冷却系统故障引起的水温失控会造成柴油机油耗和排放恶化,甚至整机热损毁。而冷却系统可监测变量少、时间尺度大、耦合性强等特点导致对其故障的监测和辨识困难。大部分汽车仅通过水温判断系统状态,故障较轻时水温异常改变较慢,容易对车辆控制单元（Vehicle Control Unit,VCU）造成欺骗引起误判,导致驾驶员错失处理故障的最佳时机。系统部件间的强耦合性使不同故障下的表现相似,导致故障原因辨识困难。针对冷却系统故障监测与辨识问题,本文基于国内某特定型号中载柴油机的试验和仿真平台,将“数字孪生思想”应用于冷却系统的故障诊断中,提出了一种将同步运行孪生模型和小样本数据驱动相结合的智能诊断算法。本文基于目标柴油机,利用部件特性曲线、稳态台架试验数据、带故障道路试验数据建立和标定了GT-SUITE仿真模型,作为研究中仿真平台的验证对象模型。验证结果表明GT-SUITE模型在92%工况下的输出值相对试验值误差为±6%,其精度可以满足算法验证需求。在Simulink中搭建故障诊断算法及其辅助算法。诊断算法中包含了一个基于冷却系统物理原理的孪生模型。孪生模型与柴油机同步运行并以当前工况为输入预测进、出水温度,预测误差为±3%,通过监测预测水温和实际水温的残差,可以监测系统的健康状态。在部件老化导致孪生模型预测误差上升到±5%后,通过在线演化自学习算法重新辨识模型系数,可使误差下降到±3.5%,保证孪生模型在柴油机全生命周期的预测精度。建立包含传感器故障诊断算法和车辆控制器网络通讯故障诊断算法的辅助算法,从模型输入方面确保孪生模型的预测准确性。将孪生模型预测的水温与实际水温的残差作为故障辨识的信息依据,输入基于600组数据训练得到的支持向量机（Support Vector Machine,SVM）的故障辨识算法中,辨识对应故障原因。经仿真验证,故障辨识准确度在97%以上,相同训练数据量下,比采用可监测变量和变量影响因素作为故障信息的传统方法相对高56.5%以上。最后,在仿真和试验平台对冷却系统的故障诊断算法进行了验证,在故障发生后,诊断用时在45 s以内。因此,该诊断算法对柴油机冷却系统故障有良好的监测能力和准确辨识的潜力。