基于邊緣計算的船舶軸系智能監測技術

王延之，吳 軍，陳作懿，李曉婷，鄧 超

(華中科技大學 a.船舶與海洋工程學院； b.機械科學與工程學院， 武漢 430074)

1 引言

推進軸系的運行狀態直接影響到船舶的安全性與可靠性，其在船舶運營中起著至關重要的作用。由于軸系中的軸承、聯軸器承受與傳遞的載荷巨大，且工作的環境較惡劣，易于發生故障，嚴重時將導致整個推進軸系停止運行，造成嚴重的后果。傳統周期性的維護方法受主觀因素影響很大，不論維護策略保守或是激進都會帶造成浪費或者安全隱患。現有的維護方法雖然能夠通過采集傳感器數據實現對軸系的監測，但是無法實現軸系故障的及時預測[1]。因此，開展船舶軸系智能監測技術研究具有重要的實際應用價值。

隨著新一代信息技術的快速發展，邊緣計算正成為裝備智能化領域的一個新熱點，為船舶推進軸系的智能監測提供了新的技術手段[2]。本文將基于邊緣計算、云計算以及人工智能，研究船舶軸系智能監測技術，設計并開發基于邊緣計算的船舶軸系智能監測系統。利用傳感器技術，實時采集軸系運行時的溫度、壓力、振動、噪聲和紅外圖像等數據，結合機器學習、深度學習等人工智能算法對海量傳感器數據進行工業大數據分析，實現船舶軸系運行狀態的智能監測。從而，減少船舶的維護成本，保障船舶軸系長時間安全穩定運行。

2 船舶軸系智能監測的系統架構

2.1 需求分析

船舶軸系上裝有多種類型的傳感器，可以實時采集軸系運行時的溫度、壓力、振動、噪聲和紅外圖像等信號，對軸系運行情況進行檢測。在此基礎上，結合邊緣計算，開展船舶軸系的智能監測有如下需求：

1) 船舶軸系運行數據實時采集

船舶軸系運行數據的實時采集是船舶軸系智能監測系統的關鍵環節[3]，通過傳感器實時采集的各種信號，將為船舶軸系運行狀況監控和預測性維護提供及時、詳細的數據支撐。

2) 邊云端協同計算

船舶機艙常用PC機作為服務器，由于其軟硬件資源有限，不能進行長周期的大數據處理與分析，本系統應采用邊云端協同計算。邊緣端進行實時性、短周期的數據的處理與推理，從而在船舶航行時對船舶軸系進行智能化監測與預測性維護；云計算端進行非實時、長周期的大數據分析與模型訓練，進而為邊緣端提供周期性維護與模型支撐[4]。

3) 基于人工智能算法實現智能監測

能夠在船舶軸系運行時通過機器學習、深度學習算法模型進行故障診斷及壽命預測，實現系統的智能化監測。

4) 直觀的人機交互界面

建立船舶軸系運行數據、算法模型與船舶機艙工作人員之間的友好、直觀的人機交互，使機艙工作人員更直接、更方便地了解船舶軸系的運行狀況與健康狀態。

2.2 基于邊云端協同的船舶軸系智能監測架構

基于船舶軸系運行狀態智能監測的功能需求，結合邊緣計算、云計算及人工智能相關技術，設計基于邊緣計算的船舶軸系智能監測系統。通過對船舶軸系運行時的海量監測數據進行采集、處理、存儲與應用，實現對船舶軸系的故障診斷和壽命預測。該系統如圖1所示，主要包括設備層、邊緣層和云計算層[5]。

圖1 系統框圖

1) 設備層

設備層包括船舶軸系、數據采集設備以及各種傳感器(如溫度、壓力、圖像、振動等)等現場設備。數據采集網關以不同頻率和不同數據格式采集船舶軸系上的各傳感器數據，經協議解析等操作后，以統一的數據格式實時發送到邊緣層[6]。

2) 邊緣層

邊緣層主要載體為船舶服務器、機艙PC機、智能網關等。邊緣層實時接收船舶軸系運行的各種傳感器數據，對數據進行預處理和特征提取操作后，存至數據庫，同時通過云端下發的模型進行實時的數據分析、狀態監測，判斷軸系關鍵部件的健康狀態和預測剩余壽命，進而對所應采取的維修措施提供技術支持[7]。當船舶靠岸時，邊緣層將船舶軸系運行時的樣本數據及運行狀態打包上傳到云計算層，以供云計算層的模型迭代訓練[8]。

3) 云計算層

云計算層主要部署在船公司機房服務器或者工業互聯網云平臺。依托云服務器強大的計算能力，利用機器學習、深度學習等人工智能算法，通過對軸系相關實驗數據結合船舶上傳的現場數據進行深度數據分析和模型迭代訓練，訓練好的模型將下發至邊緣層[9]。

3 基于邊緣計算的船舶軸系監測數據處理流程

基于邊緣計算的船舶軸系智能監測數據處理流程如圖2所示，考慮邊云端協同，邊緣端程序主要進行數據處理以及評估操作，云端程序通過集成了機器學習、統計學習和深度學習的算法進行評估模型的迭代訓練[10]。

圖2 軸系監測數據處理流程框圖

3.1 監測數據預處理

船舶軸系在實際運行中工況較為復雜，同時傳感器信號采集時容易受到環境因素的影響，采集到的傳感器數據帶有噪音。因此，在數據采集后應該對數據進行相應的預處理，規范采集到監測數據。船舶軸系監測數據預處理的方法如下：

1) 異常值剔除

所采集的傳感器信號中的不合理的值，即異常值。可根據3δ原則對異常值進行判別：樣本平均值3δ之外的概率為P(3δ<|x-μ|) ≤ 0.003，是極小概率事件，因此，若傳感器所采集的單個信號幅值與樣本平均值的差大于3倍標準差，那么該值就可視為異常值[9]。

2) 降噪處理

采集船舶軸系傳感器信號的過程中，一些不屬于監測對象的信號也會被傳感器采集，即噪聲信號。去除噪聲信號有助于提高傳感器信號特征提取的效率，經典的去除噪聲的方法是中值濾波技術。

3.2 監測數據特征提取

船舶軸系的監測數據經過上述預處理操作后，還需進行進一步的處理，將能夠反映軸系故障信息的特征參數提取出來，即特征提取[11]。根據船舶軸系監測數據的信號特征，本文主要從時域與頻域兩個方面進行信號處理分析并選取具有代表性的指標作為特征參數，選取的時域及頻域的特征指標分別如表1、表2所示。

表1 時域特征指標

表2 頻域特征指標

3.3 監測數據特征篩選與融合

特征提取操作后，需要進行特征篩選以降低監測數據特征的數量，提取出具有代表性特征[12]。通過基于斯皮爾曼系數的相關性分析進行監測數據的特征篩選，通過評價變量之間的相關性，對特征的權重進行排序[13]。斯皮爾曼等級相關系數ρs為：

其中：n為特征序列的數量；d為時間序列與特征序列間的等級差數。若某特征ρs大于0.8，表明其與時間具有強相關性，可作為有效特征。

為了從監測數據的特征中發現潛在的規律，通過主成分分析(principle component analysis，PCA)進行監測數據的特征融合。PCA是通過降維技術將多個變量轉變為少數幾個主成分的方法，多變量之間的內部關系通過少數幾個主成分表現[14]。

3.4 船舶軸系運行狀態評估

經過上述流程處理后的船舶軸系監測數據被導入評估系統，依托云端下發的長短時記憶神經網絡LSTM、卷積神經網絡CNN、BP神經網絡等人工智能算法模型實現對船舶軸系的故障診斷、壽命預測和預測性維護[15]。

4 案例分析

以針對某型船舶搭建的船舶軸系實驗臺為對象開展基于邊緣計算的船舶軸系智能監測實驗。該軸系的結構如圖3所示，通過安裝在軸承、推力軸承、轉子等關鍵部位的溫度、支反力、加速度、電渦流等傳感器收集數據，傳感器的傳輸協議為Modbus、Zigbee。

圖3 軸系實驗臺結構示意圖

基于邊緣計算的船舶軸系智能監測實驗系統分為云端程序及邊緣端程序。在Raspberry Pi 4B的硬件資源的基礎上，以Debian10.4為基礎環境，采用Java、Python3.7為編程語言，開發部署邊緣端程序，Raspberry Pi 4B開發板如圖4所示。邊緣端程序對采集到的軸系實驗臺關鍵部位的各類傳感器信號進行預處理操作后緩存在本地的SQLite數據庫中，同時通過MQTT協議上傳至云服務器。云端程序部署在依托ZStack私有云搭建的云服務器中，云服務器界面如圖5所示。

圖4 Raspberry Pi 4B開發板實物圖

圖5 云服務器界面

在云端程序中，首先根據不同的部位、不同的數據類型構建程序的數據處理流程；接著，依托云服務器進行模型的迭代訓練；最后，經模型校驗達標的模型下發到邊緣端程序。操作流程界面如圖6所示。根據該應用場景，選擇均方根誤差(RMSE)作為模型評估指標，圖6(c)所示結果已滿足該標準。

圖6 云端數據處理流程界面

通過邊緣端程序的模型管理模塊部署云端下發的模型；在數據集構建模塊選擇時間起止點構建數據集；然后選擇相應的算法對數據集進行特征提取和特征篩選；最后，在模型應用模塊選擇相應的算法進行故障診斷、壽命預測等相關操作。操作流程界面如圖7，針對該場景分步驟選擇對應的數據處理算法，得到下一時刻的壽命預測結果，如圖7(d)。

圖7 邊緣端程序操作流程界面

由此可見，本文開展的基于邊緣計算的船舶軸系智能監測實驗，邊緣端與云端在業務上分工明確，同時能夠實現良好的協同，可以滿足船舶軸系運行狀況監測場景的業務需求，有效提高工作效率。

5 結論

研究了一種基于邊緣計算的船舶軸系智能監測技術。通過設計與開發基于邊緣計算的船舶軸系智能監測系統，能夠在船舶航行中采集軸系產生的海量數據，通過云端下發的算法模型進行數據分析與應用，實現對船舶軸系的健康狀態監測。該技術具有低時延、高可靠性的特點，能夠完成船舶軸系運行狀態的智能監測。