAN 6S50等低速机多故障场景；采用长短期记忆网络（long short-term memory, LSTM）分析涡轮增压器与排气管路；使用支持向量数据描述（support vector data description, SVDD）建立异常单类边界；采用贝叶斯推断量化性能预测不确定性；结合遗传算法与反向传播（back propagation, BP）神经网络诊断；数字孪生框架可检测传感器异常并触发纠正动作；故障树分析（fault tree analysis, FTA）用于启动空气歧管故障，FEM用于结构健康评估。
3.2. Signal-Processing-Based Condition Monitoring：该类的假设是早期故障会在严重失效前改变发动机动态、声学与热行为；由于航行中难以直接检查关键部件，振动、声发射、加速度信号、缸内压力与排气波动等非侵入测量成为重要诊断工具。研究采用小波分析、经验模态分解、变分模态分解、辛几何分解、流形学习与时频表示提取故障敏感信息；并将振动时间序列转换为图像后由卷积神经网络（convolutional neural network, CNN）、Swin Transformer等分类，报告了较高准确率与噪声鲁棒性。应用对象包括轴承、燃烧室与燃烧过程、双燃料发动机失火、活塞环、燃油喷射器、气阀泄漏与涡轮增压器；部分研究采用现场可编程门阵列（field-programmable gate array, FPGA）实现实时监测。
3.3. Limited Data Availability：真实船用发动机故障稀少、昂贵且具安全风险，导致模型跨数据集、机型与工况迁移时可靠性下降。相关研究提出信息物理框架连接监测、容错控制与传感器故障诊断；以均值模型仿真与双迁移学习缩小仿真—实验差距，跨域柴油机故障诊断平均准确率超过97.70%；在W?rtsil? 9L34DF双燃料机上，迁移学习在目标标签完整时准确率超过90%，标签不完整时约86%，并可检测未知工况下的已知与未知故障；部分研究在部分集与跨工况诊断中达到约96.58%；利用有限元仿真与深度卷积生成对抗网络（deep convolutional generative adversarial network, DCGAN）生成样本；针对弱标签或稀缺故障类采用注意力机制、CNN与深度Q网络（deep Q-network, DQN）等。总体表明有限数据不仅是数据集问题，也是涉及迁移性、鲁棒性与分布外故障识别的部署问题。
3.4. Data-Driven Engine Fault Diagnosis and Predictive Maintenance：该类是文献中规模最大且增长最快方向。早期以传统机器学习与统计工具为主，如马氏距离、随机森林、流形学习与孤立森林；近期整合神经网络、嵌入式与多变量诊断架构。研究在Xilinx ZYNQ片上系统（system on chip, SoC）实现柴油机故障检测；采用时间卷积网络（temporal convolutional network, TCN）与注意力机制进行故障诊断；自编码器用于发动机级健康评估。LSTM自编码器在健康数据上训练后可检测双燃料机排气系统故障，精确率1.00、召回率0.82、F1-score为0.90，并识别未报告故障；自编码器异常检测可较报告故障日期提前11–14天预警，平均F1-score为85.3%；二值对抗自编码器在多变量柴油机时间序列上取得F1-score 0.937与精确率0.910；ZYNQ实现准确率92.86%并将算法模块加速95%以上；LSTM剩余使用寿命（remaining useful life, RUL）预测可跨第二负载剖面泛化。该部分同时指出迁移学习与域适应局限：文献域偏移常窄于船上实际变化，部分方法需目标域信息或假定源域与目标域故障类相同，统计对齐不保证物理解释一致性。
3.5. Reliability, Risk, and Maintenance Optimization：该类构成诊断到决策、成本与可用性的连接层，采用FTA、失效模式与影响分析（failure mode and effects analysis, FMEA）、失效模式、影响与危害性分析（failure mode, effects, and criticality analysis, FMECA）、模糊逻辑、贝叶斯网络、马尔可夫/半马尔可夫过程、遗传算法、专家系统、退化建模与维护优化框架。研究将Weibull分析、马尔可夫链与数据包络分析（data envelopment analysis, DEA）结合，使平均无故障时间提高至22000 h，并将关键部件故障比例由64.3%降至40%；基于故障历史与成本数据选择预防性维护间隔；以可靠性中心维护（reliability-centered maintenance, RCM）、马尔可夫建模与遗传算法重设计维护计划；将高压燃油泵预防维护间隔由8000运行小时缩短至4000运行小时，使系统可靠性由60%提高至95%；证据推理融合多数据驱动模型可提升磨损诊断准确率、鲁棒性与容错性；磁阻监测可用于活塞环磨损在线快速监测。
3.6. Lubrication, Wear, and Oil-Based Diagnosis：润滑油既是保护介质也是信息载体，反映摩擦、磨损、进水、氧化、燃油稀释、积炭与运动部件退化。研究比较数据驱动与物理模型，发现润滑油滤器堵塞导致润滑油压力由预测的3.2–3.8 bar降至约2.3 bar；电容法评估润滑油含水量；热分析、傅里叶变换红外光谱（Fourier transform infrared spectroscopy, FTIR）与流变学可揭示润滑剂退化与添加剂耗竭；润滑系统状态与磨损被纳入FMECA、贝叶斯网络、模糊FMEA、可靠性与大数据诊断框架。油液分析频率会影响润滑系统故障概率与成本最优检查间隔，模型建议两个月而非常用三个月；部分研究将油液、磨损、超声、机器学习与状态维护结合，基于真实机舱模拟器数据的分类器故障检测准确率可达99%。
3.7. Diagnosis Based on Combustion Performance and Emissions：该类将发动机健康评估与故障的热力学及环境后果相联系，使用排气温度、喷射压力、燃油消耗与排放等性能指标作为诊断证据。深度学习基于排气温度与实验数据取得较最佳传统方法提高6.15%的诊断准确率；燃油喷射与燃烧研究结合特征选择与集成学习识别失火、低功率与过高燃油消耗相关喷射故障；随机森林与支持向量机（support vector machine, SVM）用于燃油喷射与燃烧过程诊断；概率神经网络（probabilistic neural network, PNN）与粒子群优化（particle swarm optimization, PSO）用于喷油器与缸内压力故障；排气温度预测残差可生成早期故障预警，CNN-BiLSTM-Attention与马氏距离残差监测可将热偏差转化为报警；改进优化GRNN用于排气温度预测；NARX神经网络用于性能变量预测；特征曲线与大数据聚类支持性能退化实时监测与维护调度；AdaBoost模型在燃油消耗与实验数据上达到96.5%总体性能。
3.8. Preliminary Comparisons：该部分通过比较分析归纳不同诊断方法的目标子系统、数据需求、优势与不足。基于模型与数字孪生方法主要支持发动机级、涡轮增压器、燃烧与排气分析；信号处理方法聚焦动态机械与燃烧相关信号；数据驱动方法覆盖发动机与子系统监测；可靠性方法支持检查与维护决策；润滑方法面向易磨损部件；燃烧/排放诊断连接燃油喷射、缸内燃烧与排气行为同效率及环境绩效。该文同时指出未讨论可解释人工智能（explainable artificial intelligence, XAI）是其局限之一。
4. Discussion：从工程角度看，没有任何单一方法族能完全解决船用内燃机故障诊断复杂性。信号处理方法对从振动、声学、压力与转速信号提取早期故障特征仍不可或缺；机器学习与深度学习适于多变量数据中的模式识别、异常检测与预测；基于模型与数字孪生方法通过复现难以实验获得的故障场景提升可解释性并补偿故障数据不足；可靠性与维护优化方法将诊断信息转化为检查计划、风险降低与维护决策。因此领域未来不是替代某一方法，而是发展混合诊断架构。该综述的重要贡献在于整合诊断方法、监测部件、数据来源与验证类型，显示领域日益数据驱动但不同部件与数据源成熟度不均：系统级监测与涡轮增压器诊断代表性较强，燃油喷射、润滑与磨损诊断相对不足。诊断输出可支持检查排序、维护调度、传感器一致性核验、涡轮增压器与排气系统检查、喷油器检查、油液采样与污染检查、缸压分析与排温监测等。方法学发展快于验证实践，许多高准确率研究基于实验室、试验台、仿真或单机案例，长期船上验证与公开可复用基准数据仍有限。数据稀缺受保密、实验成本、船舶自动化水平低与运行日志有限等因素影响；迁移性与可解释性仍待解决，纯黑箱模型难以支撑安全相关维护决策，未来应融合数据驱动学习、发动机物理知识、部件级退化指标与不确定性决策模型。时间演化显示2020年后加速，2023–2025年最集中，深度学习2024年出现最高，机器学习持续存在，信号处理仍相关，模型/数字孪生自2021年起增加，燃烧与排放诊断渐增，润滑与磨损因长期退化模拟和岸上油液试验困难而较少。关联分析表明发动机级监测占主导，涡轮增压器、空气管理与排气路径次之，控制/传感/数据采集系统较强，燃油喷射、润滑与磨损较少；仿真数据与模型/数字孪生关联，维护可靠性记录与可靠性方法关联，排气温度与燃烧排放诊断关联，振动/声学与信号处理关联，运行传感器数据支撑机器学习与深度学习。故障诊断还具有直接能效维度，涡轮增压器、燃油喷射、燃烧或润滑故障可改变燃油消耗、排温、负荷响应与排放。
5. Conclusions and Future Works：未来研究应走向整合运行传感器数据、发动机物理模型、部件级退化指标、油液与磨损信息、燃烧压力数据、排温趋势与不确定性预测的综合诊断框架，并更明确连接容错控制与容错设计。数字孪生与仿真辅助模型不仅应生成人工故障场景，还应以物理有意义行为约束数据驱动算法；需要多发动机、多船舶数据集覆盖不同运行剖面、燃料类型、维护历史与传感器配置，机器学习验证还应包括模拟真实工况的仿真数据集，涵盖变负荷、瞬态、传感器噪声、退化进程、环境变化与复合故障。共享基准数据集、透明验证程序与标准化性能指标可提升可比性；基准构建还应包含发动机类型、负荷剖面、运行状态、传感器配置、故障类型、故障严重度与验证条件等元数据。总体而言，船用内燃机故障诊断正朝数据密集型与模型 informed 方向发展，但在数据可用性、船上验证、迁移性、可解释性与标准化方面仍存挑战。基于文献可归纳通用诊断算法步骤：从压力、温度、振动、声学、燃油消耗、润滑油性质与运行条件等混合来源采集数据；预处理不一致记录；提取物理、统计与信号处理特征；识别异常、分类故障并估计严重度或退化状态；结合燃油消耗与排放等能效指标解释诊断输出；最终转化为检查、部件核验或维护调度等维护行动。短期算法研究应聚焦变负荷、传感器噪声、测量不完整与故障样本有限条件下稳健且可解释的诊断模型，尤其是融合物理知识、信号处理、机器学习与诊断规则的混合方法；数据建设应提供记录更完善的运行与环境条件、负荷、维护历史与故障严重度数据集；工程验证应同时采用分类指标与支持船上决策的能力，并在故障解释中考虑燃油消耗、排气温度与排放等性能指标。
