战翌婷 曾骥

摘要：为实现船舶在航行中的设备检测和智能维护， 对支持智能船舶的大数据分析方法进行研究，并结合大量实船运维数据，提出基于设备衰退机制的动态决策树模型，对船舶设备的衰退过程进行预测。将分析结果同步可视化到设备模型中，从而减少船舶运维中由设备故障带来的不确定性，提升船舶智能化水平。开发船舶智能运维管理系统，将大数据的集中分析能力、数据库的集成管理能力和3D可视化技术相结合，实现船舶的一体化和智能化管理与维护。

关键词：船舶运维;大数据;智能船舶;可视化分析

中图分类号：U674.03

文献标志码：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

作者简介：

战翌婷（1980—），女，辽宁大连人，讲师，博士，研究方向为智能船舶设计与建造，（E-mail）ytzhan@shmtu.edu.cn;

曾骥（1977—），男，四川德阳人，教授，博导，博士，研究方向为智能船舶设计与建造、海工平台建造与分析，（E-mail）zengji@shmtu.edu.cn

0 引 言

伴随着智能技术和大数据分析在各行业的广泛应用，智能船舶概念开始兴起，并逐步走进国际造船界的视野[1-2]。船舶智能化是利用大數据和信息技术对船舶的总体性能及状态进行实时监测、评估和分析[3]，实现船舶的智能化运行，其中智能化运行维护（简称运维）管理工作是一项由多方参与的、由一系列目标高度一致且相互独立执行的管理任务组成的系统工程。虽然近年来面向船舶设备保养检验的数据库管理系统频出，但针对整船设备、结构和管系的保养仍然停留在电子数据表格与纸质图纸配合的水平，无法满足智能船舶发展的需求。

大数据研究的迅猛发展犹如开启了一场寻宝游戏，它通过数据分析工具挖掘出数据间的潜在价值。如果能利用运维大数据去发现船舶运营设备中可见和不可见的问题，将极大地提高船舶运维的智能化水平。将智能化监控技术应用于船舶管理中也会大幅提高船舶行业的智能化水平[4]。因此，需要针对智能船舶运维现状，提出一种新的智能分析方式，以随时了解船上设备的运转情况并实现设备故障的快速预测，从而提高船舶运维的智能化水平。

针对船舶设备监测与分析的研究很多，PERERA等[5-6]将设备连接到船舶导航和自动化系统中，在船舶之间收集和交换数据，对船载和岸基的各种数据进行分析，为船舶管理人员提供完整性分析、可视化显示和决策支持。有的研究[7-8]将来自船舶机舱特定的操作场景中的故障和数据用于模拟不同的故障条件，提高船舶安全性。有的研究[9-12]通过传感器将分类和压缩后的故障检测数据发送到岸基应用程序（即数据中心），进行数据扩展、完整性验证和数据回归。这两个过程都利用了各种机器学习方法来克服船舶面临的大数据挑战。因此，如何将智能化技术和大数据分析技术应用于船舶运维中正成为研究的热点。刘文红[13]根据基于大数据平台的船舶监控系统的功能，对数据的分布式查询和作业调度进行研究，设计了分布式查询算法和作业调度算法。陈昌运等[14]对船舶营运大数据进行分析与挖掘，将其应用于多载况下船舶功率与航速评估、船舶能效设计指数实船验证方法的完善等。邱伯华等[15]基于大数据建立船舶自主学习模型，并研究了网络实体融合系统（cyber-physical system， CPS）在知识体系、智能船舶运维系统、CPS工业云平台等中的应用实践，并对CPS应用的重点发展方向进行了分析和展望。

然而，这些研究大多从建立假设开始，注重的是算法设计部分和数据的准确性，却忽略了数据本身的价值。大数据分析的重点是要知道“是什么”而不是小数据时代的“为什么”，这也是大数据时代带来的数据分析观念的转变。因此，当运维数据量足够大时，可以直接从数据本身出发，找到数据之间的相互关系，这是本文研究的出发点。通过数据之间的相互关系预测船舶设备的衰退路径，并将分析结果可视化，提高已建船舶和新建船舶的智能化运维水平，满足智能化船舶发展的新要求。

1 运维数据的采集与分类

船舶的运维大数据就像是漂浮在海洋中的冰山，第一眼只能看到冰山的一角，知道机器的运行情况，但它的更多价值却隐藏在冰山之下：通过数据分析可以判断设备是否出了故障，哪里出了什么故障，哪里需要配件，或者发现能耗的异常或峰值情况，知道设备由于自然磨损或其他原因发生的变化。鉴于大数据分析潜在的价值，如何获取和储存大量的运维数据就成了首要的任务。因此，本文对采集的信号值和类型进行定义并实时更新，以解决大量的运维数据的获取和分类问题。

通过与浙江建扬船务有限公司的合作，在建扬第146号半潜运输船上安装整套监测设备，共918个信号点、1 800个信号值。基于检测系统提供的通信协议名称和编码格式，编制MODBUS-TCP协议实现硬件检测系统与运维管理系统之间的船内报警点数据的接收和存储功能，见图1。

如图1所示，在船岸之间开发通信功能， 通过2G和4G两种网络通信方式进行数据传输，没有网络信号的地点通过卫星信号将数据发送回公司。在进行数据采集时，实现与设备运行状态的集成，对146艘船的设备运行状态进行实时监控和报警，为实时设备运行状态监控留有相应的接口信息。将采集到的数据分为3大类：（1）设备运行的状态参数，即从传感器中获取的能够反映设备运行工况和健康状态的数据，每隔1 min采集1次。（2）设备运行的工况数据，即设备运行的负载、转速、运行模式等数据，通过中央处理器每隔5 min采集1次。（3）船舶航线的环境参数，即可能影响设备性能和运行状态的环境信息，如浪高、洋流、风速、风向、温度、天气状态等环境数据。

对这3类数据进行分类编码，然后根据属性分层，最终将不同类数据按照不同属性值和数值分为多个数据集。这些数据集被存储在岸端的大数据库。检查运维样本数据集的数量和质量是否满足模型构建的要求，检查原始数据中是否存在缺失值、异常值或不一致的值。采用箱形图识别异常值：将一组数据从大到小排列;分别计算数据的上界、上四分位数、中位数、下四分位数、下界和异常值;超出上下界的数据为异常值，可结合同一时间其他数据分析设备是否发生异常，如没有异常，则可过滤处理。

采用相关性分析发现异常值变化规律，并建立相互关系模型。通过计算系数分析连续变量之间线性相关程度的强弱。判定系数是相关系数的平方，用r2表示，用来衡量回归方程对y的解释程度。判定系数取值范围是（0，1）：越接近1，表示相关性越强;越接近0，表明两个变量之间几乎没有直线相关关系。使用二次曲线和拐点判断两个变量之间的相互关系，如果变化趋势线与拐点线类似，则认为两者相关关系很强。用趋势线与拐点线的相同程度表示相互关系的强弱。找出变化趋势与拐点类似的变量组。在数据清洗和相关分析的基础上建立预测模型，使用决策树模型进行设备衰退分析和故障预测。

2 基于数据分析的设备衰退预测

经过数据收集和数据预处理，得到用于建模的数据;设计训练集，计算分析变量两两之间的分布和相关度，找到高相关和共线性特征，通过决策树理论建立树形的函数模型;通过测试集检验后进行预测与控制。决策树采用自顶向下的递归方式，在内部节点进行属性值的比较，并根据不同的属性值从该节点向下分枝，最终得到的叶节点就是数据分析的结果，见图2。

如图2所示，首先设计输入属性和输出属性，要求挑选出最佳属性以便在节点处进行测试，非叶节点对应某属性，让输入沿着某分枝到达树叶部分时，就得到预测结果。此阶段建立的决策树算法分为3步：（1）通过归纳分析训练样本集S得到分类规则，建立决策树模型;（2）选用测试集评估决策树模型的准确率，如果准确率是可以接受的，则使用该模型对未知类的待测样本集进行预测;（3）通过临界值对决策树模型的宽度进行控制。熵是由设备手册定义的设备参数的变化范围，超过此范围的参数被认为是非法的，此时判断设备不能正常运行。

依据此方法建立设备衰退和故障预测的决策树模型，当新数据产生时，从决策树上自动找到对应的叶节点，根据叶节点属性判断设备的性能是否衰退和是否可能产生故障。在数据量不断增大，新的故障环境不断出现的情况下，此决策树模型应能够根据监控到的参数值进行动态变化，因此要对该模型进行修正与更新，建立动态更新机制。

3 基于ID3算法的动态决策模型

决策树是一树状结构，它的每一叶节点对应一分类，因此构造动态决策树的核心是如何在每步选择适当的属性对样本做拆分，再根据样本在该属性上的不同取值将其划分成若干个子集，从已知类标记的训练样本中学习并构造出动态决策树模型。

根據动态决策树ID3算法，首先设定测试样本。样本属性有多少种分类，就有多少样本集。假设S是由l个数据组成的样本集，类别属性具有m个不同的值s1，s2，…，sm，一个属性A有k个不同的值，那么S就是决策树上新的叶节点，A是非叶节点。按照取值决定非叶节点的位置：属性A的取值越高，其位置就越高;依次向下排列。总取值可以表示为

式中，Pi是当前参数值在总的样本值中的比例。根据属性值计算样本的当前取值，属性A的值为按照此算法，拟定一个简单的设备运行状态建立决策树模型，其输入数据见表1。为计算方便，将数据按获取日期以序号表示（见表1中第一列）。利用Python编程实现。G的大小作为选择测试属性的标准，按照每个属性（如设备压力）的取值大小定义分枝位置（会偏向于选择取值较大的，即所谓高度分枝属性），再根据分枝确定叶节点位置。根据新增加的数据，对属性值进行重新划分，动态更新决策树模型。同时将决策树预测结果可视化，使管理人员可以动态观察到设备的运行情况。生成的决策树模型见图3，它是根据计算出的每个属性值G的大小生成的，即图3中value的取值（取值大的作为根节点，取值小的作为叶节点）。按照根取值大小依次向下，每个叶节点代表设备运行状态，如正常、减慢、报警等，根据数据对应的叶节点就可以预测设备的运行状态。在此基础上建立船舶运维智能管理系统。

4 设备故障与衰退的3D可视化显示

本文利用3D虚拟技术搭建整船的等比例模型，将分析得到的数据结果分类。结果为“正常”，设备对应部件显示为绿色;结果为“衰退”，设备对应部件显示为黄色;结果为“故障”，设备对应部件显示为红色报警状态。这样通过颜色分级将设备情况同步反映，同时管理人员单击设备可以看到设备数据分析的历史曲线，作为设备维护和更换的依据。3D可视化显示界面见图4。如图4所示，建立3D可视化设备模型并能爆炸显示，根据分析结果将设备中部件显示成不同颜色。在图形区域单击某一部件进行查看时，其他部件会隐藏掉。船舶模型被拆分为结构、设备、管路、电气等3D仿真图形。若单击结构，则只显示此区域内的结构;若单击设备，则显示此区域内所有设备。单击任意设备，可显示此设备对应的数据和历史信息，给管理人员提供有关船舶运维各种具有真实感的设备信息，有利于提高船员维护设备的效率并保障船舶航行安全，提高经济效益。

5 船舶智能运维管理系统实现

通过开发出的船舶智能运维管理系统，可以进行船舶运行监控、设备实时监测与报警、设备维护和3D可视化显示的一体化管理，实现智能船舶运维的数字化管理、状态检测、故障的快速可视定位，以提高设备系统的管理效率，降低运维成本和故障率，最大程度地保障船舶的安全运营。系统界面见图5。

如图5所示，利用船舶智能运维管理系统可对设备的各项信息进行管理，也可以通过虚拟现实技术尽可能将船舶运营的全过程真实而详尽地反映在相应的可视化平台上，全方位地、直观地给人们提供有关船舶的各种具有真实感的场景信息，并能进行浏览、漫游等操作。同时结合大数据分析的结果，同步全船的监测信号，实现故障的快速可视定位。

6 结 论

在船舶运营中会产生大量的数据，但只有小部分数据被用来作为判断设备是否需要报警的依据，或者监测设备的运转情况。本文采用大数据分析来发现设备衰退前的参数变化，了解设备问题产生的过程及造成的影响，再基于这些信息建立相互关系模型，利用该模型实时分析运维数据，以预测和避免设备故障问题。这也是开发船舶智能运维管理系统的目的。

开发出的船舶智能运维管理系统是船舶智能化，航运管理智能化，船岸一体化、智能化、信息化等技术结合的智能系统，能在船舶运行、保养、维护和管理等各环节，实现大数据分析与自主学习、设备衰退预警、船舶智能化运营，从而提升船舶企业和航运企业核心竞争力。

参考文献：

[1]梁云芳， 谢俊元， 陈虎， 等. 智能船舶的发展研究[C]//纪念《船舶力学》创刊二十周年学术会议论文集. 中国船舶科学研究中心《船舶力学》编辑部， 2017：651-664.

[2]严新平. 智能船舶的研究现状与发展趋势[J]. 交通与港航， 2016， 2（1）：25-27. DOI：10.16487/j.cnki.issn2095-7491.2016.01.007.

[3]中国船级社. 智能船舶规范[EB/OL]. （2015-12-01）[2018-05-10]. http：//www.ccs.org.cn/ccswz/font/fontAction！article.do？articleId=ff808081511f069e01515b101f010297.

[4]卫宁. 智能监控技术在船舶工程安全管理中的应用[J]. 中国造船， 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]张少敏， 毛冬， 王保义. 大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用[J]. 电力系统自动化， 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]王靈运， 张光宇. 基于大数据的设备状态监控模型[J]. 设备管理与维修， 2017（9）：19-20. DOI：10.16621/j.cnki.issn1001-0599.2017.09.07.

[12]李铭志， 何炎平， 刘亚东， 等. 智能船舶系统电气解决方案[J]. 船电技术， 2017， 37（4）：66-69.  DOI：10.13632/j.meee.2017.04.002.

[13]刘文红. 船舶监控系统中的大数据处理平台研究[J]. 舰船科学技术， 2016， 38（5A）：148-150. DOI：10.3404/j.jssn.1672-7649.2016.5A.050.

[14]陈昌运， 李传庆. 船舶营运大数据挖掘与应用思考[J]. 船舶与海洋工程， 2015， 31（1）：5-8. DOI：10.14056/j.cnki.naoe.2015.01.003.

[15]邱伯华， 蒋云鹏， 魏慕恒， 等. 知识经济与CPS在船舶工业中的应用实践[J]. 信息技术与标准化， 2016（11）：17-21.

（编辑 赵勉）