《International Journal of Naval Architecture and Ocean Engineering》：A framework and application for dynamic assessment of ship equipment based on multi-source data fusion and digital twins
编辑推荐：
针对复杂海洋环境（高湿度、高盐度、多源干扰、故障类型多样）中的诊断挑战，研究人员以船用离心风机为对象，构建了融合数字孪生（Digital Twin）和多源异构感知（Multi-source Heterogeneous Sensing）的智能状态评估框架。振动、
针对复杂海洋环境（高湿度、高盐度、多源干扰、故障类型多样）中的诊断挑战，研究人员以船用离心风机为对象，构建了融合数字孪生（Digital Twin）和多源异构感知（Multi-source Heterogeneous Sensing）的智能状态评估框架。振动、视觉和转速数据被同步并映射到轻量级数字孪生模型，用于动态状态感知。基于鲁棒马氏距离（Robust Mahalanobis Distance）和卷积神经网络（Convolutional Neural Network, CNN）的融合策略识别了六种故障模式（加权F1=0.9965）。针对船舶舱室定制的视觉检测模型在mAP@0.5上达到0.861（裂纹）和0.827（腐蚀）。多模态结果增强了对近海环境的适应性和鲁棒性。交互程序实现了实时监控和故障可视化。实验验证了高诊断精度、快速响应和高效部署，支持智能船用设备状态管理。
船舶智能化和绿色低碳转型对维护技术提出了更高要求，传统基于经验判断和定期检修的方式难以满足现代船舶系统的高可靠性和高效率需求。数字孪生技术凭借其复杂系统建模和实时交互能力，在航运领域获得广泛关注。然而，船舶设备在长期航行中面临高盐雾、高湿度、多源干扰等恶劣海洋环境，易发生腐蚀、裂纹等结构损伤，且故障模式多样、诊断难度大。风机作为船舶核心辅助动力与通风设备，其运行状态直接影响主机和辅助系统的安全与效率。现有方法多依赖单一振动信号或阈值判断，在复杂环境下的鲁棒性和泛化能力不足。因此，亟需建立一种集成多源感知和数字孪生的智能评估框架，以实现实时监测、状态评估和多故障识别。
针对上述问题，研究人员以船用离心风机为验证对象，开展了基于数字孪生与多源数据融合的动态评估研究。通过整合振动、视觉和转速数据，构建了轻量级数字孪生模型，并提出了基于鲁棒马氏距离与卷积神经网络（CNN）的融合诊断策略。同时开发了针对船舶舱室金属腐蚀和裂纹的视觉检测模型。实验表明，所提框架在六种典型故障识别中加权F1达0.9965，视觉检测mAP@0.5在裂纹和腐蚀上分别达0.861和0.827，实现了高诊断精度和快速响应。该研究为船舶设备智能状态管理提供了新途径，具有重要的工程应用价值。论文发表在《International Journal of Naval Architecture and Ocean Engineering》。
主要关键技术与方法：本研究采用多源数据同步采集与融合技术，以船用离心风机为样本（来源：大连海事大学实验室实测数据），构建了轻量级数字孪生模型。振动信号处理中采用局部片段匹配方法消除异常干扰，并运用主成分分析（PCA）降维。状态评估基于马氏距离（Mahalanobis Distance）构建评分模型，故障分类采用优化CNN（CNN3，AdamW优化器）。视觉检测基于改进轻量级单阶段检测框架，嵌入通道-空间联合注意力模块，并引入焦点损失（Focal Loss）缓解类别不平衡。最终搭建了基于Unity3D的可视化平台，实现实时监控与故障显示。
研究结果：
2.1 数字孪生模型多源数据算法融合模块组成
通过文献调研与实验，研究人员构建了船用离心风机的轻量化几何模型（SolidWorks），并同步开发高频振动模型和视觉模型。振动模型模拟内部运行状态，视觉模型评估结构损伤，确保虚实状态的一一对应，为后续平台开发奠定基础。
2.2.1 高频振动数据预处理
研究人员在六种工况（正常、叶轮不平衡、轴承磨损、主轴磨损、皮带轮磨损、底座松动）下以2500 Hz采样振动信号。针对传感器异常冲击，提出局部片段匹配改进方法：裁剪异常段并用正常数据中相似片段替换并添加微小扰动，有效保留时域连续性与微振动细节，为高精度建模提供干净数据。
2.2.2 数据状态评分函数实现
经标准化与PCA降维（前16个主成分覆盖约97%信息），以正常工况为参考中心，基于马氏距离计算状态评分。引入分级标准：轻微故障（底座松动、皮带轮磨损）评分65-85，需停机检修的齿轮磨损评分60-70，严重故障（主轴磨损、叶轮不平衡）评分<60。ROC分析显示AUC达0.90，评分分布与故障严重程度一致，实现了可解释的状态量化评估。
2.2.3 高频数据故障诊断实现
对比支持向量机（SVM）、随机森林（Random Forest）和三种CNN模型。CNN3（采用AdamW优化器、早停策略和自适应学习率）在测试集上加权F1达0.9965，训练收敛更快、更稳定。混淆矩阵显示仅叶轮不平衡类别存在少量误判，总体分类精度显著优于其他模型。该CNN模型被选为最终部署模型。
2.3 船舶设备金属疲劳腐蚀视觉识别算法
针对船舶舱室高盐雾环境，研究人员构建了改进的轻量级单阶段视觉检测模型：采用深度可分离卷积和残差瓶颈模块（通道缩放系数0.33，宽度0.50），输入分辨率768×768；颈部采用双向特征金字塔；嵌入通道-空间联合注意力模块，使模型对裂纹尖端和腐蚀边界的响应平均提升9.3%；通过聚类分析定制9组先验框，平均交并比提升6.2%；焦点损失中裂纹类别权重设为1.5。模型参数量约1460万，单帧推理约21 ms，在6 GB显存平台上可达40 FPS。数据集经多样化增强（旋转、亮度扰动、仿射变换、局部遮挡、噪声叠加）后，训练收敛稳定。验证集上裂纹mAP@0.5为0.861，腐蚀mAP@0.5为0.827，总体准确率0.9667，召回率0.96，满足在线监测要求。
3.1 平台介绍
研究人员基于QtDesigner和Unity3D开发了可视化平台，包含登录界面、振动监测界面、视觉监测界面和数字孪生模型可视化界面。平台通过TCP/IP和Modbus协议实现传感器数据与虚拟模型通信，采用模块化设计，边缘部署低延迟，无需专业知识即可操作。
3.2 主程序演示
振动监测界面可实时显示四测点动态波形，点击“开始诊断”后模型输出评分和诊断结果，并同步至数字孪生模型高亮异常部件。视觉监测界面自动连接摄像头，实时识别腐蚀/裂纹区域并反馈至孪生模型面层高亮。操作者可查看模型爆炸图，观察部件组成与状态，实现全流程监控。
讨论与结论：本研究针对海洋复杂环境下的设备故障监测需求，建立了基于数字孪生与多源数据融合的智能诊断系统。物理层部署传感器采集振动与转速数据，传输层通过工业以太网和边缘计算实现实时同步，应用层以轻量级数字孪生为核心，整合多源数据驱动虚拟模型动态映射物理状态。该框架具有良好的可扩展性，可推广至泵、压缩机等其他旋转机械。与单一振动或阈值诊断方法相比，所提多源融合框架在动态海洋环境下鲁棒性显著增强，特征融合使故障识别准确率提升15%–20%，AUC值提高。未来将结合物联网（IoT）和边缘计算完善数据采集网络，引入更先进的跨模态融合与深度学习策略，扩展至主机、辅机等关键设备，并增强数字孪生的全生命周期管理能力。
