大數(shù)據(jù)支持下船舶智能運維的實現(xiàn)

戰(zhàn)翌婷 曾驥

摘要：為實現(xiàn)船舶在航行中的設(shè)備檢測和智能維護， 對支持智能船舶的大數(shù)據(jù)分析方法進行研究，并結(jié)合大量實船運維數(shù)據(jù)，提出基于設(shè)備衰退機制的動態(tài)決策樹模型，對船舶設(shè)備的衰退過程進行預(yù)測。將分析結(jié)果同步可視化到設(shè)備模型中，從而減少船舶運維中由設(shè)備故障帶來的不確定性，提升船舶智能化水平。開發(fā)船舶智能運維管理系統(tǒng)，將大數(shù)據(jù)的集中分析能力、數(shù)據(jù)庫的集成管理能力和3D可視化技術(shù)相結(jié)合，實現(xiàn)船舶的一體化和智能化管理與維護。

關(guān)鍵詞：船舶運維;大數(shù)據(jù);智能船舶;可視化分析

中圖分類號：U674.03

文獻標志碼：B

Abstract：To realize the equipment detection and intelligent maintenance of ships in navigation， the big data analysis method applied to intelligent ships is studied. Based on a large amount of real ship operation and maintenance （O&M） data， a dynamic decision tree model based on the equipment degradation mechanism is proposed to predict the attenuation process of ship equipments. The analysis results are visualized into the equipment model synchronously， so as to reduce the uncertainty caused by equipment faults in ship O&M and improve the level of ship intelligence. The intelligent O&M system of ships is developed， where the centralized analysis ability of big data， the integrated management ability of database and the 3D visualization technique are combined to implement the integrated and intelligent management and maintenance for ships.

Key words：ship operation and maintenance; big data; intelligent ship; visualized analysis

收稿日期：2018-05-18

修回日期：2018-10-30

作者簡介：

戰(zhàn)翌婷（1980—），女，遼寧大連人，講師，博士，研究方向為智能船舶設(shè)計與建造，（E-mail）ytzhan@shmtu.edu.cn;

曾驥（1977—），男，四川德陽人，教授，博導(dǎo)，博士，研究方向為智能船舶設(shè)計與建造、海工平臺建造與分析，（E-mail）zengji@shmtu.edu.cn

0 引 言

伴隨著智能技術(shù)和大數(shù)據(jù)分析在各行業(yè)的廣泛應(yīng)用，智能船舶概念開始興起，并逐步走進國際造船界的視野[1-2]。船舶智能化是利用大數(shù)據(jù)和信息技術(shù)對船舶的總體性能及狀態(tài)進行實時監(jiān)測、評估和分析[3]，實現(xiàn)船舶的智能化運行，其中智能化運行維護（簡稱運維）管理工作是一項由多方參與的、由一系列目標高度一致且相互獨立執(zhí)行的管理任務(wù)組成的系統(tǒng)工程。雖然近年來面向船舶設(shè)備保養(yǎng)檢驗的數(shù)據(jù)庫管理系統(tǒng)頻出，但針對整船設(shè)備、結(jié)構(gòu)和管系的保養(yǎng)仍然停留在電子數(shù)據(jù)表格與紙質(zhì)圖紙配合的水平，無法滿足智能船舶發(fā)展的需求。

大數(shù)據(jù)研究的迅猛發(fā)展猶如開啟了一場尋寶游戲，它通過數(shù)據(jù)分析工具挖掘出數(shù)據(jù)間的潛在價值。如果能利用運維大數(shù)據(jù)去發(fā)現(xiàn)船舶運營設(shè)備中可見和不可見的問題，將極大地提高船舶運維的智能化水平。將智能化監(jiān)控技術(shù)應(yīng)用于船舶管理中也會大幅提高船舶行業(yè)的智能化水平[4]。因此，需要針對智能船舶運維現(xiàn)狀，提出一種新的智能分析方式，以隨時了解船上設(shè)備的運轉(zhuǎn)情況并實現(xiàn)設(shè)備故障的快速預(yù)測，從而提高船舶運維的智能化水平。

針對船舶設(shè)備監(jiān)測與分析的研究很多，PERERA等[5-6]將設(shè)備連接到船舶導(dǎo)航和自動化系統(tǒng)中，在船舶之間收集和交換數(shù)據(jù)，對船載和岸基的各種數(shù)據(jù)進行分析，為船舶管理人員提供完整性分析、可視化顯示和決策支持。有的研究[7-8]將來自船舶機艙特定的操作場景中的故障和數(shù)據(jù)用于模擬不同的故障條件，提高船舶安全性。有的研究[9-12]通過傳感器將分類和壓縮后的故障檢測數(shù)據(jù)發(fā)送到岸基應(yīng)用程序（即數(shù)據(jù)中心），進行數(shù)據(jù)擴展、完整性驗證和數(shù)據(jù)回歸。這兩個過程都利用了各種機器學(xué)習(xí)方法來克服船舶面臨的大數(shù)據(jù)挑戰(zhàn)。因此，如何將智能化技術(shù)和大數(shù)據(jù)分析技術(shù)應(yīng)用于船舶運維中正成為研究的熱點。劉文紅[13]根據(jù)基于大數(shù)據(jù)平臺的船舶監(jiān)控系統(tǒng)的功能，對數(shù)據(jù)的分布式查詢和作業(yè)調(diào)度進行研究，設(shè)計了分布式查詢算法和作業(yè)調(diào)度算法。陳昌運等[14]對船舶營運大數(shù)據(jù)進行分析與挖掘，將其應(yīng)用于多載況下船舶功率與航速評估、船舶能效設(shè)計指數(shù)實船驗證方法的完善等。邱伯華等[15]基于大數(shù)據(jù)建立船舶自主學(xué)習(xí)模型，并研究了網(wǎng)絡(luò)實體融合系統(tǒng)（cyber-physical system， CPS）在知識體系、智能船舶運維系統(tǒng)、CPS工業(yè)云平臺等中的應(yīng)用實踐，并對CPS應(yīng)用的重點發(fā)展方向進行了分析和展望。

然而，這些研究大多從建立假設(shè)開始，注重的是算法設(shè)計部分和數(shù)據(jù)的準確性，卻忽略了數(shù)據(jù)本身的價值。大數(shù)據(jù)分析的重點是要知道“是什么”而不是小數(shù)據(jù)時代的“為什么”，這也是大數(shù)據(jù)時代帶來的數(shù)據(jù)分析觀念的轉(zhuǎn)變。因此，當運維數(shù)據(jù)量足夠大時，可以直接從數(shù)據(jù)本身出發(fā)，找到數(shù)據(jù)之間的相互關(guān)系，這是本文研究的出發(fā)點。通過數(shù)據(jù)之間的相互關(guān)系預(yù)測船舶設(shè)備的衰退路徑，并將分析結(jié)果可視化，提高已建船舶和新建船舶的智能化運維水平，滿足智能化船舶發(fā)展的新要求。

1 運維數(shù)據(jù)的采集與分類

船舶的運維大數(shù)據(jù)就像是漂浮在海洋中的冰山，第一眼只能看到冰山的一角，知道機器的運行情況，但它的更多價值卻隱藏在冰山之下：通過數(shù)據(jù)分析可以判斷設(shè)備是否出了故障，哪里出了什么故障，哪里需要配件，或者發(fā)現(xiàn)能耗的異?；蚍逯登闆r，知道設(shè)備由于自然磨損或其他原因發(fā)生的變化。鑒于大數(shù)據(jù)分析潛在的價值，如何獲取和儲存大量的運維數(shù)據(jù)就成了首要的任務(wù)。因此，本文對采集的信號值和類型進行定義并實時更新，以解決大量的運維數(shù)據(jù)的獲取和分類問題。

通過與浙江建揚船務(wù)有限公司的合作，在建揚第146號半潛運輸船上安裝整套監(jiān)測設(shè)備，共918個信號點、1 800個信號值。基于檢測系統(tǒng)提供的通信協(xié)議名稱和編碼格式，編制MODBUS-TCP協(xié)議實現(xiàn)硬件檢測系統(tǒng)與運維管理系統(tǒng)之間的船內(nèi)報警點數(shù)據(jù)的接收和存儲功能，見圖1。

如圖1所示，在船岸之間開發(fā)通信功能， 通過2G和4G兩種網(wǎng)絡(luò)通信方式進行數(shù)據(jù)傳輸，沒有網(wǎng)絡(luò)信號的地點通過衛(wèi)星信號將數(shù)據(jù)發(fā)送回公司。在進行數(shù)據(jù)采集時，實現(xiàn)與設(shè)備運行狀態(tài)的集成，對146艘船的設(shè)備運行狀態(tài)進行實時監(jiān)控和報警，為實時設(shè)備運行狀態(tài)監(jiān)控留有相應(yīng)的接口信息。將采集到的數(shù)據(jù)分為3大類：（1）設(shè)備運行的狀態(tài)參數(shù)，即從傳感器中獲取的能夠反映設(shè)備運行工況和健康狀態(tài)的數(shù)據(jù)，每隔1 min采集1次。（2）設(shè)備運行的工況數(shù)據(jù)，即設(shè)備運行的負載、轉(zhuǎn)速、運行模式等數(shù)據(jù)，通過中央處理器每隔5 min采集1次。（3）船舶航線的環(huán)境參數(shù)，即可能影響設(shè)備性能和運行狀態(tài)的環(huán)境信息，如浪高、洋流、風(fēng)速、風(fēng)向、溫度、天氣狀態(tài)等環(huán)境數(shù)據(jù)。

對這3類數(shù)據(jù)進行分類編碼，然后根據(jù)屬性分層，最終將不同類數(shù)據(jù)按照不同屬性值和數(shù)值分為多個數(shù)據(jù)集。這些數(shù)據(jù)集被存儲在岸端的大數(shù)據(jù)庫。檢查運維樣本數(shù)據(jù)集的數(shù)量和質(zhì)量是否滿足模型構(gòu)建的要求，檢查原始數(shù)據(jù)中是否存在缺失值、異常值或不一致的值。采用箱形圖識別異常值：將一組數(shù)據(jù)從大到小排列;分別計算數(shù)據(jù)的上界、上四分位數(shù)、中位數(shù)、下四分位數(shù)、下界和異常值;超出上下界的數(shù)據(jù)為異常值，可結(jié)合同一時間其他數(shù)據(jù)分析設(shè)備是否發(fā)生異常，如沒有異常，則可過濾處理。

采用相關(guān)性分析發(fā)現(xiàn)異常值變化規(guī)律，并建立相互關(guān)系模型。通過計算系數(shù)分析連續(xù)變量之間線性相關(guān)程度的強弱。判定系數(shù)是相關(guān)系數(shù)的平方，用r2表示，用來衡量回歸方程對y的解釋程度。判定系數(shù)取值范圍是（0，1）：越接近1，表示相關(guān)性越強;越接近0，表明兩個變量之間幾乎沒有直線相關(guān)關(guān)系。使用二次曲線和拐點判斷兩個變量之間的相互關(guān)系，如果變化趨勢線與拐點線類似，則認為兩者相關(guān)關(guān)系很強。用趨勢線與拐點線的相同程度表示相互關(guān)系的強弱。找出變化趨勢與拐點類似的變量組。在數(shù)據(jù)清洗和相關(guān)分析的基礎(chǔ)上建立預(yù)測模型，使用決策樹模型進行設(shè)備衰退分析和故障預(yù)測。

2 基于數(shù)據(jù)分析的設(shè)備衰退預(yù)測

經(jīng)過數(shù)據(jù)收集和數(shù)據(jù)預(yù)處理，得到用于建模的數(shù)據(jù);設(shè)計訓(xùn)練集，計算分析變量兩兩之間的分布和相關(guān)度，找到高相關(guān)和共線性特征，通過決策樹理論建立樹形的函數(shù)模型;通過測試集檢驗后進行預(yù)測與控制。決策樹采用自頂向下的遞歸方式，在內(nèi)部節(jié)點進行屬性值的比較，并根據(jù)不同的屬性值從該節(jié)點向下分枝，最終得到的葉節(jié)點就是數(shù)據(jù)分析的結(jié)果，見圖2。

如圖2所示，首先設(shè)計輸入屬性和輸出屬性，要求挑選出最佳屬性以便在節(jié)點處進行測試，非葉節(jié)點對應(yīng)某屬性，讓輸入沿著某分枝到達樹葉部分時，就得到預(yù)測結(jié)果。此階段建立的決策樹算法分為3步：（1）通過歸納分析訓(xùn)練樣本集S得到分類規(guī)則，建立決策樹模型;（2）選用測試集評估決策樹模型的準確率，如果準確率是可以接受的，則使用該模型對未知類的待測樣本集進行預(yù)測;（3）通過臨界值對決策樹模型的寬度進行控制。熵是由設(shè)備手冊定義的設(shè)備參數(shù)的變化范圍，超過此范圍的參數(shù)被認為是非法的，此時判斷設(shè)備不能正常運行。

依據(jù)此方法建立設(shè)備衰退和故障預(yù)測的決策樹模型，當新數(shù)據(jù)產(chǎn)生時，從決策樹上自動找到對應(yīng)的葉節(jié)點，根據(jù)葉節(jié)點屬性判斷設(shè)備的性能是否衰退和是否可能產(chǎn)生故障。在數(shù)據(jù)量不斷增大，新的故障環(huán)境不斷出現(xiàn)的情況下，此決策樹模型應(yīng)能夠根據(jù)監(jiān)控到的參數(shù)值進行動態(tài)變化，因此要對該模型進行修正與更新，建立動態(tài)更新機制。

3 基于ID3算法的動態(tài)決策模型

決策樹是一樹狀結(jié)構(gòu)，它的每一葉節(jié)點對應(yīng)一分類，因此構(gòu)造動態(tài)決策樹的核心是如何在每步選擇適當?shù)膶傩詫颖咀霾鸱?，再根?jù)樣本在該屬性上的不同取值將其劃分成若干個子集，從已知類標記的訓(xùn)練樣本中學(xué)習(xí)并構(gòu)造出動態(tài)決策樹模型。

根據(jù)動態(tài)決策樹ID3算法，首先設(shè)定測試樣本。樣本屬性有多少種分類，就有多少樣本集。假設(shè)S是由l個數(shù)據(jù)組成的樣本集，類別屬性具有m個不同的值s1，s2，…，sm，一個屬性A有k個不同的值，那么S就是決策樹上新的葉節(jié)點，A是非葉節(jié)點。按照取值決定非葉節(jié)點的位置：屬性A的取值越高，其位置就越高;依次向下排列。總?cè)≈悼梢员硎緸?/p>

式中，Pi是當前參數(shù)值在總的樣本值中的比例。根據(jù)屬性值計算樣本的當前取值，屬性A的值為按照此算法，擬定一個簡單的設(shè)備運行狀態(tài)建立決策樹模型，其輸入數(shù)據(jù)見表1。為計算方便，將數(shù)據(jù)按獲取日期以序號表示（見表1中第一列）。利用Python編程實現(xiàn)。G的大小作為選擇測試屬性的標準，按照每個屬性（如設(shè)備壓力）的取值大小定義分枝位置（會偏向于選擇取值較大的，即所謂高度分枝屬性），再根據(jù)分枝確定葉節(jié)點位置。根據(jù)新增加的數(shù)據(jù)，對屬性值進行重新劃分，動態(tài)更新決策樹模型。同時將決策樹預(yù)測結(jié)果可視化，使管理人員可以動態(tài)觀察到設(shè)備的運行情況。生成的決策樹模型見圖3，它是根據(jù)計算出的每個屬性值G的大小生成的，即圖3中value的取值（取值大的作為根節(jié)點，取值小的作為葉節(jié)點）。按照根取值大小依次向下，每個葉節(jié)點代表設(shè)備運行狀態(tài)，如正常、減慢、報警等，根據(jù)數(shù)據(jù)對應(yīng)的葉節(jié)點就可以預(yù)測設(shè)備的運行狀態(tài)。在此基礎(chǔ)上建立船舶運維智能管理系統(tǒng)。

4 設(shè)備故障與衰退的3D可視化顯示

本文利用3D虛擬技術(shù)搭建整船的等比例模型，將分析得到的數(shù)據(jù)結(jié)果分類。結(jié)果為“正常”，設(shè)備對應(yīng)部件顯示為綠色;結(jié)果為“衰退”，設(shè)備對應(yīng)部件顯示為黃色;結(jié)果為“故障”，設(shè)備對應(yīng)部件顯示為紅色報警狀態(tài)。這樣通過顏色分級將設(shè)備情況同步反映，同時管理人員單擊設(shè)備可以看到設(shè)備數(shù)據(jù)分析的歷史曲線，作為設(shè)備維護和更換的依據(jù)。3D可視化顯示界面見圖4。如圖4所示，建立3D可視化設(shè)備模型并能爆炸顯示，根據(jù)分析結(jié)果將設(shè)備中部件顯示成不同顏色。在圖形區(qū)域單擊某一部件進行查看時，其他部件會隱藏掉。船舶模型被拆分為結(jié)構(gòu)、設(shè)備、管路、電氣等3D仿真圖形。若單擊結(jié)構(gòu)，則只顯示此區(qū)域內(nèi)的結(jié)構(gòu);若單擊設(shè)備，則顯示此區(qū)域內(nèi)所有設(shè)備。單擊任意設(shè)備，可顯示此設(shè)備對應(yīng)的數(shù)據(jù)和歷史信息，給管理人員提供有關(guān)船舶運維各種具有真實感的設(shè)備信息，有利于提高船員維護設(shè)備的效率并保障船舶航行安全，提高經(jīng)濟效益。

5 船舶智能運維管理系統(tǒng)實現(xiàn)

通過開發(fā)出的船舶智能運維管理系統(tǒng)，可以進行船舶運行監(jiān)控、設(shè)備實時監(jiān)測與報警、設(shè)備維護和3D可視化顯示的一體化管理，實現(xiàn)智能船舶運維的數(shù)字化管理、狀態(tài)檢測、故障的快速可視定位，以提高設(shè)備系統(tǒng)的管理效率，降低運維成本和故障率，最大程度地保障船舶的安全運營。系統(tǒng)界面見圖5。

如圖5所示，利用船舶智能運維管理系統(tǒng)可對設(shè)備的各項信息進行管理，也可以通過虛擬現(xiàn)實技術(shù)盡可能將船舶運營的全過程真實而詳盡地反映在相應(yīng)的可視化平臺上，全方位地、直觀地給人們提供有關(guān)船舶的各種具有真實感的場景信息，并能進行瀏覽、漫游等操作。同時結(jié)合大數(shù)據(jù)分析的結(jié)果，同步全船的監(jiān)測信號，實現(xiàn)故障的快速可視定位。

6 結(jié) 論

在船舶運營中會產(chǎn)生大量的數(shù)據(jù)，但只有小部分數(shù)據(jù)被用來作為判斷設(shè)備是否需要報警的依據(jù)，或者監(jiān)測設(shè)備的運轉(zhuǎn)情況。本文采用大數(shù)據(jù)分析來發(fā)現(xiàn)設(shè)備衰退前的參數(shù)變化，了解設(shè)備問題產(chǎn)生的過程及造成的影響，再基于這些信息建立相互關(guān)系模型，利用該模型實時分析運維數(shù)據(jù)，以預(yù)測和避免設(shè)備故障問題。這也是開發(fā)船舶智能運維管理系統(tǒng)的目的。

開發(fā)出的船舶智能運維管理系統(tǒng)是船舶智能化，航運管理智能化，船岸一體化、智能化、信息化等技術(shù)結(jié)合的智能系統(tǒng)，能在船舶運行、保養(yǎng)、維護和管理等各環(huán)節(jié)，實現(xiàn)大數(shù)據(jù)分析與自主學(xué)習(xí)、設(shè)備衰退預(yù)警、船舶智能化運營，從而提升船舶企業(yè)和航運企業(yè)核心競爭力。

參考文獻：

[1]梁云芳， 謝俊元， 陳虎， 等. 智能船舶的發(fā)展研究[C]//紀念《船舶力學(xué)》創(chuàng)刊二十周年學(xué)術(shù)會議論文集. 中國船舶科學(xué)研究中心《船舶力學(xué)》編輯部， 2017：651-664.

[2]嚴新平. 智能船舶的研究現(xiàn)狀與發(fā)展趨勢[J]. 交通與港航， 2016， 2（1）：25-27. DOI：10.16487/j.cnki.issn2095-7491.2016.01.007.

[3]中國船級社. 智能船舶規(guī)范[EB/OL]. （2015-12-01）[2018-05-10]. http：//www.ccs.org.cn/ccswz/font/fontAction！article.do？articleId=ff808081511f069e01515b101f010297.

[4]衛(wèi)寧. 智能監(jiān)控技術(shù)在船舶工程安全管理中的應(yīng)用[J]. 中國造船， 2017（S1）：698-703.

[5]PERERA L P， MO B. Machine intelligence based data handling framework for ship energy efficiency[J]. IEEE Transactions on Vehicular Technology， 2017， 66（10）：8659-8666. DOI：10.1109/TVT.2017.2701501.

[6]PERERA L P， MO B. Data analysis on marine engine operating regions in relation to ship navigation[J]. Ocean Engineering， 2016， 128：163-172. DOI：10.1016/j.oceaneng.2016.10.029.

[7]張少敏， 毛冬， 王保義. 大數(shù)據(jù)處理技術(shù)在風(fēng)電機組齒輪箱故障診斷與預(yù)警中的應(yīng)用[J]. 電力系統(tǒng)自動化， 2016， 40（14）：129-134. DOI：10.7500/ASPS20160316013.

[8]MOHAMMADI M， AL-FUQAHA A. Enabling cognitive smart cities using big data and machine learning：approaches and challenges[J]. IEEE Communications Magazine， 2018， 56（2）：94-101. DOI：10.1109/MCOM.2018.1700298.

[9]LEE H， AYDIN N， CHOI Y， et al. A decision support system for vessel speed decision in maritime logistics using weather archive big data[J]. Computers & Operations Research， 2017（6）：1-13. DOI：10.1016/j.cor.2017.06.005.

[10]BORKOWSKI P. Inference engine in an intelligent ship course-keeping system[J]. Computational Intelligence and Neuroscience， 2017（4）：1-9. DOI：10.1155/2017/2561383.

[11]王靈運， 張光宇. 基于大數(shù)據(jù)的設(shè)備狀態(tài)監(jiān)控模型[J]. 設(shè)備管理與維修， 2017（9）：19-20. DOI：10.16621/j.cnki.issn1001-0599.2017.09.07.

[12]李銘志， 何炎平， 劉亞東， 等. 智能船舶系統(tǒng)電氣解決方案[J]. 船電技術(shù)， 2017， 37（4）：66-69.? DOI：10.13632/j.meee.2017.04.002.

[13]劉文紅. 船舶監(jiān)控系統(tǒng)中的大數(shù)據(jù)處理平臺研究[J]. 艦船科學(xué)技術(shù)， 2016， 38（5A）：148-150. DOI：10.3404/j.jssn.1672-7649.2016.5A.050.

[14]陳昌運， 李傳慶. 船舶營運大數(shù)據(jù)挖掘與應(yīng)用思考[J]. 船舶與海洋工程， 2015， 31（1）：5-8. DOI：10.14056/j.cnki.naoe.2015.01.003.

[15]邱伯華， 蔣云鵬， 魏慕恒， 等. 知識經(jīng)濟與CPS在船舶工業(yè)中的應(yīng)用實踐[J]. 信息技術(shù)與標準化， 2016（11）：17-21.

（編輯 趙勉）