船舶舵螺旋桨是一种全方位推进器，兼具推进和转向功能，广泛应用于深海风力涡轮机安装船和大型运输船等高性能船舶中。舵螺旋桨的健康状况直接关系到推进效率和航行安全。一旦发生故障，可能会导致严重的设备损坏、动力中断甚至海上事故。因此，开发高效可靠的舵螺旋桨健康监测和故障诊断方法具有重要的工程意义。
近年来，随着传感器技术和人工智能的快速发展，数据驱动的智能诊断方法在旋转机械和船舶推进系统领域得到了广泛研究（Gawde等人，2023年）。传统的故障诊断方法通常依赖于专家领域知识手动从信号中提取有用特征，而在处理大规模数据时这种方法变得越来越不切实际。这促使研究人员探索更自动化的机器学习技术。支持向量机（SVM）（Shi和Zhang，2020年）、k-最近邻（k-NN）（Tang等人，2023年）、随机森林（RF）（Wu等人，2024年）、自动编码器（AE）（Wu等人，2021年）和卷积神经网络（CNN）（Sinitsin等人，2022年）等算法能够直接从原始信号中学习潜在的故障相关特征和模式，展示了机器学习仅基于信号数据实现智能故障诊断的潜力。
基于反向传播的端到端深度神经网络（DNN）在利用标记数据自动化特征提取和故障分类任务方面表现出强大的能力（Shen等人，2023年；Ma等人，2023年；Cao等人，2023年）。这些方法通常依赖于大量的标注故障样本，使网络能够学习到具有区分性的表示，并准确识别故障类型和位置。Wang等人（2024年）提出了一种时频对称点模式转换技术，将原始振动信号转换为二维表示，并设计了一个多尺度特征融合模块，有效提取时频信号中的低级特征。利用基于Transformer的架构，他们建立了一个用于多种工作条件下滚动轴承故障诊断的模型。Zhao等人（2024年）开发并改进了堆叠去噪自动编码器以提取深层故障特征，并引入了具有结构化跳过连接的循环记忆单元来融合多维信息并输出诊断结果。这种方法有效捕捉了风力涡轮机行星齿轮箱在实际运行中常见的复杂故障特征，如速度变化、样本不足和强噪声干扰。然而，在实际的船舶系统中，由于船舶的结构复杂性和通常稳定的运行条件，真实故障数据极为稀缺。因此，模型训练经常面临样本不平衡和过拟合等问题（Liu和Gan，2025年）。
为了解决数据稀缺的问题，越来越多地使用仿真信号（如来自多体动力学和有限元模型的合成数据）来构建源域数据集（Pang等人，2024年；Li等人，2024年；Qin等人，2024年）。然而，由于仿真数据无法完全捕捉传感器响应特性和边界扰动等实际因素，仿真数据和真实测量信号之间存在显著的领域差异，这限制了仿真数据在实际环境中训练模型的直接应用（Li等人，2024年）。
为了解决仿真到测量领域的转换问题，近年来提出了一些基于生成对抗网络（GAN）和迁移学习的故障诊断方法。例如，Li等人（2025年）将一维故障信号转换为灰度小波时频图像，并采用变分自动编码器-GAN架构来增强这些图像并平衡数据集。然后将生成的和原始的图像结合在一起，输入经过焦点损失优化的CNN分类器，以在不平衡条件下实现故障诊断。特别是Wasserstein GAN（WGAN），由于其改进的分布距离指标和增强的训练稳定性，已被广泛用于机械系统中的高质量信号生成和领域适应性迁移学习（Zhang等人，2025年；Chen等人，2023年）。在这些方法中，多分支WGAN结构在捕捉复杂振动信号的潜在特征方面表现出更好的能力，在具有挑战性的诊断任务中显示出更好的特征保留和类别可分性（Zhao等人，2021年）。
另一方面，传统的工业故障诊断主要依赖于信号处理技术从传感器数据中提取特征进行分类和预测任务。典型的方法包括时频分析（STFT、CWT）（Feng等人，2013年）、经验分解技术（EMD及其变体）（Huang等人，1998年；Wu和Huang，2009年）和包络分析（HHT）（Feng等人，2013年；Randall和Antoni，2011年）。虽然这些方法能够有效捕捉调制模式和脉冲成分等故障相关特征，但它们存在几个关键限制：（1）选择处理参数和手动设计特征需要丰富的领域知识；（2）手工制作的特征可能无法很好地泛化到不同的运行条件；（3）它们难以捕捉复杂系统中的高维非线性故障模式。
相反，纯数据驱动的深度学习模型可以自动学习层次化表示，而无需手动特征工程，但它们往往忽略了被诊断系统的潜在物理机制。这可能导致输出缺乏物理一致性和可解释性，因为模型可能会学习到虚假的相关性而非物理上有意义的模式。在训练数据有限或运行条件未知的情况下，缺乏先验物理知识可能会影响分类准确性和鲁棒性（Shen等人，2023年；Ma等人，2023年；Cao等人，2023年）。
近年来，物理信息神经网络（PINN）作为一种将物理约束集成到神经网络训练中的有前景的方法应运而生。这些模型在材料建模、流体动力学和结构健康监测等多个领域展示了显著的优势（Hu等人，2024年；Ramos等人，2023年；Xu等人，2024年）。一些研究开始探索PINN在旋转机械故障诊断中的应用。例如，Xu等人（2024年）开发了一个多尺度物理信息概率深度网络（PIPDN）框架，该框架结合了提出的不确定性量化（UQ）和决策融合模块，以实现准确的解释和增强的诊断性能。使用轴承数据集的实验验证证明了该框架的适用性、有效性和优越性。Keshun等人（2025年）提出了一种由物理融合约束指导（PFCG）引导的深度学习方法，该方法将多物理信息（特别是声学和振动特征）整合到学习过程中，以鼓励模型捕捉物理上有意义的轴承故障特征。Yang等人（2024年）提出了一种时间相关PINN（TCPINN），通过结合类似傅里叶的神经架构和齿轮振动平衡方程，可以直接从振动响应数据中估计时变动态网格参数，如时变网格刚度（TVMS）和静态传输误差（STE）。TCPINN模型结合伪-TVMS特征，无需单独的分类器即可有效识别齿轮疲劳故障。Wang等人（2025年）进一步开发了一个基于可靠性工程知识的PINN框架，将通过Weibull分布建模的故障机制整合到长短期记忆（LSTM）神经网络中。设计了一种自定义的Weibull损失函数，将这种知识嵌入训练过程中。这种知识整合方法提高了预测性能，并有助于克服历史数据质量差或潜在物理过程固有的不确定性等挑战。
尽管先前的研究在领域适应和物理信息建模方面取得了显著进展，但仍然缺乏一个统一的框架，将物理仿真知识整合到生成对抗网络和物理信息神经网络中，特别是为高可靠性和安全关键的船舶系统量身定制。为了解决这些挑战，本文提出了一种用于船舶舵螺旋桨的故障诊断方法，该方法有效整合了仿真数据和测量数据，并将物理先验纳入建模过程。
本工作的主要贡献如下：
1.建立了一个多体动力学-CFD耦合仿真系统，以在典型的齿轮对和轴承故障条件下生成高保真的振动响应信号。优化了边界条件，以确保在各种运行场景下生成可靠的仿真数据。
2.设计了一种基于仿真数据驱动的双分支Wasserstein生成对抗网络（SDDWGAN）架构，结合了一维波形特征和小波包时频表示。这种结构实现了从仿真域到测量域的对抗域适应，频域余弦相似度超过0.88。
3.开发了一种双分支PINN，其中将舵螺旋桨组件的特征频率作为物理约束纳入损失函数。这使得数据驱动学习与频域先验相结合。在真实测试台数据上的验证表明，在多种典型故障类型下具有出色的诊断性能，分类准确率高达100%，并且对噪声具有很强的鲁棒性。
