基于FMEA的选择性多保真建模方法，用于计算效率高的数字孪生故障检测 作者：Euicheol Shin、Seohee Jang、Seongwan Kim、Chan Roh、Heemoon Kim、Jongsu Kim、Daehong Lee 和 Hyeonmin Jeon

《Machines》：FMEA-Guided Selective Multi-Fidelity Modeling for Computationally Efficient Digital Twin-Based Fault Detection Euicheol Shin, Seohee Jang, Seongwan Kim, Chan Roh, Heemoon Kim, Jongsu Kim, Daehong Lee and Hyeonmin Jeon

　　摘要
自主导航技术已在汽车和航空领域得到广泛应用，显著减少了人为错误导致的事故和运营成本。然而，由于传统推进系统的复杂性，其在海事系统中的应用仍然有限。电动推进船舶具有明确的系统边界和可获取的运营数据，为自主导航提供了一个有前景的平台。在这项研究中，我们提出了一个基于FMEA（故障模式与效应分析）的选择性多保真度数字孪生框架，用于故障检测。该框架根据从FMEA得出的风险优先级数值，在低保真度模型和高保真度模型之间动态选择模型保真度。这种方法仅在高风险条件下执行计算成本较高的模型，从而提高了计算效率。此外，还采用了一种基于滑动窗口的代数聚合方法来实现轻量级和实时的故障诊断。通过使用100千瓦电动推进船舶在多种故障场景下的运营传感器数据对所提出的框架进行了验证，这些故障场景包括电源故障和信号异常。实验结果表明，与传统基于数据的人工智能方法相比，所提出的方法在保持实时性能的同时降低了计算成本。这些结果证明了所提出的框架是提高自主船舶系统可靠性和安全性的有效且高效的解决方案。

1. 引言
1.1 背景
自主运行技术在移动领域迅速崛起，特别是在航空和汽车领域。这一趋势可以归因于自主系统在运营效率方面的多个优势。例如，在航空领域，无人机配送减少了对人工劳动的依赖，从而降低了人员成本[1]。在汽车领域，机器人出租车通过分析实时交通状况、天气和能源使用情况来减少能源消耗。此外，机器人出租车还有助于减少手动操作过程中发生的人为错误[2,3]。这些例子说明了已经发展到高级阶段并正在向商业化迈进的技术。为了与这些发展保持同步，海事移动领域也越来越重视船舶的自主运行。人为错误约占海事事故的85%，而诸如船员老龄化等问题进一步加剧了开发自主船舶的必要性[4]。然而，目前大多数在运行的船舶推进系统都基于内燃机，这在实现自主导航时存在若干挑战。内燃机涉及多个物理现象之间的复杂相互作用，包括燃烧、热传递和摩擦，导致系统动态高度复杂且系统边界不明确。这一特性与自主导航技术所需的高精度基于模型的预测控制不兼容[5,6,7,8]。相比之下，电动推进船舶的结构相对简单且定义明确，包括电源生成器、配电盘、功率转换器和电动机。此外，电流、电压、频率和充电状态（SOC）等关键运营数据可以定量测量。这些数据表现出线性或弱非线性特性，从而便于系统建模和预测控制[9,10]。因此，采用电动推进对于实际实现自主船舶运行是不可或缺的。
船舶的自主导航可以分为四个级别：第1级和第2级对应于需要船员在船上的有人船舶，而第3级允许从岸上远程控制船舶。最终阶段，第4级代表完全无人自主船舶，这是海事移动领域自主性的最终目标[11]。然而，与陆地系统不同，船舶在孤立的海事环境中运行，在发生事故时无法立即获得外部援助。因此，初始响应的延迟可能导致损害迅速升级，对财产和环境造成重大损害。因此，自主船舶系统必须包含能够及时识别系统故障并执行优化响应程序的故障检测和管理框架[12,13,14,15]。此外，在实际的海事运行条件下，故障在类型、严重性和频率上可能存在很大差异。对所有类型的故障采取统一响应可能导致资源分配效率低下，并可能妨碍对高风险故障的适当响应。因此，确保自主船舶的安全需要适当的故障诊断和管理策略。
尽管有这些要求，现有的海事研究仍存在局限性。数字孪生方法主要集中在一维数据可视化上，而故障诊断方法通常依赖于单一的高保真度模型或计算成本高昂的人工智能技术。这些局限性阻碍了为在多种故障条件下运行的自主船舶开发高效且可扩展的实时诊断系统。

本研究的贡献总结如下：
1. 基于风险的保真度优化框架：本研究提出了一种新的框架，该框架使用从FMEA得出的风险优先级数值（RPN）来确定模型保真度。高风险故障使用高保真度模型（HFMs）进行分析以提高准确性，而低风险故障则使用低保真度模型（LFMs）以提高计算效率。这种基于风险的保真度选择方法在海事数字孪生研究中尚未被探索过。
2. 轻量级实时故障诊断方法：本研究引入了一种基于滑动窗口的代数聚合方法，而不是依赖计算成本高昂的人工智能技术，以减少计算开销并实现实时故障诊断。这种设计特别适用于自主船舶等运营环境。
3. 与实际数据的集成和系统验证：使用从电动推进船舶收集的实际数据开发了一个数据管道，并与远程控制用户界面集成。所提出的框架使用实际运营数据进行了验证，证明了其实际适用性。
4. 通过推进系统案例研究的实际指南：关于推进电机故障场景的案例研究为诊断延迟时间和阈值设置提供了具体指导，表明所提出的框架可以在实际系统中部署。
5. 提高自主船舶运行的安全性：所提出的方法解决了与单线推进配置相关的关键风险，在这种配置下，故障可能导致完全失去推进能力。通过结合基于风险的保真度选择和轻量级诊断结构，该框架提高了自主船舶的安全性和可靠性。

1.2 文献综述
系统故障诊断最可靠的方法是将当前系统状态与其标称状态进行比较。为此，需要一个能够准确复制实际系统物理行为的标称模型。在这种情况下，数字孪生技术最近作为一种有前景的解决方案出现。数字孪生被定义为物理系统的数字副本[16]。这项技术主要用于实时监控、预测性维护、故障检测和诊断以及运营流程的优化，从而为系统运行提供了重要支持[17,18,19]。然而，在海事领域，数字孪生的应用主要限于船舶的外部或结构表示。因此，与其他领域一样，越来越需要整合船舶内部系统的数字孪生研究。
在数字孪生建模中，保真度是一个关键考虑因素，它指的是模型的准确性和复杂性，表明了模型复制实际系统的程度。尽管理想的建模可以完全准确地再现真实系统，但计算资源是有限的。因此，在模型准确性和计算成本之间保持平衡至关重要。数字孪生框架通常使用高保真度模型（HFMs）和低保真度模型（LFMs）。HFMs可以详细模拟物理系统的行为，但它们计算成本高昂且需要较长的模拟时间，不适合实时应用。相比之下，LFMs相对于HFMs简化了特定细节，从而降低了准确性，但显著减少了计算成本并加快了模拟速度，使其更适合实时应用。鉴于这些特性，必须根据模拟的具体目的选择数字孪生模型的保真度[20,21,22]。
在整个系统中应用相同的保真度水平是次优的：由于计算负担，HFMs不适合实时应用，而LFMs的准确性会降低。因此，需要一个系统的故障分析步骤来建立选择数字孪生模型保真度水平的客观标准。这一步骤可以根据潜在故障的严重程度选择保真度级别，从而优化计算资源的使用。故障树分析（FTA）是一种追踪系统故障根本原因的技术。与简单的故障模式枚举不同，FTA能够对故障传播进行逻辑分析。然而，它主要产生定性结果，使得根据故障发生的可能性或严重程度来优先处理故障变得具有挑战性[23,24]。因此，高临界性的故障可能无法得到及时关注，这对于没有立即外部支持的船舶来说尤其危险。
危险与可操作性研究（HAZOP）方法是一种额外的定性方法，主要用于识别流程流中的潜在故障场景并制定预防措施。HAZOP适用于异常状态的系统检查和预防措施规划[25]。然而，由于其分析通常在工艺线级别进行[26,27,28]，因此与船舶操作的直接集成具有挑战性，因为船舶中的运营数据通常是在组件级别收集的。
相比之下，故障模式与效应分析（FMEA）可以提前识别潜在的组件或系统级故障，评估它们对整体系统性能的影响，并定量评估风险[29,30,31]。FMEA的主要目标是优先处理高风险故障模式以进行改进。它特别适用于自主船舶，因为在这些船舶中，早期识别故障和优先处理对策至关重要。FMEA不仅广泛应用于安全关键行业，如航空、汽车、海事和国防行业，还应用于制造、维护和质量管理领域[32,33,34]。最近，FMEA已与数字孪生和预测性维护系统集成，扩展了其在实时故障诊断和对策规划中的应用[35,36]。
选择适当的故障诊断方法对于在数字孪生模型和实际船舶运行之间检测故障至关重要。在各种故障诊断技术中，自适应窗口方法根据数据变化动态调整窗口大小，从而能够敏感地检测异常部分。然而，由于窗口长度不是固定的，这种方法与数字孪生模型的兼容性有限，需要额外的数据后处理步骤，如填充或掩蔽[37,38,39]。因此，这种方法不适合实时性能至关重要的基于船舶的数字孪生系统。相比之下，滑动窗口方法将数据分割成固定长度的部分，从而实现具有恒定输入大小的故障诊断。这一特性确保了与数字孪生模型的高兼容性，消除了后处理的需要。此外，滑动窗口方法在应用于受通信延迟或噪声影响的实时数据时具有鲁棒性[40,41,42]。因此，本研究采用了滑动窗口方法，因为它在实时适用性、模型兼容性和稳定性方面表现更优。

表1总结了关于数字孪生、模型保真度和故障诊断方法的先前研究。

2. 提出的方法
本研究提出了一种基于数字孪生的电动推进船舶实时故障诊断方法，该方法根据FMEA的结果选择保真度模型。所提出的方法包括以下四个步骤：
步骤1：将实际电动推进船舶的运营数据实时传输到岸基控制中心。
步骤2：在MATLAB/Simulink（版本2025a）环境中建模一个与真实船舶具有相同配置的数字孪生船舶，以模拟标称运行状态。为了准确再现物理行为，数字孪生模型包括电池系统、逆变器和推进电机等关键组件的详细实现。在此阶段，根据从FMEA得出的RPN值确定保真度级别，同时考虑计算资源和实时适用性。高风险组件使用HFMs进行模拟以捕捉详细动态，而低风险组件使用简化的低保真度表示进行建模以提高运营效率。
步骤3：将数字孪生生成的标称状态与真实船舶数据进行比较以进行故障诊断。为此，我们采用了滑动窗口技术，该技术将连续数据分割成较小的部分，非常适合比较分析。聚合函数（如MIN、MAX和COUNT）随后被应用来确定是否超过了阈值或测量超出的频率，从而实现故障检测。第四步：最后，系统能够实时监控故障的发生。图1展示了所提出的框架的概览，该框架结合了基于FMEA的保真度选择和数字孪生技术以实现实时故障诊断。图1. 所提出的故障诊断方法及其保真度选择的概览。

2.1 第一步——测量和传输船舶数据
表2展示了本研究中使用的100千瓦电动推进系统的基本规格。表2. 100千瓦电动推进船舶的规格。安装在船舶上的导航设备（例如雷达、GPS）生成了NMEA 2000或NMEA 0183格式的数据，这些数据被输入到中央枢纽。然后这些数据在多功能显示器（MFD）控制台上显示。此外，相同的信号通过串行到以太网转换器转换为以太网格式，并通过局域网连接存储在船上的服务器计算机上。来自电动推进系统的数据（包括电池、逆变器和推进电机）通过CAN 2.0b通信传输，并在船上的数字集群显示器上显示。特别是电池作为船舶的电源，通过集群显示器提供了实时信息，如电流、电池剩余容量（SOC）和各个电池单元的电压。所有测量数据都使用专门的数据采集单元收集。该单元接收来自各种测量设备的电流和电压信号，并将它们转换为可分析的数据格式。转换后的数据通过以太网存储在船上的PC上。随后，收集到的操作数据通过基于LTE的数据链路传输到岸基控制中心，该链路在加密的一对一VPN环境中运行。传输的数据以0.1秒的间隔自动记录在服务器上。在岸基控制中心，部署了一个基于LabVIEW的数据采集系统，以实现船舶运行状态的实时监控。图2展示了岸基控制中心对实际船舶运行的实时监控。图2. 电动推进船舶的运行：(a) 监控视频；(b) 航行轨迹（釜山港）。

为了实现岸基监控，必须执行以下步骤。首先，从船舶接收到的NMEA 0183信号被解析并转换成与船上MFD控制台上显示的格式相同的格式。这种转换使得可以像直接从船舶内部观察一样准确监控船舶的运行状态。为了实现实时数据传输和接收，在基于LabVIEW的程序中实现了一个网络流协议。网络流方法采用单向通信结构，在发送者和接收者之间建立固定的一对一通信通道。这一特性确保了快速的数据传输和可靠的通信，而不会丢失数据。此外，LabVIEW提供了内置的网络流函数和相关属性，简化了系统实现[53,54]。基于这种方法，实际船舶和岸基控制中心的数据采集系统都是使用LabVIEW构建的。具体来说，NMEA 0183信号的输入和输出是在服务器和监控计算机上使用LabVIEW管理的。图3展示了测量数据的转换和传输流程。图3. 100千瓦电动推进船舶中网络流系统的配置。

2.2 第二步——使用FMEA确定数字孪生模型的保真度
数字孪生的计算时间直接受到模型准确性和复杂性的影响，更高的准确性不可避免地会导致更大的复杂性。因此，数字孪生模型的响应时间可能会比实际系统慢，从而引起时间延迟问题。然而，对于实时故障检测来说，必须将数字孪生与实际系统之间的时间差降到最低。这需要仔细考虑模型的保真度，保真度反映了模型的准确性和复杂性。保真度是指模型再现实际系统行为的精确度和详细程度。高保真度模型（HFMs）提供了目标物理系统的详细表示，捕捉了诸如逆变器切换谐波等效应。尽管这能够获得高度准确的仿真结果，但也显著增加了计算成本，并可能导致时间延迟。相比之下，低保真度模型（LFMs）通过省略特定细节来简化物理行为，从而减少了仿真时间要求。然而，这种简化本质上降低了准确性。因此，在选择适当的保真度水平时，必须考虑仿真目标、硬件规格和操作环境，特别是在需要实时应用的情况下。在本研究中，通过简化其表示方式，开发了一个低保真度的逆变器模型。具体来说，采用了近似逆变器在切换期间行为的平均模型。这种方法有效减少了计算负担，同时仍然捕捉了逆变器操作的基本动态，从而在准确性和效率之间取得了平衡。

为了根据操作条件选择不同保真度级别的模型，需要一个客观的选择标准。FMEA（故障模式与效应分析）被用来建立这一标准。FMEA最初由美国国防部开发，作为一种评估系统可靠性的风险分析方法，现已广泛应用于航空航天、汽车、海事和国防等安全关键行业，以及制造、维护和质量管理领域[32,33,34]。最近，FMEA与数字孪生和预测性维护系统结合，实现了实时故障诊断和响应策略的制定[35,36]。FMEA可以分为三类：设计FMEA、过程FMEA和设备FMEA。对于船舶应用来说，设备FMEA是最合适的，因为它专注于分析船舶的操作状态[55,56]。该方法系统地评估每个系统组件的潜在故障、其原因、后果和相关风险[29,30,31]。

FMEA的过程如下。首先，识别系统或组件级别的潜在故障，并分析它们对整个系统的影响。然后，从风险的角度定量评估每种故障模式。评估使用了三个标准：严重性（S），衡量故障影响的严重程度；发生概率（O），表示故障发生的可能性；以及检测能力（D），评估提前检测故障的能力。每个标准都按1到10的等级进行评分，其乘积产生了RPN（风险优先数），数值上表示风险水平。较高的RPN表示相应故障模式下需要优先采取纠正措施[57,58]。在本研究中，进行了FMEA以确定模型的适当保真度级别。首先将推进系统分解为其组成部件，并定义了每个部件在整体系统中执行的具体功能。然后为每个部件列举了潜在的故障模式。对于每个识别的故障模式，分析了其在组件级别以及对整个系统的影响，并系统地调查了根本原因。基于这些分析，评估了严重性、发生概率和检测能力，并计算了RPN。通常，当RPN作为简单的算术乘积计算时，严重性、发生概率和检测能力被赋予相同的权重[59]。然而，在本研究中，每个因素的重要性不同。为了解决这个问题，我们计算了一个加权RPN，考虑了每个因素的相对重要性。基于此，建立了加权RPN的分类标准，并根据这些标准选择了不同保真度级别的模型。具体来说，1到5的值被认为是低风险，5到15的值被认为是中等风险，大于15的值被认为是高风险。考虑到船舶由于其操作特性而容易发生故障，对于中等风险及以上的类别应用了高保真度模型（HFM）。图4展示了基于RPN的保真度模型选择的整体过程。具体数据见附录A。图4. 基于风险优先数（RPN）选择保真度模型。

无论保真度级别如何，电动推进船舶的数字孪生模型都是使用MATLAB/Simulink开发的。例如，在建模逆变器时，高保真度模型（HFMs）和低保真度模型（LFMs）之间的关键区别在于是否明确模拟逆变器切换以再现实际输出波形（HFM），或者使用平均模型来计算输出值（LFM）。在实际船舶中，逆变器的切换频率为12 kHz；因此，在HFM中，仿真步长和采样周期必须非常小。这一要求显著增加了计算需求，需要使用高性能的CPU/GPU资源。对于电池系统，使用基于实际船舶电池参数的库中的电池模块来构建基线模型。为了捕捉动态特性，在电池模块的输出端连接了额外的电阻和电容。然后通过加入输出端口和连接端口将系统模块化为子系统。此外，为了抑制来自功率半导体切换的噪声，在电流测量端口添加了一个低通滤波器。图5展示了数字孪生模型中使用的电池系统。图5. 电池系统的配置。

对于逆变器，HFM和LFM采用了不同的建模方法。在HFM中，使用通用桥模块实现了与实际船舶上安装的逆变器几乎相同的建模。输入是电池系统提供的直流链路电压和脉冲宽度调制（PWM）控制器生成的门极信号，而输出是供给推进电机的三相交流电。由于实际船舶中使用的功率半导体器件是绝缘栅双极晶体管（IGBT），因此将功率电子设备设置为IGBT。在这种情况下，逆变器使用PMSM磁场定向控制块进行控制。相比之下，在LFM中，使用PWM参考生成器块实现了平均逆变器模型。在平均模型中，没有模拟切换操作，而是使用计算出的三相电压命令作为平均电压。因此，无法表示与切换相关的高频成分，也无法进行总谐波失真（THD）等分析。然而，本研究中使用的简化阶数逆变器模型保留了必要的操作特性，同时减少了计算成本和仿真时间。

接下来，使用PMSM磁场定向控制块配置了逆变器控制器。在这个模块中，速度控制器的比例增益和积分增益被输入到外部环路选项卡中，而d轴和q轴电流控制器的比例增益和积分增益被输入到内部环路选项卡中。此外，PWM选项卡用于分别设置控制器的PWM方法和切换频率。控制器向逆变器发送命令，以生成特定的电压和频率，从而调节推进电机的速度。换句话说，控制器决定了逆变器应产生的电压和频率，逆变器相应地调整推进电机的速度。图6展示了逆变器和逆变器控制器的配置。图6. 逆变器的配置：(a) 逆变器；(b) 平均模型逆变器；(c) 逆变器控制器。以下方程分别表示HFM逆变器模型的输出电压和LFM逆变器的平均参考电压。与包含三个切换功能的HFM模型不同，LFM省略了切换操作，从而减少了计算负担。表示逆变器的三相输出电压向量，表示供给逆变器的直流链路电压。表示相位a、b和c的切换功能。此外，表示逆变器的平均三相输出电压向量，表示每个相的调制索引向量，其中表示将直流链路电压和切换状态映射到三相输出电压的非线性切换函数。三相电压向量定义为。切换函数是取值为0或1的二进制信号。调制指数向量定义为。(1) (2) 逆变器外环速度控制器的传递函数定义如下：(3) 内环电流控制器的传递函数同样应用于d轴和q轴。(4) 表示外环速度控制器的传递函数，表示内环电流控制器的传递函数。和分别是速度控制器和电流控制器的比例增益，和表示它们对应的积分时间常数。电流控制器同样应用于d轴和q轴。变量是表示系统动态的拉普拉斯变量。由于实际船舶使用的是PMSM（永磁同步电机），因此选择了PMSM作为推进电机。在模块参数窗口中，输入了转子类型、定子电阻、转动惯量和摩擦系数等值用于仿真。图7显示了推进电机模型。图7. 推进电机控制配置。对于实际船舶中使用的PMSM，考虑了以下基本方程，并据此开发了模型。以下方程表示d-q轴电压方程：(5) (6) 磁通链可以如下表述：(7) (8) 电磁转矩由以下方程定义：(9) 以下表达式描述了旋转动态：(10) 以下方程表示角速度转换：(11) 和分别表示d轴和q轴的电压，和分别表示d轴和q轴的电流。是定子电阻。和分别表示d轴和q轴的电感，表示电角速度。表示永磁磁通链。和分别表示d轴和q轴的磁通链，它们由电流和永磁磁通确定。和表示d轴和q轴电流的时间导数。表示电磁转矩，即电机产生的转矩。是极对数。表示转子的转动惯量，表示机械角速度。表示负载转矩，表示粘性摩擦系数。项对应于粘性摩擦转矩。相电流是通过d-q轴电流的逆变换得到的，并用作推进电机模型的输出，其中表示时间。模块的输入包括来自逆变器的三相功率输出和从船舶动态获得的负载转矩。模块的输出包括推进电机的相电流、转子角速度和电机输出转矩，这些输出被传输到逆变器控制器和监控系统。本研究关注的是一个没有冗余结构的推进电机，使用了考虑真实性的数字孪生模型。因为自主船舶本质上在提供内部和外部支持方面具有挑战性的环境中运行，推进系统的故障可能导致严重事故。特别是对于某些推进电机采用单线配置的船舶，故障可能比其他组件具有更严重的后果。2.3. 第3步——基于滑动窗口方法的故障诊断在第2步中，构建了一个数字孪生模型来模拟实际船舶的标称运行条件。在本研究中，当实际运行数据与模拟的标称数据偏离超过特定阈值时，就识别出了故障。例如，如果推进电机的转速比标称状态下降了5%以上，或者如果突然过载持续了指定时间，则该情况被归类为故障症状。引入了特定持续时间的条件，以避免将推进电机的初始启动误认为是故障。在初始启动期间，由于电机的特性，不可避免地会出现过电流。因为这是正常运行过程中自然发生的现象，所以这些情况被排除在外，以防止误分类为故障。这种故障诊断方法类似于船舶工程师通过经验评估系统当前状态来早期识别异常的过程。在传统的船载报警监控系统（AMS）中，当传感器测量值超过预定义阈值时，就会确定异常情况。相比之下，这里提出的方法在风险管理方面可以发挥关键作用。风险管理是指识别和分析潜在危险以最小化损失，这与本研究的目标一致。因此，将滑动窗口技术应用于故障检测过程。应用这种方法时，必须设置窗口大小，以确保临时异常不会对诊断结果产生过度影响。同时，应调整窗口大小以最小化与事件检测相关的时间延迟。这种方法允许通过充分反映数据流中的过去数据来识别趋势，同时保持平衡，从而使重要数据不会被过多信息稀释。由于最新数据通常具有最高相关性，滑动窗口提供了一种直观的方式来强调它们[52]。在提出的故障诊断框架中，应用了代数聚合函数（如平均值）以确保计算效率。代数聚合允许组合多个分布式聚合函数（例如，求和、计数）来产生结果，从而能够以相对简单的形式表示复杂的统计值。这使得所提出的框架特别适合实时流数据处理和基于滑动窗口的计算环境。此外，它还具有高效计算各种统计值（如平均值、标准差、几何平均值和范围）的优势。在本研究中，使用求和函数和平均值函数来诊断不同类型的故障。图8展示了第3步的流程图。图8. 使用滑动窗口进行故障检测的流程图。表3列出了应用滑动窗口技术所使用的参数。此外，下面的方程展示了滑动窗口方法中使用的代数聚合函数的应用方式。(12) (13) 表3. 基于滑动窗口的故障诊断参数。对于每个窗口，应用了聚合函数（如求和、平均值、最大值或最小值）来计算相应的值。(14) (15) (16) 2.4. 第4步——监控在岸基控制中心，可以通过LTE监控来自实际船舶的电流、电压、温度等参数的状态。还可以观察基于真实船舶数据模拟标称条件的数字孪生模型的状态。这种设置允许检查当前条件，并通过分析真实船舶与数字孪生模型之间的误差来检测故障。实际数据会持续显示，当发生故障时，会显示故障状态及其对应的数据。图9显示了与数字孪生相连的集成监控系统的用户界面（UI），该系统可以从岸基控制中心实时监控船舶的运行状态。这里，(a)表示用于检查整个系统状态的主UI屏幕，(b)表示显示关键运行数据的主屏幕，(c)表示用于详细监控电池单元电压状态的电池单元电压屏幕。图9. 与数字孪生相连的集成监控系统的用户界面（UI）：(a) 主UI；(b) 主屏幕；(c) 电池单元电压。3. 结果在故障诊断结果之前，验证了HFM（高速电机）和LFM（低速电机）在标称条件下的运行特性。分析确认，除了瞬态区域外，两种模型在大多数运行范围内的系统行为几乎相同。此外，HFM的输出包括由开关操作引起的谐波成分，以及类似于实际推进电机输出中的转矩波动。图10、图11和图12分别展示了HFM和LFM的推进电机转速（RPM）、推进电机输出转矩和逆变器输出电流。图10. 标称条件下的推进电机转速（RPM）仿真结果。图11. 标称条件下的推进电机输出转矩仿真结果。图12. 标称条件下的逆变器输出电流仿真结果。为了验证所提出的方法，对电气和机械系统中常见的两种故障模式进行了实验。在案例1中，假设系统的某个组件处于损坏状态或表现出一定程度的性能下降。在这种故障模式下，考虑了推进电机启动后绳索缠绕在螺旋桨上的情况。这表示螺旋桨或轴突然受到恒定幅度的过载，从而产生连续的偏差。通过将特定时间段内的平均误差超过参考值的故障进行分类来评估故障模式。图13显示了异常负载转矩的开始，发生在模拟开始后2秒。图14确认在模拟开始后2秒也发生了异常负载电流。图15显示，当滑动窗口内的平均误差值超过预设阈值时，该情况被识别为故障。尽管系统在启动后的0.5秒内处于瞬态状态，但这并未被归类为故障。然而，在发生2秒后的误差信号被识别为故障。这代表了故障确定的最佳时间。所提出的方法与传统的AMS不同，在传统的AMS中，当测量值超过阈值一段时间后才会宣布异常情况。图13. 情况1——缠绕故障条件下的推进电机输出转矩结果。图14. 情况1——缠绕故障条件下的推进电机相电流结果。图15. 情况1——缠绕故障条件下的故障检测结果。在案例2中，假设了一种故障，其特征是在机械不平衡或周期性负载波动下发生周期性振荡。与案例1不同，这种情况下没有出现明显的瞬时变化，使得故障检测相对更具挑战性。在这种故障模式下，假设推进电机启动后会出现具有恒定周期的异常转矩波动，这是由于轴系统中的轴承故障等问题引起的。这种故障的特点是转矩波动的误差超过了参考转矩的特定比例。图16显示在模拟开始后出现了异常振荡转矩。图17表明在相同条件下发生了异常负载电流。然而，偏差很小，电流仅略高于参考相电流，使得难以明确识别故障。尽管如此，图18显示在启动后的瞬态状态（大约0.5秒）之后，大约在1.1秒时出现了短暂误差，随后系统检测到了误差幅度的增加。从这一点开始，计算了滑动窗口内的误差发生次数，并在大约2.7秒时确认了故障。使用传统的AMS很难检测这种类型的故障，因为传统AMS只能在阈值超过指定时间后识别故障，无法检测周期性波动特征的故障。图16. 周期性负载波动下的推进电机输出转矩结果。图17. 周期性负载波动下的推进电机相电流结果。图18. 周期性负载波动下的故障检测结果。4. 讨论验证是使用单一船舶和有限的运行场景进行的。因此，性能可能会因船舶类型或运行状况的不同而有所不同。此外，由于传感器数量和位置的限制，对某些现象的观察灵敏度可能不足，对于时间变化较大的环境需要额外的验证。最后，这项研究的局限性在于没有对阈值设置进行统计优化。因此，未来的研究方向必须包括将研究范围扩展到推进电机之外，涵盖电池、冷却系统、齿轮/轴系统以及存在内部故障的电力转换器，并同时考虑复合故障和多重故障情景。此外，通过引入基于接收器工作特性和精确度-召回曲线分析的阈值自动化机制，以及自适应调整窗口长度、步长和重复标准，可以在变化的环境条件下实现鲁棒的性能。尽管如此，所提出的方法基于一种通用的结构和程序，这意味着它可以应用于不同类型的船舶（例如大型商船、客船和小型船只）以及各种负载条件（例如不同的运行模式、负载波动和海况）。这表明，尽管存在已识别的局限性，该方法仍可以有效地扩展到更广泛的海洋应用中。

本研究提出了一种实用的实时故障监测替代方案，通过结合基于风险的保真度选择和轻量级的实时诊断方法，采用一种简单且易于解释的程序来比较真实船舶数据与数字孪生模型输出。案例1和案例2中观察到的检测延迟表明，所提出的方法能够快速可靠地响应不同的异常模式。预计进一步的发展，如阈值优化、目标系统的扩展以及与标准的验证，将有助于将这一框架扩展为一种基于数字孪生的集成故障诊断系统，用于自主船舶，从而同时提高安全性和运营效率。

5. 结论

本研究开发了一个轻量级的实时故障诊断框架，该框架根据FMEA获得的RPN来选择模型保真度（HFM/LFM），并采用了滑动窗口技术。所提出的方法使用实际电动推进船舶收集的采样间隔为0.1秒的真实运行数据进行了验证。模拟了与推进电机相关的故障模式，并将其与相应的数字孪生模型进行了关联。结果证实，所提出的框架提供了稳定的诊断性能，满足了实时监测的要求，同时减少了对外部计算成本高昂的基于学习的人工智能的依赖，从而证明了其在自主船舶中的适用性。

通过基于RPN的选择性保真度分配，计算资源被集中到了高风险组件上，滑动窗口方法中的平均偏差和重复次数的使用使得连续性和周期性异常能够被有效检测到。此外，通过提前排除瞬态启动期并根据运行环境设置阈值，降低了误报的可能性。当HFM均匀应用于所有组件时，实时性能会下降；而LFM的均匀应用则无法捕捉到谐波或涟漪等详细现象。本研究提出的选择性混合策略实现了平衡的折中：HFM被分配给高风险组件以确保诊断灵敏度，而LFM则应用于低风险和中等风险区域以保证计算裕度。基于平均值和计数的代数聚合方法即使在存在通信延迟和传感器噪声的流式环境中也表现出鲁棒性。此外，所提出框架的简单性便于操作和维护人员理解。与需要大规模学习和推理流程的方法相比，这种方法降低了部署和维护成本，并提高了可解释性。

在案例1中，模拟了一个突然且持续的过载情况，当数字孪生模型与实际船舶之间的平均偏差超过指定阈值时，由于扭矩和电流的迅速增加，检测到了故障。平均检测延迟约为1.2秒。在案例2中，模拟了由机械不平衡引起的周期性涟漪。为了处理单个阈值超出轻微的情况，在滑动窗口内应用了重复次数。在这种情况下，平均检测延迟约为2.7秒，并且能够稳定地检测到周期性涟漪特征，而不会产生过多的误报。这些结果表明，所提出的框架能够通过使用不同的聚合规则来应对现实世界数据中的变化性和噪声，无论是连续偏差型异常（案例1）还是周期性异常（案例2）。