0 引　言

数字孪生（Digital Twin）是一种通过数字化技术在虚拟空间中创建与物理实体同步的数字模型技术。它通过实时数据采集、建模与仿真，将物理世界中的设备、系统映射到虚拟世界中，实现物理对象与其数字化副本之间的实时交互和数据传递。数字孪生不仅能实时反映物理实体的运行状态，还能够进行预测性分析、故障诊断与优化决策。

在各行各业中，数字孪生技术已有广泛应用。在制造业中，数字孪生技术用于工厂设备的健康监控与维护^[1]，通过监控设备的实时状态，预测可能的故障并优化生产流程。在城市管理中，数字孪生技术被用于智慧城市的建设，城市基础设施如交通系统、能源网络等都可以通过数字孪生技术实现实时监控与管理^[2]。在航空航天领域，数字孪生帮助监测飞机发动机的运行状态，确保安全运行并延长设备使用寿命^[3]。但是数字孪生技术应用于船舶领域的研究较少。调查显示，从2016年开始，智能船舶开展起步并迅速发展，据不完全统计，目前已经下水的智能船舶超过100艘。这些智能船舶为数字孪生技术的推广提供了重要基础。船舶是一个庞大的系统，全方面的运用数字孪生技术，目前看来存在技术壁垒，因此本文着重于船舶发动机燃烧室的重点研究。

发动机燃烧室工作在非常恶劣的环境中，因此与其他船舶部件相比更容易发生故障，当前的数据驱动故障检测研究需要大量的历史数据。然而，对于刚刚运行很短时间的新型船舶来说，可用的历史数据很少，可用的故障数据更是少之又少。针对这一问题，本文将深度迁移学习引入到船舶设备状态监测和故障检测系统。通过数字孪生技术搭建状态监测和故障检测系统，可以帮助船员及时发现并预防故障的发生，大大提升了船舶航行的安全性和可靠性。

本文研究利用一台数据丰富的船舶数据对卷积神经网络进行预训练，并对预训练好的卷积神经网络进行微调，用于另一台数据贫乏的船舶做故障检测。系统主要实现了状态监测和故障检测两大功能模块。通过3D可视化技术，状态监测页面实时展示船舶设备的实时运行状态，船员可全面掌控船舶健康。故障检测页面通过可视化警报，实时反馈设备异常，便于船员迅速定位故障来源，减少停机时间。因此，数字孪生系统的可视化界面对船员在船舶检修中的优势显而易见。

1 基于数字孪生技术的软件系统架构

数字孪生技术以数字化方式创建映射物理实体的虚拟模型，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，实现对物理实体的赋能^[4]。本系统使用WebGL作为核心技术，并结合计算机技术设计开发船舶发动机可视化平台的用户界面和交互功能。使用RabbitMQ技术实现数据的实时读取并转发到前端可视化页面。使用Redis存储部件历史数据，为寿命预测，故障检测提供原始数据支持。基于数字孪生技术的船舶发动机状态监测和故障诊断系统的总体架构如图1所示。

1）感知层。部署振动、温度、压力、转速、油液流量等传感器实时采集发动机运行参数。部署温度传感器，实时监测发动机燃烧室的温度变化，确保燃烧过程在安全的温度范围内，避免过热损坏。通过压力传感器，采集燃烧室内的气缸压力，评估燃烧效率和工作状况。部署振动传感器，监测燃烧室的振动情况，避免燃料燃烧释放的能量过高，而引起燃烧室爆震，进而导致发动机损坏。部署油液传感器，监测进出燃烧室燃料的流量，确保高效燃烧，提升发动机指示热效率。

2）采集层。采用Modbus，CAN总线，Ethernet/IP等数据传输协议实现数据采集及协议解析。通过这些协议，船用柴油发动机的采集层能够可靠地收集和传输数据，确保设备的监控和管理能够在不同场景中高效进行。

3）数据层。通过传感器实时采集的数据，将数据部署到开发的数字孪生系统中，在系统中配置和检查实船运行数据^[5]。

4）模型层。通过构建的三维发动机模型，通过计算机技术在系统中实现状态监测，故障监测，维修决策功能。

5）展示层。通过构建的数字孪生可视化系统，实时展示发动机运行参数，各个部件运行状态数据。

1.1 数字孪生模型构建方法

船舶发动机燃烧室部件状态监测和故障检测系统的构建方法如下：

1）几何模型构建

数字孪生模型构建的第一步就是要对物理实体进行几何模型构建^[6]。采用Blender软件对发动机物理实体进行建模。构建的发动机模型如图2所示。

2）数据处理逻辑设计

通过构建数字孪生系统中的数据流、数据处理逻辑以及数据的交互机制，以确保物理系统与虚拟系统之间的实时同步^[7]。系统的数据处理过程为：首先，由传感器对发动机燃烧室相关部件数据进行实时采集并上传；然后，对数据进行分类存储（见图3），最后依照如图1所示的架构实现数据的传输和处理。

3）孪生体对象模型构建

为了构建真实有效的实时映射模型，需要对孪生体进行对象层次构建，即由简单模型组合成复杂模型。系统主要研究发动机燃烧室部件的状态监测和故障诊断系统，因此先通过构建整个发动机的模型作为父模型，发动机燃烧室部件则为子模型。模型之间的父子层级关系构建提高了开发查找的效率，并且为后续整个发动机系统部件的故障诊断提供了系统支持。

4）模型属性设计

根据发动机燃烧室不同部件的特征信息设置孪生体模型的属性：

1）每个孪生体对象本身的可观测要素属性，如温度、速度、位置等；

2）对象模型的物理特性，如材料类型、质量、刚度和形变等。

数据驱动的孪生模型如图4所示，主要由燃烧室实体、虚拟系统以及两者之间的虚实交互组成。

2 船舶发动机燃烧室故障分析 2.1 船舶设备部件介绍

本文研究对象为散货船，由船舶公司提供的412751000型船舶主机，船舶发动机物理实体包括发动机的各个关键部件，如活塞、曲轴、气缸、喷油嘴、连杆等。系统主要研究柴油发动机燃烧室的部件，柴油发动机的燃烧室由活塞、喷油器、排气阀和气缸盖组成。具体见图5。燃烧室的设计和各部件的协同工作对燃油燃烧效率、发动机功率输出和排放性能有重要影响。

2.2 发动机燃烧室常见故障分类

在发动机长时间运行后，发动机燃烧室部件由于长时间高负荷工作，容易引起一系列故障。发动机燃烧室中常见部件的故障类型、形成原因和表征现象有以下4种：

1）喷油器故障

喷油器负责将燃油喷入燃烧室，并以雾化的形式与空气混合。喷油器故障会严重影响燃烧效率和发动机性能^[9]。喷油器的主要故障如如表1所示。

2）排气阀故障

排气阀控制废气的排出。阀门故障会影响燃烧室的气体流动，进而影响燃烧效率和发动机性能。排气阀主要故障如表2所示。

3）活塞和活塞环故障

活塞与活塞环负责将燃烧产生的能量传递给曲轴，并控制燃烧室内的气体密封。活塞和活塞环的故障会严重影响发动机的压缩比和燃烧效率。活塞和活塞环主要故障如表3所示。

4）气缸盖故障

气缸盖是燃烧室的顶部封闭部分，承受着燃烧过程中产生的高温高压。气缸盖的故障会导致燃烧室的密封性下降，影响发动机的正常运行。气缸盖主要故障如表4所示。

通过及时检测和维护，可以有效预防这些故障的发生，延长柴油发动机的使用寿命并提高其运行效率。

3 状态监测和故障检测系统研究关键技术 3.1 状态监测

发动机燃烧室部件通过各种传感器实时测量船舶发动机运行状态信息^[8]，其技术路线如图6所示。

传感器共同组成传感器阵列，该传感器阵列获得船舶发动机运行时各项参数。并将采集到的发动机燃烧室部件运行信息经由传感器信号处理电路输入到滤波算法内，去除发动机运行信息内的干扰噪声后，PLC总线接口电路将无干扰噪声的发动机运行状态信息发送到客户端内备用。

系统提供RESTful接口，使得外部系统可以方便地访问和获取处理后的传感器数据。通过该接口，用户能够按照需求实时获取各类监测数据，并进行相应的分析和处理。RESTful接口的设计灵活，支持多种请求方式（如GET、POST、PUT等），提高了系统的可扩展性和互操作性。

针对获取的数据，系统实现了实时数据可视化。使用前端数据可视化框架（如D3.js、Chart.js等），将处理后的数据以直观的图表和仪表板形式呈现给用户。通过这些可视化工具，用户能够快速识别设备状态的变化趋势，及时发现潜在问题，做出相应的决策。同时，系统还支持用户自定义仪表板，根据自身需求选择不同的数据视图，从而提升用户体验。

状态监测系统通过高级传感器技术、RESTful接口以及数据可视化手段，实现了设备状态的实时监测与直观展示。这一综合方案，不仅提高了设备运行的监控效率，也为用户提供了友好的操作界面，有助于优化工业设备的管理与维护。未来将继续扩展传感器种类和数据分析能力，以进一步提升系统的智能化水平。

客户端中将采集到的数据进行整合，将其与发动机参数及各发动机子系统设备信息进行关联并分类储存到数据库中，以便后续数据分析和处理。采集到的数据见图7。

3.2 故障检测

系统将深度迁移学习引入到船舶设备状态监测和故障检测系统。首先，将采集到的数据切分为源域和目标域并进行处理，其次，将源域训练数据集用于深度神经网络预训练，初步训练分类器；然后将深度神经网络训练得到的参数转移到元学习中再次训练，同时引入深度残差网络，注意力机制和领域自适应对参数进行微调，进一步优化分类器；最后利用训练好的模型检测发动机异常，实现发动机故障的精确分类。模型的整体框架如图8所示。

1）神经网络

深度神经网络是一种由多层神经元组成的复杂人工神经网络结构。每个神经元负责接收输入、进行处理，并产生输出，深度神经网络的结构如图9所示。

深度神经网络包括输入层、隐藏层和输出层。输入层负责接收数据，隐藏层包含若干神经元，这些神经元对前一层接收的数据进行处理并将结果传递到下一层，输出层是网络的最后一层^{[10 - 11]}，其神经元数量取决于分类任务的类别需求。

2）元迁移学习

元迁移学习是一种结合元学习和迁移学习来进行图像分类的算法，近些年国内外许多专家学者开展了基于小样本的机器故障检测相关研究。Wang等^[12]提出了一种改进的深度判别迁移学习网络（IDDTLN）进行RV减速器故障诊断。Prashant等^[13]通过迁移学习整合知识传递，提供了一种检测工业机器人伺服电机轴承缺陷的新方法。Zhao等^[14]基于不均匀边际核感知算法的迁移学习（TL-KPAUM）提出了一种跨域航空发动机故障检测方法。

3）模型训练和验证

对元迁移学习模型进行训练，并使用目标域测试集对模型进行测试和调整，以保证模型的准确性和鲁棒性。具体地，通过获取某一船舶发动机近期的历史数据，依据发动机模块及设备构建样本集，采用本文所设计的增强元迁移方法进行异常检测，训练并优化网络直至符合预设的正确率且验证通过^{[15 - 19]}。船舶发动机异常检测模型的整体框架包含数据预处理、元迁移学习和异常检测3个部分，训练流程如图10所示。

本文所使用的数据是从所研究的2台内燃机的运行记录中收集的实际数据。通过加装热电偶，用于测量排气阀出口的排气温度，测量的排气温度单位为℃。测量的数据如图11所示。由于在数据采集过程中，不可避免地会出现一些存储错误或传输错误。因此在本文中将收集到的历史数据中的这些异常值全部清除。具体来说，本文删除了这些明显错误的样本，并使用线性插值来替换这些删除的数据。

将采集到的数据采用CNN、MLP和SVM对比分析，分别取目标域数据的10%、15%、20%、25%作为训练集，研究增加目标域数据的效果。随着目标域中数据量的增加，故障检测精度的变化如图12所示。可以看出，使用迁移算法能够将准确率提高到95%以上。

4 应用实践

船舶发动机状态监测和故障检测数字孪生系统（见图13），以物联网、数字孪生、JAVA、WebGL等为技术基础，以发动机物理实体为单元、传感器监测的燃烧室状态数据为底座、专业模型为核心、业务需求为驱动进行定制化开发，主要实现状态监测和故障检测两大功能模块。

1）状态监测

建立发动机燃烧室部件参数数据库和异常数据库。通过实时采集实际船舶发动机数据：排气温度、冷却淡水出口温度，扫气温度和胡塞冷却油出口温度等、将传感器采集的数据保存到数据库并传输到可视化页面。状态监测可视化页面如图14。

2）故障检测

获取数据后对做数据预处理、融合，将发动机参数与异常信息归类到不同的子系统之下，并作参数相关性分析，方便故障定位。

将发动机参数和异常数据从数据库中提取出来，利用增强元迁移学习算法对分类器进行训练，不断调整、优化参数，提高异常检测精度，故障检测页面如图15所示。

5 结　语

针对船用发动机燃烧室部件，系统基于数字孪生技术，构建了燃烧室部件状态监测和故障检测系统，提出了一种针对少样本场景的高效异常检测算法。该算法专门针对异常样本稀缺的情况进行了优化设计，使其在异常样本数据集较少的情况下仍然能够准确识别并区分各类异常。根据上述系统的功能，后续会在系统里面依据故障检测的数据，进行船舶发动机燃烧室部件寿命预测和维修决策的界面开发和应用。有效提高船舶设备的安全性与可靠性，为船舶智能化管理提供了技术支持。