Information Fusion｜重庆大学攻克域偏移难题，提出零样本复合故障诊断新框架

船舶综合电力系统故障诊断如何实现从"被动维修"到"智能预判"的跨越？这篇综述系统拆解了模型驱动、数据驱动、知识驱动与混合驱动四大技术路径，直面数据稀缺、传感受限、耦合故障三大工程痛点，并前瞻数字孪生与边缘智能的赋能前景，为船舶智能运维研究提供方法论指引与实践参考。 本期给大家推荐这篇武汉理工大学自动化学院李维波教授团队的论文，论文第一作者为团队博士生‌黄康政。本文系统梳理了2016–2025年间IPS（Integrated Power Systems，船舶综合电力系统）故障诊断的79篇核心文献，将现有方法归纳为模型驱动、数据驱动、知识驱动及混合驱动四大类。文章指出，数据驱动方法（尤其是深度学习）因能处理高维非线性数据而成为主流，但面临样本稀缺、标签缺失及实时性不足等瓶颈；同时强调多故障耦合、传感器性能退化与船载计算资源受限是当前工程部署的主要挑战。未来方向聚焦于智能预处理与数据增强、轻量化边缘推理、多源信息融合及数字孪生驱动的全生命周期健康管理，以推动IPS故障诊断向自主感知、智能决策与自适应控制演进。 由于文章篇幅过长，小编将分两次为大家翻译介绍这篇论文，第一篇推文系统综述了2016-2025年船舶综合电力系统故障诊断方法，重点梳理基于模型（EKF、UIO等）与数据驱动（信号处理、机器学习、深度学习）两大技术体系。模型方法依赖精确数学建模，适用于结构透明子系统；数据驱动方法凭借CNN、RNN等网络实现端到端特征学习，已成为近十年主流研究路径。 文章质量很高。本文配套思维导图&论文精华速览，已同步至小红书：(ID:故障诊断与python学习)，需要的小伙伴可以自取💡~ 论文链接：通过点击最左下角的阅读原文进行在线阅读及下载。 论文基本信息论文题目: Recent advances in fault diagnosis of ship integrated power systems: A review论文期刊：Ocean EngineeringDoi：https://doi.org/10.1016/j.oceaneng.2025.123141作者: Kangzheng Huang a , Weibo Li a,b , Shuai Cao a , Feng Gao a , Rentai Li a , Wei Xu a , Boyu Lin a 论文时间: 2026年1月 机构: a School of Automation, Wuhan University of Technology, Wuhan, Hubei, 430070, Chinab College of Electrical Engineering, Northwest Minzu University, Lanzhou, Gansu, 730124, China作者: 李维波，武汉理工大学自动化学院教授、博士生导师。2005年特招入伍海军工程大学，2015年转业至武汉理工大学。研究方向为电力电子、电力系统与能量管理，发表论文70余篇。担任《Energies》《中国舰船研究》《电力电子技术》等期刊编委，兼任中国电工技术学会电力电子专委会委员、理事，以及多所高校特聘教授。为十余种国内外期刊审稿人，多次获优秀审稿专家、优秀编委及特邀主编等荣誉。（来源：Research）摘要随着船舶上集成电力系统的不断扩展和复杂性，即使是局部故障也可能引发级联故障。因此，可靠和实时的故障诊断是确保航行安全的关键组成部分。本综述重点介绍了过去十年（自2016年以来，涵盖79篇参考文献）IPS故障诊断的主要发展，重点介绍了四个有代表性的方法框架：基于模型的、数据驱动的、基于知识的和基于混合的。综述还概述了新兴技术及其当前应用。相关研究已在各种全尺寸船舶上得到初步验证，展示了有前途的工程适用性。在回顾诊断方法的演变过程中，本文确定了三个紧迫的挑战：数据采集和不平衡的困难、传感和机载计算能力的限制以及耦合故障场景下诊断可靠性的降低。为了解决这些问题，本综述概述了未来的研究方向，包括提高数据质量和智能预处理，利用数据增强、迁移学习和无监督建模来缓解样本稀缺和标签不足，以及开发针对耦合故障条件量身定制的建模和推理框架。本综述旨在为船舶综合电力系统故障诊断技术的设计和优化提供理论指导和实践参考。 关键词：船舶综合电力系统；故障诊断；基于数据驱动；机器学习；深度学习 目录1 引言2 研究方法 2.1 研究问题 2.2 检索策略 2.3 文献筛选和质量评估3 船舶综合电力系统 3.1 辐射状结构 3.2 环状结构 3.3 分区结构 3.4 拓扑选择与应用 3.4 故障特征分析4 研究结果与分析 4.1 研究问题1的解答 4.2 研究问题2的解答 4.3 研究问题3的解答 4.4 研究问题4的解答5 船舶电力系统关键使能技术 5.1 智能传感器 5.2 数字孪生6 结论注：小编能力有限，如有翻译不恰之处，请多多指正~ 若想进一步拜读完整版，请下载原论文进行细读。 1 引言作为全球贸易的主要载体，海运约占国际贸易总量的80%（Liu et al., 2025b; Xu et al., 2023; Yan et al., 2022b）。作为全球货物运输的主要方式，船舶在维持与推动全球经济中发挥着不可或缺的作用。随着全球化进程推进及航运业快速增长，船舶设备技术经历了持续且显著的创新。现代船舶正朝着更高智能化、集成化与电气化方向快速发展，这对船舶IPS（IPS：Integrated Power System，综合电力系统）的可靠性、经济性与环境友好性提出了更高要求（Liu et al., 2017, 2024; Liu et al., 2024b; Ma et al., 2024b; Sun et al., 2024）。传统船舶采用机械传动，依靠柴油机或燃气轮机通过传动轴直接驱动螺旋桨。电力系统仅负责为船上设备供电。这种分离式动力架构存在诸多局限，如能量利用效率低、系统冗余不足及运维成本高。为克服这些缺陷，综合电力系统得以发展，其通过将传统推进动力系统与电力系统相集成，实现电能的统一供应与管理，并显著提升系统灵活性与能量利用效率。船舶动力系统概述如图1所示。 图 1 典型船舶电气系统概述（改编自（徐等人，2022b））近年来，综合电力系统技术发展迅速，并已广泛应用于各类船舶（Ma et al., 2023b; Pan et al., 2021）。例如，2009年服役的45型驱逐舰是全球首艘采用中压交流（MVAC：Medium-Voltage Alternating Current）综合电力推进系统的全电推进舰船（Jia, 2016），而"星球太阳能号"则是迄今最大的太阳能动力船舶（Pan et al., 2021）。中国石油东方物探公司的"BGP创新者"勘探船采用全电推进系统，实现了船舶控制系统的数字化管理与智能控制（"全球首艘大型动力定位浅水特种勘探船'BGP创新者'交付，"2022）。图2展示了一艘典型船舶的实物图。 图 2 船舶物理图。（a）皇家公主号；（b）朱姆沃尔特级驱逐舰；（c）Truanor PlanetSolar；（d）45型驱逐舰；（e）维京夫人；（f）BGP INNOVATOR从结构上看，综合电力系统（IPS：Integrated Power System）主要分为六个子系统：能量管理、发电、输配电、推进、变配电及储能（Li et al., 2020; Ma, 2015; Ma et al., 2024），如图3所示。其中，发电系统通过柴油发电机组或燃气轮发电机组将化学能转换为电能；输配电系统负责电能的传输与分配；变配电系统实现电压等级的转换；推进系统将电能转换为机械能以驱动船舶；储能系统提供备用电源支持；能量管理系统负责整个综合电力系统的优化调度与控制。 图 3 IPS的架构依据不同的电压等级与电气系统，综合电力系统可分为四类：低压交流（LVAC：Low-Voltage Alternating Current）、中压交流（MVAC：Medium-Voltage Alternating Current）、低压直流（LVDC：Low-Voltage Direct Current）及中压直流（MVDC：Medium-Voltage Direct Current），适用于不同的应用场景（Ma et al., 2024）。四类综合电力系统的应用场景与技术特性如表1所示。中压直流综合电力系统的推荐电压等级如表2所示。表 1 四种中低压交直流应用场景及技术特点 表 2 MVDC的推荐电压等级 与陆地电网不同，船舶电力系统缺乏坚强电网支撑而运行，本质上作为孤立微电网运行，使其具有固有的脆弱性。船舶综合电力系统表现出独特特征：首先，其供电负荷高度动态且不确定，推进负荷可能在短时间内大幅波动。其次，系统受海况、温度及湿度等多种环境因素影响，在恶劣条件下运行。此外，系统具有集中式电源设备、短输电线路，且因缺乏坚强电网支撑而等效于孤立微电网，使系统更为脆弱。一旦发生故障，局部状态变化可迅速反馈至整个系统，可能引发级联故障并直接威胁航行安全。因此，开发全面的故障诊断系统对于确保船舶综合电力系统的可靠安全运行至关重要（Barros and Diego, 2016; Damian et al., 2022; Nuchturee et al., 2020）。近年来，学术界在综合电力系统保护与故障管理方面付出了大量努力，包括直流微电网保护机制综述（Bayati and Savaghebi, 2021），以及故障检测、定位与系统重构技术的系统分析（Babaei et al., 2018; Satpathi et al., 2018; Xu et al., 2022a）。然而，现有研究仍面临重大挑战。首先，并发故障与强非线性耦合显著增加了特征提取与分类的难度，而故障样本稀缺导致类别间严重的数据不平衡。其次，船舶舱室的空间与成本限制制约了高冗余传感器网络及大规模计算平台的部署。第三，船舶运行对诊断系统提出实时性与高可靠性的双重需求，因深度学习推理延迟及嵌入式实现挑战而限制了现有诊断算法的适用性。随着船舶尺寸增大及船上系统日益复杂，这些问题愈发突出，亟需系统综述与趋势分析以指导未来技术突破。与传统主要聚焦于故障检测、定位与隔离的综述不同，本综述采用更具前瞻性的视角，探讨智能诊断与数字孪生等新兴方向，从而为船舶电力系统智能故障诊断与维护奠定坚实基础。表3总结了船舶电力系统故障管理与诊断相关代表性综述，突出其各自目标、分类方法及范围差异。表 3 本综述与现有舰载IPS故障诊断调查的比较 本综述旨在解决综合电力系统诊断方法论的当前碎片化问题及故障诊断系统综述的缺失。其聚焦于2016年以来的代表性成果，概述研究与工程实现的未来方向，并阐明各方法的应用场景与局限性。为此，本文首先系统阐述综合电力系统的结构特性与故障机理；随后对基于模型、数据驱动、基于知识及混合方法进行分类与比较；进而识别与实时处理、成本约束及耦合故障场景相关的未解决技术挑战；最终提出面向高可靠性智能诊断的研究方向。本文的主要贡献如下：（1）本文系统综述了船舶综合电力系统的结构演进、典型拓扑及故障特性，识别出系统脆弱性增加、负荷动态加剧及故障传播链日益复杂等关键特征。这些发现为未来研究与先进故障诊断技术的发展奠定了理论基础。（2）本文对2016年至2025年的79篇核心参考文献进行了系统综述，将其分为基于模型、数据驱动、基于知识及混合方法四种主流方法，并全面总结了其在各类应用场景中的适用性、优势与局限性。（3）针对当前技术挑战，包括传感器数据采集与质量问题、深度学习算法的部署难度与实时性约束，以及耦合故障场景下诊断需求日益增长等问题，本文概述了未来研究方向，包括智能感知与数据增强、实时处理策略及复合故障识别，为综合电力系统故障诊断的智能化演进提供方法论指导。本文剩余章节安排如下：第2节概述研究方法论；第3节系统分析综合电力系统结构并剖析其故障特性；第4节呈现研究方法实施后的所得结果，同时识别当前技术挑战并提出未来发展方向；第5节提供船舶电力系统的关键支撑技术；最后，第6节总结主要发现与见解。2 研究方法论本研究遵循PRISMA（PRISMA：Preferred Reporting Items for Systematic Reviews and Meta-Analyses，系统综述与荟萃分析优先报告条目）指南开展系统文献综述，包括研究问题制定、文献检索及纳入/排除标准。2.1 研究问题研究问题聚焦于船舶综合电力系统故障诊断，以能量管理、发电、输配电、推进、变配电及储能六个子系统为主要研究对象，不涉及故障隔离与寿命预测。为系统绘制2016年至2025年该领域的技术图景与发展趋势，本研究围绕以下四个问题展开：研究问题1（RQ1）：过去十年中，基于模型、数据驱动、基于知识及混合方法的主要成果有哪些？研究问题2（RQ2）：当前主流的故障诊断方法类型有哪些？各技术最适用于何种场景与范围？研究问题3（RQ3）：当前用于评估诊断方法的数据集、案例研究及实验验证方法有哪些？研究问题4（RQ4）：当前船舶故障诊断研究面临哪些挑战？未来方向与潜力何在？2.2 搜索策略为确保覆盖性与可复现性，本研究在四个主流工程与科学数据库中进行了系统检索：Web of Science、IEEE Xplore、WILEY及ScienceDirect。表4呈现了这些数据库。表 4 研究数据库检索时间限定为2016年至2025年。仅纳入英文撰写且全文可获取的研究论文，其核心贡献须为船舶或海事系统（包括船舶综合电力系统、推进与配电、变流器或电机或储能）的故障诊断，涵盖期刊与会议论文。若研究同时涉及预测或剩余使用寿命但诊断为主要贡献，亦予以纳入。排除非研究类出版物（如专利、书籍章节、社论及简短通讯）、非英文全文、与船舶综合电力系统无关的研究，以及仅聚焦预测而无诊断内容的文献。为提高精度与可比性，采用聚焦于标题字段的布尔检索并结合内置过滤器。Web of Science中使用TI =字段，IEEE Xplore中使用Document Title字段，Wiley中使用Title字段，ScienceDirect中使用Find articles with these terms字段。核心诊断术语包括fault diagnosis、detection、classification、identification、prognosis及anomaly detection，与海事对象术语ship、vessel、maritime、shipboard、naval、shipping及marine通过AND组合。文献类型限定为期刊与会议论文，时间窗口为2016年至2025年。各数据库的检索策略如表5所示。表 5 搜索查询 2.3 文献筛选和质量评估为确保一致性、透明度与可复现性，在完成数据库检索后，本研究采用Zotero作为文献管理与筛选平台，遵循PRISMA（PRISMA：Preferred Reporting Items for Systematic Reviews and Meta-Analyses，系统综述与荟萃分析优先报告条目）指南进行筛选，并制定纳入与排除标准。具体标准如表6所示。依据上述流程，共识别3933篇研究：Web of Science 242篇、IEEE Xplore 189篇、ScienceDirect 3496篇、Wiley 6篇。去除重复记录、不在时间窗口内及非期刊或会议类型的文献后，3796篇进入标题与摘要筛选。随后，依据既定纳入与排除标准，分标题与摘要、全文两个阶段排除研究，包括与船舶电力系统无关的、仅进行预测而无诊断贡献的、非英文或无法获取全文的、或缺乏可复现实验与评估指标的文献。最终保留79篇研究，如图4所示。 图 4 选择主要研究和主要成果的阶段3 船舶综合电气系统船舶综合电力系统、是确保船舶安全高效运行的核心系统。依据IEEE std. 1709–2018（IEEE, 2018），综合电力系统配电系统主要采用三种典型连接拓扑：径向结构以结构简单、易于控制为特征；分区结构增强供电可靠性与灵活性；环状结构提供更高供电可靠性，但控制要求更为复杂。其中，径向结构与分区结构为该标准推荐的主要设计方案。3.1 辐射状结构径向拓扑是综合电力系统（IPS：Integrated Power System）中一种典型的配电方式。其设计简洁，适用于可靠性要求适中且大型直流负荷数量有限的船舶，从而最小化系统设计复杂性。系统拓扑如图5所示。 图 5 径向拓扑示意图（改编自（IEEE，2018））由于其简洁性与成本效益，该结构在传统船舶中广泛应用，例如芬坎蒂尼集团皇家公主号邮轮上实施的中压直流综合电力系统（MVDC IPS：Medium-Voltage Direct Current Integrated Power System）（图2(a)）（Sulligoi et al., 2016; Yang et al., 2024a）。然而，该结构亦存在显著局限性。随着船上电气负荷数量增加，电网的调度灵活性与稳定性面临日益严峻的挑战。此外，直流母线故障可能严重损害整体系统可靠性。3.2 环状结构环状拓扑作为径向与分区结构之间的过渡形式，常见于陆地多端直流微电网。与传统径向结构相比，环状拓扑提供更灵活的功率流路径，在系统可靠性、电能质量及负荷均衡方面展现出显著优势。然而，在供电可靠性与系统重构能力方面，环状结构仍逊于分区结构。该局限性主要体现于其功率部署灵活性降低及故障隔离能力相对较弱。环状拓扑如图6所示。 图6 环拓扑的示意图（改编自（IEEE，2018； Yang et al.，2024a））3.3 分区结构分区拓扑是一种先进的综合电力系统拓扑，其特征为环状主母线及沿其布置的多个分区配电中心。该配置允许主母线直接与发电机及推进电机相连，从而提升功率分配灵活性与可靠性。分区架构如图7所示。 图7 分区拓扑示意图（改编自（IEEE，2018））3.4 拓扑选择与应用综上所述，基于概率动力学参数构建数据驱动的数字孪生空间，不仅保持了振动信号的物理真实性，还增强了多样性与泛化能力，为稳健的样本生成及下游模型训练奠定了基础。对于定性数据——特别是关于现有故障诊断方法的挑战方面——本研究采用Gioia方法[23]，因其为定性研究提供了系统化且适应性的方法论路径，尤其适用于新概念与新理论从原始数据中涌现的归纳式定性研究。本研究采用包含三个阶段的归纳式编码方法。该流程始于数据收集与编码，终于数据结构化与可视化。数据收集与编码流程始于一阶编码（受访者中心术语），即从每项研究中提取关键陈述；继而采用二阶编码（研究者中心主题），将一阶术语组织为更宽泛的主题与概念；第三步为聚合维度（高层次主题），即将二阶主题聚类为更高层次的理论维度。 船舶综合电力系统的拓扑选择直接影响系统的可靠性、经济性及可扩展性。从技术层面看，径向拓扑以简洁性与成本效益为特征，但供电可靠性有限且功率分配灵活性受限。环状拓扑通过闭环供电增强系统可靠性，但代价是控制复杂性增加。分区拓扑通过创新的区域化管理策略实现更高水平的供电可靠性与故障隔离能力。在实际工程应用中，拓扑选择需综合权衡船型、任务特性、负荷特性、经济性及可维护性等多维因素。例如，军舰因可靠性要求严苛通常采用环状或分区结构；相比之下，商船倾向于选择更为简洁且成本效益更高的径向结构。此外，随着船舶电力系统智能化与绿色化发展趋势，拓扑选择应充分考虑新能源集成及智能运维需求，以确保系统具备良好的可扩展性与适应性。在动态性能方面，径向结构在负荷突变时可能导致较大电压波动，而环状与分区结构展现出更优的暂态特性与动态响应能力。在电能质量方面，环状与分区结构因具备多条供电路径，在抑制谐波传播与电压波动方面更为有效。此外，在功率流优化方面，环状与分区结构提供更多功率流路径，有利于实现最优功率分配与损耗最小化。因此，在综合考虑系统可靠性、动态性能、电能质量及功率流优化后，选择适当的拓扑对于提升船舶综合电力系统的整体性能至关重要。不同船舶综合电力系统结构的对比如表7所示。表 7 船舶IPS不同拓扑的比较 3.5 故障特征分析作为船上核心的发电与能源保护系统，船舶综合电力系统的可靠性与安全性对于确保船舶正常运行及人员安全至关重要。与陆地电网相比，船舶电力系统因缺乏坚强电网互联而更为脆弱，其运行方式类似于孤立微电网。此外，由于船舶运行环境的特殊特性，如负荷波动大、海上孤立环境、恶劣气象条件及设备空间限制，一旦发生故障，可能导致严重后果。因此，研究船舶电力系统故障机理并开发有效的故障诊断方法具有重要的理论意义与工程价值。 图 8 船载直流串联电弧引起的火灾事故。（a）案例1；（b）案例2。（改编自（吉等人，2020））为应对上述挑战，研究人员提出了多种故障表征方法。Grace（2022）提出了一种基于米尔曼定理的不平衡故障电流计算方法，以解决传统对称分量法计算的复杂性。此外，Kim等（2021）研究了直流配电系统的保护特性，并建立了直流短路故障的分析模型。文献（Bayati and Savaghebi, 2021）系统综述了船舶直流微电网系统的保护机制，包括故障检测、定位与隔离。其强调船舶直流系统对保护系统设计提出了独特挑战，主要源于其特殊负荷特性与安全要求。研究人员通常将综合电力系统故障分为两大类：物理系统故障与测量系统故障（Babaei et al., 2018; Li et al., 2011; Ning et al., 2023; Park et al., 2013）。物理系统故障主要包括母线多线间短路、线路接地短路以及高阻抗与电弧故障，此类故障往往对系统硬件造成严重损坏，影响范围广且危害程度高。此外，在交流负荷侧，单相接地与三相短路故障亦对系统安全构成严峻挑战。相比之下，测量系统故障虽不一定触发直接硬件损坏，但源于测量设备（如控制系统、通信系统及传感器）的退化或失效，可能导致误动作或拒动，从而诱发二次故障或进一步的系统失效。船舶综合电力系统（IPS：Integrated Power System）的精确故障表征不仅是系统设计与保护的基础，亦是开发高效故障诊断系统的关键。未来研究应聚焦于增强特征提取的鲁棒性、提升诊断模型的适应性及改进算法的实时性能，以更好地应对船舶综合电力系统复杂动态的运行环境与故障特性。这将为保障船舶综合电力系统的安全可靠运行提供坚实的理论基础与技术支撑。4 研究结果基于前面的分析，本节介绍了本综述的结果和分析。因此，本节中的每个小节都旨在回答综述的每个研究问题。4.1 对研究问题1的回答：过去十年中，基于模型、数据驱动、基于知识及混合方法的主要成果有哪些？ 作为全球贸易的主要载体，船舶近年来已在各类船型中广泛采用综合电力系统，该系统是确保安全高效运行的关键系统。因此，分析船舶电力系统故障诊断方法具有重要意义。从发表 venues 来看（见图9），期刊论文占55.7%，会议论文占44.3%。就时间演进趋势而言，年发表数量于2020年前后显著上升，并在随后年份保持高位（见图10），表明该领域处于持续增长阶段。具体而言，2021年发表9篇，2022年15篇，2023年12篇，2024年达到峰值16篇。截至撰稿时，2025年尚未结束，论文数量略低于2022–2024年。就方法而言（见图11），数据驱动方法在过去十年中占据主导地位，于2016年至2025年间持续分布，且在2021–2025年间领先优势明显，反映了其对运行数据可用性提升的快速响应能力。基于模型的方法相对较少，因其对系统建模依赖性强且适应复杂运行条件的能力有限。混合方法融合多种技术进行故障诊断，具备一定优势，但更为复杂。基于知识的方法数量最少，主要因知识库与规则库的构建及维护成本高昂，限制了其广泛应用。总体而言，近年来方法类型呈现多元化趋势，但数据驱动方法仍是该领域的主导路径。 图9 期刊和会议的比例 图10 每年出版物数量 图11 按年份分列的不同方法的数量4.2 对研究问题2的回答：当前主流的故障诊断方法类型有哪些？各技术最适用于何种场景与范围？ 4.2.1. 基于模型的方法 基于模型的故障诊断方法是船舶综合电力系统的重要研究方法。其依赖数学模型，通过比较实际系统与模型预测来检测故障。 在发电侧，文献（Wafik et al., 2016）提出了一种基于扩展卡尔曼滤波器（EKF：Extended Kalman Filter）的永磁同步发电机（PMSG：Permanent Magnet Synchronous Generator）定子绕组故障诊断方法，实现了定子绕组匝间短路故障的在线监测。该方法在不同运行条件下表现出良好的鲁棒性，尤其在轻微匝间故障估计误差较小时表现优异。Reiter等（2024）利用统计模型识别船舶电池系统的行为偏差，并在2兆瓦时混合动力船舶上验证了其有效性。文献（Li et al., 2022b）提出了一种基于单臂不平衡电桥与卡尔曼滤波（KF：Kalman Filter）算法的船舶电池组绝缘电阻测量方法，通过优化桥臂电阻匹配设计及滤波算法处理，显著降低了测量误差并提升了绝缘故障检测精度。对于并联船舶同步发电机，Li等（2025）利用下垂特性实现分配异常检测。在配电侧，Li等（2023）提出了一种基于双臂不平衡电桥的船舶高压系统绝缘检测方法（见图12），通过设计双臂不平衡电桥电路、优化桥臂参数选取及引入扩展卡尔曼滤波器，实现了船舶电力系统绝缘状态的实时监测。文献（Wang et al., 2024e）提出了一种基于LPV-UIO（LPV-UIO：Linear Parameter Varying - Unknown Input Observers，线性参数变化-未知输入观测器）的分布式基于模型的方法，以实现中压直流船舶电力系统中多种局部故障的快速检测与隔离。Diendorfer等（2017）提出了一种基于图模型的自动化方法，用于中压直流船舶电力系统差动故障的识别。 图12 船用高压系统的绝缘检查框架（改编自（Li et al.，2023））在负荷侧，Ahsanullah等（2017）提出了一种在线方法，利用搜索线圈结合有限元仿真，实现船舶推进永磁同步电机（SPMM：Surface-mounted Permanent Magnet Motor，表贴式永磁电机）退磁故障的高灵敏度检测。基于模型的故障诊断方法已在船舶综合电力系统中得到广泛应用与发展，通过引入新的建模技术、优化算法及估计方法，故障检测的准确性、可靠性及实用性持续提升。未来研究可进一步探索模型不确定性的处理及与数据驱动方法融合的应用。4.2.2. 基于数据驱动的方法 在前面基于模型的讨论的基础上，我们现在转向数据驱动的方法。图13说明了船舶IPS数据驱动故障诊断算法的分类图。 图13 故障诊断技术流程图4.2.2.1 信号处理 基于信号处理的方法是数据驱动故障诊断的重要研究方向。这些方法主要通过对系统运行期间采集的信号进行时域、频域或时频域分析以提取故障特征，从而实现故障检测与隔离（Huang et al., 2024; Vashishtha et al., 2025c）。时域分析直接处理原始时间序列，通过均值、方差、峰值因子、偏度及峰度等统计特征描述信号特性；频域分析利用傅里叶变换及功率谱分析等技术将时域信号转换至频域，并通过谱特征捕获故障特征；时频分析同时在时间与频率维度考察信号特性，可有效描述非平稳信号的时变特征，相关方法包括小波变换、短时傅里叶变换（STFT：Short-Time Fourier Transform）、经验模态分解（EMD：Empirical Mode Decomposition）及变分模态分解（VMD：Variational Mode Decomposition）。在发电侧，Liu等（2025a）采用动态时间规整（DTW：Dynamic Time Warping）测量同规格电池间的时间差异，实现对船舶推进电池异常的早于固定阈值报警的检测。Gu等（2024）利用曼哈顿距离（Manhattan distance）及电压方差构建船舶锂电池组早期内部缺陷识别准则。在配电阶段，Ji等（2020）提出了一种基于离散小波变换（DWT：Discrete Wavelet Transform）与多分辨率分析（MRA：Multiresolution Analysis）的船舶直流配电系统串联电弧检测与识别方法，其中选取最优母小波对电弧信号进行分解，并结合信号从两个维度分析信号特性。分解结果结合幅值与能量特征，实现电弧故障的有效识别，为船舶电气火灾预防提供了新的技术方案。船舶配电系统如图14所示。Ma等（2021a）对比了基于平稳小波变换（SWT：Stationary Wavelet Transform）与短时傅里叶变换的特征提取方法，用于船舶电力系统暂态负荷故障检测与监测，并利用数据驱动算法实现了高度可靠的识别。Ali等（2022）提出了一种基于小波变换的故障检测与分类方法，以提升全电船舶船载微电网输电线路的故障响应能力与系统稳定性。Rao等（2019）构建了一种融合工业互联网与快速傅里叶变换谱分析的诊断框架，涵盖谐波分析、序分量计算及有源滤波控制，以支持船舶电力系统的异常检测。Chang等（2024）引入了YC3模型，并结合三种滑动窗口统计量与高斯过程回归对退化状态系数进行异常检测，为智能运维提供可靠依据。 图14 舰载配电系统（改编自（Jiet al.，2020））在推进电机、电驱动侧及负荷侧，Rong与Zhang（2023）提出了一种基于连续小波变换的定子电流分析方法，实现了船舶感应电机断条故障的有效检测。Ahsanullah等（2016）提出了一种基于搜索线圈结合转矩分析、对称分量及小波变换的方法，用于诊断船舶表贴式永磁电机中原本难以检测的匝间故障，并区分负载或电压不平衡等其他故障源。Jeyasankar等（2017）利用希尔伯特-黄变换及小波变换对船舶表贴式永磁同步电机推进电机的局部退磁故障进行时频域分析与诊断，并结合有限元建模与电流信号特征提取以提升船舶电力系统的可靠性。Silva等（2018）进一步采用二维小波变换优化船舶电驱动系统的特征构建，在保持识别精度的同时降低计算复杂度。Nation等（2017）提出了一种由非侵入式负荷监测（NILM：Non-Intrusive Load Monitoring）驱动的信号处理方案，实现船舶自动化系统传感器故障的现场验证；Green等（2023）在美国海军舰艇上部署电力系统监测器，评估利用功率特征分析识别机电负荷的可行性与挑战，并在有限传感条件下支持故障诊断。Chen等（2024）提出了一种基于过零瞬时频率估计的过零无转速计阶次跟踪方法（ZC-TLOT：Zero Crossing Tacholess Order Tracking），通过电机电流的角度重采样与包络谱解调实现电推进系统中的故障识别。4.2.2.2 机器学习 机器学习方法凭借其强大的特征提取与模式识别能力，在船舶综合电力系统故障诊断中展现出广阔的应用前景。近年来，研究人员提出了多种基于机器学习的创新故障诊断方法，取得了显著研究成果。在发电侧，文献（Ouyang et al., 2024）利用随机森林（RF：Random Forest）基于时域特征进行船舶柴油发电机系统故障诊断，并公开了其原始数据（https://pan.baidu.com/s/14bYkfzo_MqdzDsK5bqGbIg，提取码：k9jz）。Quintanilha等（2021）采用主成分分析（PCA：Principal Component Analysis）提取相关信息，随后利用随机森林进行发电机故障检测。Wang等（2023）提出了一种基于无监督孤立森林的多级异常检测方法，用于船舶核动力汽轮发电机组。Li等（2022a）提出了一种改进的遗传算法-反向传播神经网络方法，其中遗传算法优化反向传播神经网络的权值与阈值，用于船舶发电机复杂故障的精确诊断与状态监测。Zhou等（2021）提出了一种基于随机森林的船舶电站故障诊断方法，并利用Simulink生成故障数据进行验证。随着碳达峰与碳中和目标的推进，光伏等可再生子系统的故障亦成为研究课题。Xu等（2021b）在Matlab与Simulink中构建了船舶光伏发电系统仿真模型，模拟各类故障特征，并提出了一种布谷鸟搜索概率神经网络进行故障类型诊断，经验证有效。Yang与Shi（2018）提出了一种基于改进粒子群优化神经网络的船舶电力系统故障诊断方法，该方法具有强全局搜索能力与快速收敛特性，在发电机故障诊断中展现出更优的速度与精度。功率变换链中的故障主要表现为开关器件退化、驱动异常及控制失配引起的波形畸变。Chao与Shen（2016）利用扩展神经网络（ENN：Extension Neural Network）诊断船舶电力系统逆变器故障。Hoang等（2022）利用K近邻算法诊断渡轮微电网变流器故障。在配电层，Xin等（2017）提出了一种基于改进灰色关联模型的船舶复杂电力系统故障诊断方法。该方法通过引入熵权优化提升诊断精度，并建立了包含输入模块、数据处理模块及输出模块的诊断系统。Liu等（2021）提出了一种基于噪声辅助多元经验模态分解与多层迭代LightGBM的船舶中压直流电力系统故障诊断方法。该方法利用NA-MEMD进行信号预处理，提取本征模态函数的能量矩特征，并采用改进的MI-LightGBM分类器实现快速准确诊断。Yusoh等（2023）对比了集成装袋树、K近邻算法与支持向量机对船舶配电系统电能质量扰动的分类性能。Zeng等（2022）提出了一种基于支持向量数据描述（SVDD：Support Vector Data Description）的智能故障诊断算法，有效提升了船舶电力系统故障识别精度。Guan（2025）提出了一种融合决策树与随机森林（RF：Random Forest）的智能故障诊断与预测模型，实现了船舶电力系统潜在故障的高精度识别与预测。Shen等（2024）提出了一种基于小波神经网络的船舶电力系统故障诊断方法，该方法结合小波软阈值去噪与改进的反向传播神经网络，实现了典型电力故障的准确分类与识别。鉴于负荷的非平稳特性，文献（Maqsood et al., 2020）提出了一种基于短时傅里叶变换与聚类分析的船舶直流电力系统脉冲负荷监测与故障检测方法，通过提取负荷暂态过程的时频特征向量进行事件分类与故障识别，并对并联故障与串联电弧故障进行了实验验证。其实验仿真平台如图15所示。Posam等（2022）提出了一种基于逻辑回归与短时傅里叶变换特征提取的监督学习方法，用于识别海军电力系统中脉冲功率负荷故障。Sun等（2023a）提出了一种基于集 合经验模态分解与XGBoost的船舶中压直流推进电力系统故障诊断方法。Ma等（2021b）提出了一种基于短时傅里叶变换特征与聚类分析的实时故障检测方法，可靠诊断船舶直流脉冲功率负荷故障。Ma等（2022）提出了一种基于小波变换与轻量级机器学习的实时故障检测方法，通过提取脉冲负荷电流的时频特征并与训练数据库比对，实现船舶直流电力系统故障识别。 图15 实验模拟平台（a）脉冲功率负载；（b）固定功率负载；（c）PMSM负载。（改编自（Maqsood等人，2020））4.2.2.3 深度学习 （1）卷积神经网络卷积神经网络（CNN：Convolutional Neural Network）是一种通过卷积层自动从输入数据中提取特征的深度学习模型，其衍生架构包括残差网络（ResNet：Residual Network）与密集连接网络（DenseNet：Densely Connected Network）等，广泛应用于船舶电力系统故障诊断（Vashishtha et al., 2025a）。Cui等（2025）提出了一种面向船舶综合电力系统故障诊断的注意力特征融合多尺度一维卷积神经网络（AFF-MS-1DCNN：Attention Feature Fusion Multi-Scale 1D Convolutional Neural Network）模型，该模型仅利用功率输出母线处的三相电流信号，通过多尺度一维卷积神经网络提取不同尺度的故障特征，并引入注意力机制进行自适应特征融合，在不同接地电阻与噪声干扰条件下实现了较高的故障诊断准确率。Peng等（2024）通过引入SE模块增强残差网络的特征提取能力，提出了一种基于SE-ResNet18-1的船舶中压交流电力系统故障诊断方案，在母线、馈线及其他设备故障的实时诊断中展现出优于传统方法的性能。Mou等（2025）利用代理辅助梯度粒子群优化（SAGPSO：Surrogate-Assisted Gradient Particle Swarm Optimization）优化卷积神经网络，提升了船舶中压直流提出了一种基于特征融合卷积神经网络的船舶分区配电系统短路故障诊断方法，有效提升了诊断精度与鲁棒性。Yu等（2022）采用改进的卷积神经网络进行船舶综合电力系统故障诊断。Wang与Shi（2023）在Simulink中模拟船舶区域配电线路故障，利用经验模态分解与希尔伯特-黄变换提取特征，并构建改进的卷积神经网络诊断模型，有助于提升船上电气系统的安全性与可靠性。（2）递归神经网络循环神经网络（RNN：Recurrent Neural Network）是一种能够处理与建模序列数据的深度学习模型，其衍生架构如长短期记忆网络（LSTM：Long Short-Term Memory）与门控循环单元（GRU：Gated Recurrent Unit）擅长捕获船舶综合电力系统中时序信号的时间依赖性。在船舶发电侧故障诊断中，Velasco-Gallego与Lazakis（2022b）提出了一种智能实时异常检测系统RADIS，该系统结合长短期记忆变分自编码器与多级大津阈值法进行船用柴油发电机系统异常检测。Lv等（2025）提出了一种基于改进变分模态分解与二维双向长短期记忆网络的智能故障诊断方法，有效提升了船舶轴带发电机的可靠性。在系统级及配电侧异常或入侵与故障监测方面，Smith等（2024）提出利用长短期记忆网络对船舶运营技术功率信号进行异常或入侵检测，从而提升船舶电力系统故障预警与可靠性，同时确保网络安全。Senemmar与Zhang（2021）开发了基于门控循环单元、长短期记忆网络与深度神经网络的船舶电力系统故障检测方法。Tona等（2024）提出了一种基于门控循环单元自编码器的无监督深度学习方法，实现大型船舶微电网的功率异常检测。针对负荷侧及电力电子变换阶段，Ma等（2020）提出了一种利用长短期记忆网络与短时傅里叶变换特征提取的直流脉冲负荷监测方法，通过比较原始信号与重构信号的残差进行船舶电力系统故障检测。文献（Ma et al., 2021c）结合小波变换与长短期记忆网络，实现了船舶直流电力系统中电磁轨道炮等脉冲负荷的分类监测，以及多种故障类型（短路故障、IGBT故障及电弧故障）的高精度检测。此外，Ma等（2023a）提出了一种基于改进变分模态分解、多尺度主成分分析特征提取及改进双向长短期记忆网络的船舶电力推进永磁同步电机故障诊断方法。Ostebo等（2021）提出了一种融合小波变换与循环神经网络的深度学习方法，用于脉冲负荷条件下船舶中压直流配电系统的故障检测与识别。（3）其他深度学习方法除上述基于卷积神经网络与循环神经网络的方法外，还存在其他方法，如CNN与RNN的组合、迁移学习及图神经网络等。在电力电子与电机负荷阶段（如变流器与推进驱动器），CNN与RNN混合架构在联合建模暂态特性与时间依赖性方面展现出优势。Ren等（2025）针对船舶电力系统中双向直流-直流变换器的故障诊断问题，提出了一种融合增强小波包分解与多分支并行堆叠CNN及双向长短期记忆网络的混合模型，实现了噪声条件下双向直流-直流变换器的故障诊断。Xie等（2024）提出了一种Res-CBDNN深度神经网络模型，该模型融合残差网络与双向长短期记忆网络，用于船舶电力推进系统中高阻连接故障的高效诊断。Xie等（2022）提出了一种基于残差网络与双向长短期记忆网络的深度学习方法，用于船舶电力推进系统六相电机驱动逆变器的故障诊断。Yan与Hu（2024）开发了一种基于多尺度残差扩张卷积神经网络与双向长短期记忆网络的船舶永磁同步电机匝间短路与退磁故障诊断方法。通过融合电流与振动信号，利用多尺度卷积核提取全局与局部特征，并采用贝叶斯优化算法选取最优超参数。该方法在不同噪声强度与运行条件下实现了高诊断准确率，并在2.2千瓦永磁同步电机故障仿真试验台上得到验证。除上述研究外，其他学者亦探索了不同的深度学习方法。Wang等（2024c）提出了共识分离子域自适应网络（CSSAN：Consensus Separation Subdomain Adaptive Network）模型，并在PU轴承与船用发动机数据集上进行了验证。Liu等（2020）提出了一种基于生成对抗网络（GAN：Generative Adversarial Network）与随机森林（RF：Random Forest）的故障检测方法，通过合成样本与特征选择有效提升了船舶电力系统的分类准确率与噪声鲁棒性。Zhu等（2025b）提出了一种融合改进二次分解（MSD：Modified Secondary Decomposition）与动态集成贝叶斯卷积高效通道注意力网络（DE-BCECAN：Dynamic Ensemble Bayesian Convolutional Efficient Channel Attention Network）的方法，以提升噪声条件下船舶推进电机的故障诊断准确率。Senemmar等（2024）提出了一种基于小波图神经网络（WGNN：Wavelet Graph Neural Network）的海军舰船电力系统非侵入式故障检测方法，在多种故障场景中实现了高准确率、强鲁棒性及实时仿真验证。注：下篇推文聚焦数据集、实验验证、挑战、未来方向与关键支撑技术，深入剖析船舶综合电力系统故障诊断从算法研究走向工程应用仍面临的关键瓶颈。编辑：Leo校核：李正平、陈凯歌、曹希铭、赵学功、白亮、任超、海洋、陈宇航、Kira、Tina、王金、赵诚、肖鑫鑫、张优该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除来源：故障诊断与python学习