船舶動力裝置智能故障診斷技術的應用與展望

蔣佳煒，胡以懷*，方云虎，李方玉

1 上海海事大學 商船學院，上海 201306

2 中航鼎衡造船有限公司，江蘇 揚州 225217

0 引 言

近年來，隨著物聯網、互聯網及自動化控制技術的發展，船舶的自動化程度日益提高[1-2]，而信息技術和基于“大數據”的數據挖掘技術也加快了智能船舶的發展步伐[3-4]，可以預見，未來10～20 年內智能船舶是決定航運業發展方向的重要因素。在《2030 全球海洋技術趨勢》報告中，智能船舶被列為未來18 項主流的海洋技術之一[5]。基于大數據的德國工業4.0 戰略，通過整合網絡、實體和岸海一體化智能信息服務系統，促進了傳統造船業的轉型和智能船舶的發展[6-7]。在《中國制造2025》戰略文件中，高科技造船被列為十大重點領域之一，其中智能船舶是其重要組成部分[8-9]。在智能船舶的發展歷程中，動力系統作為整個船舶最核心的系統，其安全性和可靠性將直接影響船舶的航行安全[10-12]。

隨著船舶向大型化、高速化、少人化和智能化的方向發展，其動力系統的自動化水平和復雜程度也在逐漸提高[13-14]，并對動力裝置的可靠性提出了更高的要求。動力裝置在運行期間具有強烈的時變性且對環境條件的要求十分苛刻[13,15]，船舶動力系統的故障發生率如表1 所示[16]。因此，有效的故障監測與診斷技術是預防船舶動力系統故障并保障航行安全的重要手段，也是實現智能船舶的必要環節。隨著船舶動力系統與機艙自動化水平的不斷提高，機械設備的監測數據規模呈井噴式增長，其數據種類和數據結構也愈加復雜[17-18]。如何在龐大的數據洪流中準確抓取設備的故障信息，已成為船舶動力系統故障診斷的研究熱點[3,19]。工信部于2014 年發布的《大數據白皮書》指出，大數據為各領域帶來了顛覆性的創新和全新的挑戰[20]。國務院于2015 年發布的《促進大數據發展行動綱要》明確表示，應引導和鼓勵各領域在大數據分析方法及關鍵技術應用等方面開展探索研究[21]。

表 1 船舶動力系統的故障發生率Table 1 Fault rate of marine power system

隨著傳感器和機械狀態監測點的數量增加，船舶動力系統故障診斷正向著數據化[11,22]、智能化[1]、高效化[10]和準確化[23]的方向發展。挪威KYMA 公司基于船舶性能參數，研制了Kyma performance monitoring 船舶監測診斷系統[24]。船用主機制造商MAN B&W 公司研制了計算機輔助性能分析（Computer Aided Performance Analysis，CAPA）軟件程序專家系統，可以對二沖程柴油機進行狀態監測、故障模式識別及故障預測[25]。Jiang 等[10]根據大量實船數據，開發了基于Access數據庫的船舶動力裝置故障診斷專家系統，可以有效提升船舶的運營效率。臧軍[26]基于柴油機離線診斷技術的不足，提出了利用監測數據實現柴油機在線故障診斷的研究方向。此外，ABB，GE 及西門子等公司也基于大量的船舶機械狀態監測數據，在船舶動力系統故障診斷方面開展了深入的研究工作。然而，由于船舶動力設備自身結構和運行機理的復雜性，及其工作環境的多變性，目前故障診斷工作的數據分析、處理與診斷均面臨著重重困難。

綜上所述，動力設備的狀態監測數據已成為故障預測與診斷的重要資源，而對于具有一定規模數據量且時間連貫性較強的數據集來說，如何采用恰當的智能算法解析運行狀態數據，是智能船舶故障診斷的關鍵技術。通過實施智能故障診斷，可以提取大量監測數據中蘊含的多域故障信息、識別設備故障、監測設備狀態并預測運行壽命，從而突破傳統故障診斷高度依賴專家和技術人員的瓶頸，解決船舶遠航時缺乏專家指導則難以維修的問題[27]，最終為智能船舶和無人船舶技術的發展打下堅實基礎。

1 國內外研究現狀

船舶動力裝置的智能故障診斷過程可以分為數據信號獲取、數據特征提取、故障識別與預測3 個環節[28-29]，如圖1 所示，下文將選取國內外近年來具有代表性的研究工作予以綜述。

圖 1 船舶動力裝置的智能故障診斷流程圖Fig. 1 Intelligent fault diagnosis flow chart of marine power system

1.1 數據信號獲取

在船舶動力系統中，通過傳感技術監測并獲取機械裝置的運行狀態，是開展故障診斷工作的基礎。設備故障信息大多存在于熱力學、動力學、摩擦學、聲學等物理場中，目前國內外學者已經從某一個或多個物理場中成功提取信號并開展了深入研究。

1.1.1 熱工參數信號

爆發壓力、壓縮壓力、排溫、排壓、轉速、功率等熱工參數直接反應了柴油機各部件的工作狀況和運行狀態，適用于有效診斷進排氣系統臟堵、中冷器溫度異常、噴油正時異常等故障，具體參數如表2 所示。

表 2 船舶動力系統故障診斷的主要熱工參數Table 2 Main thermal parameters of marine power system fault diagnosis

Lamaris 等[18]利用缸內壓力、噴油壓力、主機功率等參數分析了實船柴油機的運行狀態，Rubio等[30]監測了柴油機運行期間的熱工參數并建立了相關數據庫，駱康明[31]設計了熱工參數智能數字檢測儀并對艦船主動力裝置進行了自動檢測，Zhu 等[32]監測分析了柴油機燃燒排放物的溫度，余永華[33]基于船舶柴油機的瞬時轉速和熱工參數進行了柴油機仿真建模。

1.1.2 振動信號

據調研，利用柴油機的機身整體振動、表面局部振動和軸系扭轉振動可以有效診斷燃油系統、配氣機構、活塞—缸套、連桿軸承和滑動主軸承、渦輪增壓器等主要運動部件的故障，該方法具有診斷速度快、精度高、針對性強，以及易于測取信號、易于早期預報和在線監測等優點。

Li 等[34]采用壓電加速度傳感器獲取了柴油機的氣缸振動信號并進行了特征分析，Nag 等[35]利用加速度計在通用主機實驗臺上測取了氫—柴油雙燃料柴油機在不同頻率下的振動信號振幅，Sinha 等[36]優化了機械振動信號的獲取方法，Xiao等[37]基于萬噸級實船數據建立并驗證了柴電混動推進系統的振動數學模型。王榮等[38]針對機械狀態監測中振動信號的有效傳遞問題，提出了一種振動傳感器的優化布置方法。胡以懷等[39]基于柴油機的振動信號數據，開展了柴油機磨損故障振動在診斷機理方面的研究。

1.1.3 噪聲信號

噪聲信號的信息量非常大，具有非接觸、不解體、高效、便捷等優點[40]，可以作為柴油機故障診斷的輔助手段。對于某些運動部件的早期故障、熱工參數信號反饋不明顯的故障而言，采用噪聲信號對柴油機進行總體狀態分析就顯得尤為重要。

Arveson 等[41]以低速柴油機驅動的散貨船為研究對象，分析了其在不同工況下的輻射噪聲特點。Torregrosa 等[42]針對發動機排氣后處理系統（Exhaust After Treatment System，EATS）提出了一種聲學響應評估方法，并對發動機排氣噪聲的透射和散射特性進行了EATS 評估。Zhen 等[43]以四缸四沖程直噴和渦輪增壓柴油發動機為研究對象，證明了空氣噪聲可以用于柴油機的狀態監測與油液分析。李才良等[44]開展了柴油機的聲信號故障診斷試驗，在傳統的幅值域參數診斷效果不明顯的情況下，提出了勻布指標這一概念，并對實際采集的聲信號進行了分析診斷。吉哲[45]開展了基于聲信號的柴油機故障診斷研究，并認為基于聲信號分析的機械故障診斷方法非常適用于惡劣環境下的機械設備。蔡振雄等[46]總結分析了利用振動噪聲信號進行柴油機典型故障診斷的研究進展。

1.1.4 其他信號

Beeck 等[47]利用激光診斷工具監測了柴油機的缸內燃燒過程。Roisman 等[48]基于柴油機噴油圖像，分析了噴嘴尖端油霧的傳播方程，并進行了建模和仿真驗證。Guerrero 等[49]針對船舶柴油機效率損失、功率不平衡和噴射系統故障等異常問題，利用發電機和發動機之間的瞬時轉矩，開發和驗證了低速柴油機的扭轉非線性模型。黨軒等[40]利用聲發射技術對發動機的故障源進行了定位，并對柴油機連桿大端軸瓦處的碰撞摩擦開展了診斷分析工作。陳熙源等[50]分析了光纖Bragg光柵傳感器應用于信息化智能船舶的關鍵技術。Feng 等[51]利用紅外熱像儀獲取了輪機設備的熱像圖，并對船舶動力設備進行了故障分析。在工程實際中，適用于船舶動力裝置故障診斷的信號范圍非常廣，雖然本文列舉了大量的數據信號獲取方法，但限于篇幅，無法一一詳述。

綜上所述，國內外學者根據不同的物理信號對船舶動力裝置的運行狀態進行了有效監測，也取得了一定成果，可為智能算法在船舶動力裝置故障診斷中的應用奠定基礎。而信號提取作為機械設備故障診斷的第1 步，是智能算法應用必不可少的前提要素。

1.2 特征提取

采用合理的手段對信號進行故障特征提取，是機械故障診斷的一個關鍵環節。由于機械故障信息在監測信號的時域、頻域和時頻域均有不同程度的體現，所以對信號進行特征提取是明確機械故障信息表征的有效方法。

1.2.1 振動信號的特征提取

Charles 等[52]利用快速傅里葉變換（Fast Fourier Transform，FFT）提取了柴油機曲軸扭轉振動信號的故障特征。Taghizadeh 等[53-54]研究了柴油機的爆震檢測方法，其通過對振動信號進行時頻分析，發現了短時傅里葉變換（Short Time Fourier Transform，STFT）可以有效提取燃料噴嘴和爆震檢測的故障特征。Xi 等[55]采用t分布隨機鄰域嵌入算法提取了柴油機振動信號的故障特征，并利用超限學習機（Extreme Learning Machine，ELM）進行了故障分類。Jing 等[56]將分形關聯維數、小波能量和熵作為柴油機故障的分類特征，開展了柴油機氣門間隙的異常故障診斷研究。 蔣佳煒等[57]基于小波能量譜進行了柴油機氣門間隙異常故障的特征提取。程軍圣等[58]對比了局部特征尺度分解與經驗模態分解（Empirical Mode Decomposition，EMD）方法在故障診斷中的應用效果。夏天等[59]應用經驗模態分解和自回歸譜提取了柴油機曲軸軸承的故障特征。Peng 等[60]對比了EMD 和小波分解在故障特征提取中的應用效果。王鳳利等[61]基于總體經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）的改進局域波分析方法，分析了信號能量隨瞬時頻率的變化特征。暢志明[62]基于EEMD 分解和多信息熵，對大功率柴油機氣門間隙的故障振動信號進行了特征提取。岳應娟等[63]針對柴油機故障特征的提取問題，提出了一種基于時頻圖像雙向二維特征編碼的柴油機智能故障診斷方法。

本文對5 種振動信號特征提取方法的特點和局限性，開展了對比分析，具體如表3 所示。

表 3 5 種振動信號特征提取方法的對比結果Table 3 Comparison results of five methods for extracting vibration signal features

1.2.2 熱工參數特征提取

Hedegard 等[64]通過分析大量的柴油機缸壓數據，提出了柴油機缸壓參數的有效估算方法。Hountalas 等[65]根據低速二沖程柴油機示功圖數據，建立了基于多項特征參數的柴油機故障診斷模型。Li 等[66]根據柴油機缸壓曲線圖，提出了一種基于圖形特征映射的數據驅動狀態監測方法。牛曉曉等[67]利用神經網絡模型對柴油機爆壓參數進行了預測。Wang 等[68]分析了柴油機的故障參數特征，并基于貝葉斯網絡（Bayesian Networks，BN）實現了故障隔離。

1.2.3 其他信號特征提取

Baek 等[69]對多傳感器信號的離散狀態向量進行了特征提取，并開展了柴油機故障預測研究。Zhang 等[70]利用循環極坐標圖提出了一種基于瞬時曲軸轉速（ Instantaneous Crankshaft Speed，ICS）的柴油機故障診斷方法。Li 等[71]基于振動與磨損顆粒分析的信息融合，提出了一種新型的船用柴油機故障診斷技術。王歡歡[72]總結了聲發射分析方法，并基于聲發射信號進行了柴油機早期故障診斷研究。

由此可見，在基于信號處理技術的柴油機故障特征提取方面，國內外學者已經取得了一定的進展，其研究成果適用于噪聲干擾條件下、多工況影響下的柴油機故障診斷。然而，目前的研究項目大多處于實驗驗證階段，鮮有實船應用數據，且在輕微故障和多故障特征提取方面的參考文獻也相對較少。

1.3 故障識別與預測

基于故障信號所提取的特征參數，采用智能算法實現船舶動力裝置的自動故障識別與預測，是智能算法在船舶動力裝置故障診斷中的主要應用目標，其中如何提高故障識別準確率是當前的研究熱點。

1.3.1 故障識別

Kowalski 等[73]基于極限學習機算法提出了一種船用柴油機的智能故障診斷方法，實船驗證結果表明，該方法具有更高的分類準確度和更快的響應速度。Porteiro 等[74]利用實驗數據建立了神經網絡系統，并對柴油機進行了功率估計和故障識別。Morgan 等[75]結合大量的在線和離線故障診斷應用特點，提出了一種稀疏數據集的計算分析方法。Mesbahi 等[76]通過訓練單個自動關聯3 層 人 工 神 經 網 絡（ Artificial Neural Network，ANN），研究了6 缸渦輪增壓柴油機的在線故障診斷技術。Hu 等[77]應用基于Dempster-Shafer 理論的多分類支持向量機（Dempster-Shafer theory based on Multi-class Support Vector Machines，DSMSVM）算法對柴油機進行了故障診斷，并通過實驗驗證了該方法可以提高故障診斷的準確性和魯棒性。Liu 等[78]基于固有時間尺度分解（Intrinsic Time-scale Decomposition，ITD）算法和多級Adaboost 相 關 向 量 機（Relevance Vector Machine，RVM）算法，提出了柴油機故障診斷方法。Gao 等[79]改進了極限學習機算法，并利用單級極限學習機（Single-Stage Extreme Learning Machine，SS-ELM）對柴油機進行了故障診斷。Yin 等[80]利用振動信號和人工神經網絡對內燃機的元件損傷進行了故障診斷。蔣一然[81]針對反向傳播（Back Propagation，BP）神經網絡收斂速度慢和容易陷入局部極小值的問題，將遺傳算法和神經網絡有機結合，提出了基于遺傳神經網絡的柴油機故障診斷方法。張旭[82]從工程實際應用的角度出發，將人工免疫算法與計算智能診斷方法相結合，對船舶柴油主機的智能故障診斷進行了深入研究。牟偉杰等[83]提出了一種基于振動時頻圖像全局和局部特征相融合的柴油機故障診斷方法。李偉[84]利用和聲搜索算法優化了BP 神經網絡，并進行了柴油機故障診斷研究。金玉臣[85]運用粒子群算法優化了支持向量機（Support Vector Machines，SVM）的主要參數，柴油機故障診斷的實驗結果表明，該算法優于BP 神經網絡。

1.3.2 故障預測

Diez 等[86]提出了一種新型算法，可以基于內核的SVM 來監測傳感器數據的健康狀況，從而實現健康數據的低誤報率并改進故障預測能力。Li 等[34]通過將群體智能優化的多類多核相關向量機模型輸出與不同學習算法相結合，實現了柴油發電機組的魯棒故障檢測。Subrahmanya 等[87]提出了一種基于貝葉斯框架的新算法，適用于柴油發電機組的故障預測與診斷問題。Yuan 等[88]為預測潛在故障，提出了一種新型多核極限學習機算法，適用于早期故障的智能預測。杜劍維等[89]采用灰色預測理論和神經網絡技術，對柴油機相繼增壓系統進行了故障預測與診斷。曹曉霞[90]基于小樣本，采用相關向量機算法對柴油機的故障預測進行了研究。董安[91]提出了基于形態濾波和灰色理論的柴油機故障預測方法。韓敏等[92]提出了一種增強型間歇性未知輸入的卡爾曼濾波器，可用于對船舶柴油機系統故障進行預測，并取得了較好的結果。牛曉曉[93]利用非支配排序遺傳算法實現了柴油機性能的預測及優化。

由此可見，國內外學者在船舶動力裝置的故障診斷和預測方面進行了深入研究，同時新型智能算法的應用也在不斷推陳出新。目前，相關研究工作主要集中在故障分類的準確性方面，鮮有算法計算成本和計算效率優化方面的研究成果。然而，在船舶實際運營中，響應速度和計算成本是評價故障診斷與預測系統的關鍵指標，因此，如何基于低成本和高響應速度進行準確的故障診斷與預測，是實船應用中不容忽視的問題。

2 智能故障診斷技術的發展趨勢和挑戰

船舶動力系統智能故障診斷技術的發展趨勢具有如下特點：

1） 監測點眾多，數據量龐大，無法僅僅依靠診斷專家進行人工分析，故需要引入新理論和智能算法進行自動分析。

2） 數據密度低。由于船舶動力系統的機械設備長期處于正常工作狀態，信息重復率高，有價值的數據密度較低，所以需要進行數據提取。

3） 數據特征隱蔽。由于船舶動力系統的設備多樣性且數據時間跨度較長，所以信息之間的耦合程度較高，從而導致故障表征信息的提取存在一定難度。

4） 數據時效性高。船舶各個機械系統的關聯較為緊密，某個設備故障會引起連鎖反應并導致多個設備報警，所以智能故障診斷應保證數據處理的時效性，才能高效準確地判斷故障源頭并及時預警。

結合現代船舶的發展特點和機艙自動化、智能化的應用需求，船舶動力系統故障診斷亟需在現有基礎上繼續向智能化方向拓展。根據2015年中國船級社發布的《智能船舶規范》[28]，船舶動力系統的智能故障診斷技術應重點注意以下4 個方面：

1） 故障診斷思維的延伸。從以觀察故障現象、進行故障機理分析、通過經驗解決問題的傳統診斷思維，轉向以經驗機理為基礎、故障現象為表征、監測數據為內核、智能算法為手段、故障預測與狀態監測為目標的新方向。

2） 研究對象的延伸。從針對泵、軸系、活塞、噴嘴等獨立機械設備關鍵零部件的單層次診斷方法，轉向融合各個零部件相互作用、多故障相互耦合的面向整體動力系統的多層次診斷新方法。

3） 診斷方法的延伸。從人工收集并篩選數據、基于機理提取故障特征的切片式診斷方法，轉向在多工況、多隨機因素干擾下通過智能算法提取并篩選數據特征，從而進行故障數據解析和全局分析的新方向。

4） 診斷目標的延伸。從傳統的出現故障之后分析解決問題，轉向準確及時地識別機械故障的萌生和演變、實時監測動力系統的運行狀態、提前預測并化解、減少或避免事故的新方向。

目前，智能算法在船舶動力裝置故障診斷中實現了預期效果，不僅降低了故障診斷的人力成本，也提高了故障診斷的準確率，且與自動化船舶的發展方向契合緊密。然而，在實際應用中，智能故障診斷仍然面臨著諸多問題，具體如下：

1） 需要關注算法的實時性。船舶故障診斷的準確性固然重要，而對于實船應用而言，故障診斷算法的實時性也不容忽視。很多智能算法需要高性能計算機的支持，例如深度學習算法尤為依賴高性能GPU 甚至TPU 的支持。在實際應用中，算法的運算速度和運算成本是2 項非常重要的指標，如何在這2 項指標之間進行合理取舍是智能算法邁向實際應用所必須解決的問題。

2） 缺乏實驗數據。船舶柴油機多為大型低速柴油機，具有造價高、成本高的特點。對于這樣的研究對象，很難或根本無法人為地設置故障，所以也無法獲取相應的故障數據。這就意味著神經網絡或支持向量機等需要大量訓練數據集的算法難以得到令人滿意的結果，如何克服數據樣本短缺這一問題，是國內外學者需要共同攻克的難關。

3） 需要有效利用數據。監測數據中可能蘊含著尚未發掘的故障信息，而智能算法一般只能對故障進行分類或識別，但無法解釋數據中反映的故障機理。如何發掘并解釋機械狀態與監測數據之間的關系，也是當代學者應當考慮的問題。

4） 算法的魯棒性與泛化能力有待提高。雖然智能模型可以對船舶動力裝置進行故障識別，但對于在實船上多工況、復雜多變環境下工作的機械設備而言，動力裝置故障往往表現出不確定性、并發性和耦合性。由于智能模型一般為全監督式或半監督式模型，故其自學習能力和泛化能力普遍較弱。當測試范圍超出其訓練樣本的數據范圍時，常常導致其識別精度有所降低甚至無法識別。因此，強化算法的學習能力，增強算法的魯棒性與泛化能力是智能故障診斷走向實船應用的巨大挑戰。

5） 缺乏多故障分析研究。目前，國內外學者的研究主要集中于單一故障，而鮮有實船中多發故障、早期故障和微弱故障方面的研究成果。如何采用智能算法對動力裝置進行多故障診斷，也是需要解決的問題。

6） 視情維修與健康管理系統有待發展。目前，國內外學者主要致力于故障的識別與預測，而鮮有機械設備的健康管理和機械運行狀態評估方面的研究成果。究其原因，大多數學者的數據來源于實驗，而數據的零散化、片面化導致無法對動力裝置開展有效全面的狀態監測，進而阻礙了船舶動力裝置視情維修與健康管理系統的發展。

3 基于智能算法的船舶動力裝置故障診斷平臺

針對智能故障診斷所面臨的挑戰，結合智能算法的特點，本文認為應該從以下6 個方面入手，用以增強智能算法在船舶動力裝置故障監測、診斷與預警中的應用效果，從而為智能故障診斷的工程實踐奠定基礎。

1） 基于云平臺的數據監測系統。上文提到，數據信號獲取是開展智能故障診斷的第1 步。運用4G，5G 和衛星通信等通訊技術的云平臺可以實現動力裝置的遠程監測，從而解決計算機計算能力的限制問題。通過建立完備的數據監測系統，為船舶自動化機艙提供數據備份和數據共享是船舶走向智能化的重要媒介，也是實現智能故障診斷的“加速器”。

2） 建立數據庫。數據是智能故障診斷的基礎和寶貴資源。長期的、完整的船舶動力裝置運行數據中蘊含了許多可供發掘的機械健康狀況信息。建立船舶動力裝置狀態監測數據庫對于開展故障數據挖掘、研究所信息共享、企業故障診斷應用而言十分重要，這也是船舶動力裝置智能故障診斷走向實船應用的保障。

3） 監測數據挖掘。當機械狀態監測數據集達到一定規模時，由于機械工況的多變性和其他隨機因素的干擾，在數據集中難免會存在無效數據。因此，開展數據清洗并根據時間尺度或工況變化進行數據挖掘，是保持數據有效性和數據一致性的有效手段。從長遠來看，數據挖掘是“大數據”環境下智能故障診斷的發展方向之一。

4） 建立自學習故障診斷平臺。機械設備在長期運行過程中，不同工況下運行狀態參數之間的耦合性很強，所以無法人工識別某些故障特征參數，即使通過傳統的理論分析、經驗分析等方式也難以提取信號中的特征參數。如圖2 所示，通過云平臺積累機械運行狀態參數，利用智能算法自動分析、學習、識別其特征，并將維修信息和劣化信息相結合，同時訓練神經網絡等智能模型是未來智能機械故障診斷的發展趨勢。

圖 2 基于智能算法的故障診斷云平臺Fig. 2 Fault diagnosis cloud platform based on intelligent algorithm

5） 實現船舶動力裝置的視情維修與健康管理。基于故障診斷平臺對船舶動力裝置開展運行狀態監測，盡可能在故障發生之前進行有效維護，是未來船舶智能故障診斷發展的必經之路。視情維修與健康管理可以有效節約人力和物力資源，合理規避故障風險，這也是智能算法優點與特點的最佳體現。

6） 基于模型故障診斷與數據驅動故障診斷的深度融合。在現有的專家系統中，知識庫數據大多來自相關專家和運維人員十幾年甚至幾十年積累的經驗，是非常寶貴的資源。然而，由于這些信息的非結構化較嚴重，一般難以獲取并進行實船應用。如果對專家信息進行總結歸納，或采用相關智能算法自動整合提取故障特征并加入云平臺的數據庫，必將顯著提升云平臺的診斷性能。

4 結 語

本文闡述了智能算法在船舶動力裝置故障診斷中的應用方法，通過綜述國內外學者的研究進展，總結了船舶動力裝置智能故障診斷所面臨的挑戰與發展趨勢。本文認為，應以實現船舶動力裝置的視情維修與健康管理為目標，從建立基于云平臺的數據監測系統、建立數據庫和開展監測數據挖掘入手，為船舶動力裝置智能故障的實際工程應用奠定基礎。