1 引言
推进轴系的运行状态直接影响到船舶的安全性与可靠性，其在船舶运营中起着至关重要的作用。由于轴系中的轴承、联轴器承受与传递的载荷巨大，且工作的环境较恶劣，易于发生故障，严重时将导致整个推进轴系停止运行，造成严重的后果。传统周期性的维护方法受主观因素影响很大，不论维护策略保守或是激进都会带造成浪费或者安全隐患。现有的维护方法虽然能够通过采集传感器数据实现对轴系的监测，但是无法实现轴系故障的及时预测[1]。因此，开展船舶轴系智能监测技术研究具有重要的实际应用价值。
随着新一代信息技术的快速发展，边缘计算正成为装备智能化领域的一个新热点，为船舶推进轴系的智能监测提供了新的技术手段[2]。本文将基于边缘计算、云计算以及人工智能，研究船舶轴系智能监测技术，设计并开发基于边缘计算的船舶轴系智能监测系统。利用传感器技术，实时采集轴系运行时的温度、压力、振动、噪声和红外图像等数据，结合机器学习、深度学习等人工智能算法对海量传感器数据进行工业大数据分析，实现船舶轴系运行状态的智能监测。从而，减少船舶的维护成本，保障船舶轴系长时间安全稳定运行。
2 船舶轴系智能监测的系统架构
2.1 需求分析
船舶轴系上装有多种类型的传感器，可以实时采集轴系运行时的温度、压力、振动、噪声和红外图像等信号，对轴系运行情况进行检测。在此基础上，结合边缘计算，开展船舶轴系的智能监测有如下需求：
1) 船舶轴系运行数据实时采集
船舶轴系运行数据的实时采集是船舶轴系智能监测系统的关键环节[3]，通过传感器实时采集的各种信号，将为船舶轴系运行状况监控和预测性维护提供及时、详细的数据支撑。
2) 边云端协同计算
船舶机舱常用PC机作为服务器，由于其软硬件资源有限，不能进行长周期的大数据处理与分析，本系统应采用边云端协同计算。边缘端进行实时性、短周期的数据的处理与推理，从而在船舶航行时对船舶轴系进行智能化监测与预测性维护；云计算端进行非实时、长周期的大数据分析与模型训练，进而为边缘端提供周期性维护与模型支撑[4]。
3) 基于人工智能算法实现智能监测
能够在船舶轴系运行时通过机器学习、深度学习算法模型进行故障诊断及寿命预测，实现系统的智能化监测。
4) 直观的人机交互界面
建立船舶轴系运行数据、算法模型与船舶机舱工作人员之间的友好、直观的人机交互，使机舱工作人员更直接、更方便地了解船舶轴系的运行状况与健康状态。
2.2 基于边云端协同的船舶轴系智能监测架构
基于船舶轴系运行状态智能监测的功能需求，结合边缘计算、云计算及人工智能相关技术，设计基于边缘计算的船舶轴系智能监测系统。通过对船舶轴系运行时的海量监测数据进行采集、处理、存储与应用，实现对船舶轴系的故障诊断和寿命预测。该系统如图1所示，主要包括设备层、边缘层和云计算层[5]。
图1 系统框图
Fig.1 System framework
1) 设备层
设备层包括船舶轴系、数据采集设备以及各种传感器(如温度、压力、图像、振动等)等现场设备。数据采集网关以不同频率和不同数据格式采集船舶轴系上的各传感器数据，经协议解析等操作后，以统一的数据格式实时发送到边缘层[6]。
2) 边缘层
边缘层主要载体为船舶服务器、机舱PC机、智能网关等。边缘层实时接收船舶轴系运行的各种传感器数据，对数据进行预处理和特征提取操作后，存至数据库，同时通过云端下发的模型进行实时的数据分析、状态监测，判断轴系关键部件的健康状态和预测剩余寿命，进而对所应采取的维修措施提供技术支持[7]。当船舶靠岸时，边缘层将船舶轴系运行时的样本数据及运行状态打包上传到云计算层，以供云计算层的模型迭代训练[8]。
3) 云计算层
云计算层主要部署在船公司机房服务器或者工业互联网云平台。依托云服务器强大的计算能力，利用机器学习、深度学习等人工智能算法，通过对轴系相关实验数据结合船舶上传的现场数据进行深度数据分析和模型迭代训练，训练好的模型将下发至边缘层[9]。
3 基于边缘计算的船舶轴系监测数据处理流程
基于边缘计算的船舶轴系智能监测数据处理流程如图2所示，考虑边云端协同，边缘端程序主要进行数据处理以及评估操作，云端程序通过集成了机器学习、统计学习和深度学习的算法进行评估模型的迭代训练[10]。
图2 轴系监测数据处理流程框图
Fig.2 Shafting monitoring data processing flow
3.1 监测数据预处理
船舶轴系在实际运行中工况较为复杂，同时传感器信号采集时容易受到环境因素的影响，采集到的传感器数据带有噪音。因此，在数据采集后应该对数据进行相应的预处理，规范采集到监测数据。船舶轴系监测数据预处理的方法如下：
1) 异常值剔除
所采集的传感器信号中的不合理的值，即异常值。可根据3δ原则对异常值进行判别：样本平均值3δ之外的概率为P(3δ<|x-μ|) ≤ 0.003，是极小概率事件，因此，若传感器所采集的单个信号幅值与样本平均值的差大于3倍标准差，那么该值就可视为异常值[9]。
2) 降噪处理
采集船舶轴系传感器信号的过程中，一些不属于监测对象的信号也会被传感器采集，即噪声信号。去除噪声信号有助于提高传感器信号特征提取的效率，经典的去除噪声的方法是中值滤波技术。
3.2 监测数据特征提取
船舶轴系的监测数据经过上述预处理操作后，还需进行进一步的处理，将能够反映轴系故障信息的特征参数提取出来，即特征提取[11]。根据船舶轴系监测数据的信号特征，本文主要从时域与频域两个方面进行信号处理分析并选取具有代表性的指标作为特征参数，选取的时域及频域的特征指标分别如表1、表2所示。
表1 时域特征指标
Table 1 Time domain characteristic index
时域特征计算公式平均值X=∑Nn=1x(n)/N有效值Xrms = 1N∑Ni = 1x2i 峰值Xp-p=max(xi)根幅值Xr=∑Nn=1x(n)/N 2歪度α = 1N∑1Nx3i 峭度β = 1N∑1Nx4i
表2 频域特征指标
Table 2 Frequency domain characteristic index
频域特征计算公式重心频率FC=∫+∞0f*S(f)df∫+∞0S(f)df均方频率MSF=∫+∞0f2*S(f)df∫+∞0S(f)df均方根频率RMSF=MSF频率方差VF=∫+∞0(f-FC)2S(f)df∫+∞0S(f)df频率标准差RVF=VF
3.3 监测数据特征筛选与融合
特征提取操作后，需要进行特征筛选以降低监测数据特征的数量，提取出具有代表性特征[12]。通过基于斯皮尔曼系数的相关性分析进行监测数据的特征筛选，通过评价变量之间的相关性，对特征的权重进行排序[13]。斯皮尔曼等级相关系数ρs为：
其中：n为特征序列的数量；d为时间序列与特征序列间的等级差数。若某特征ρs大于0.8，表明其与时间具有强相关性，可作为有效特征。
为了从监测数据的特征中发现潜在的规律，通过主成分分析(principle component analysis，PCA)进行监测数据的特征融合。PCA是通过降维技术将多个变量转变为少数几个主成分的方法，多变量之间的内部关系通过少数几个主成分表现[14]。
3.4 船舶轴系运行状态评估
经过上述流程处理后的船舶轴系监测数据被导入评估系统，依托云端下发的长短时记忆神经网络LSTM、卷积神经网络CNN、BP神经网络等人工智能算法模型实现对船舶轴系的故障诊断、寿命预测和预测性维护[15]。
4 案例分析
以针对某型船舶搭建的船舶轴系实验台为对象开展基于边缘计算的船舶轴系智能监测实验。该轴系的结构如图3所示，通过安装在轴承、推力轴承、转子等关键部位的温度、支反力、加速度、电涡流等传感器收集数据，传感器的传输协议为Modbus、Zigbee。
图3 轴系实验台结构示意图
Fig.3 Structural diagram of shafting test bench
基于边缘计算的船舶轴系智能监测实验系统分为云端程序及边缘端程序。在Raspberry Pi 4B的硬件资源的基础上，以Debian10.4为基础环境，采用Java、Python3.7为编程语言，开发部署边缘端程序，Raspberry Pi 4B开发板如图4所示。边缘端程序对采集到的轴系实验台关键部位的各类传感器信号进行预处理操作后缓存在本地的SQLite数据库中，同时通过MQTT协议上传至云服务器。云端程序部署在依托ZStack私有云搭建的云服务器中，云服务器界面如图5所示。
图4 Raspberry Pi 4B开发板实物图
Fig.4 Raspberry Pi 4B
图5 云服务器界面
Fig.5 Cloud server interface
在云端程序中，首先根据不同的部位、不同的数据类型构建程序的数据处理流程；接着，依托云服务器进行模型的迭代训练；最后，经模型校验达标的模型下发到边缘端程序。操作流程界面如图6所示。根据该应用场景，选择均方根误差(RMSE)作为模型评估指标，图6(c)所示结果已满足该标准。
图6 云端数据处理流程界面
Fig.6 Cloud data processing flow
通过边缘端程序的模型管理模块部署云端下发的模型；在数据集构建模块选择时间起止点构建数据集；然后选择相应的算法对数据集进行特征提取和特征筛选；最后，在模型应用模块选择相应的算法进行故障诊断、寿命预测等相关操作。操作流程界面如图7，针对该场景分步骤选择对应的数据处理算法，得到下一时刻的寿命预测结果，如图7(d)。
图7 边缘端程序操作流程界面
Fig.7 Operation flow of edge end program
由此可见，本文开展的基于边缘计算的船舶轴系智能监测实验，边缘端与云端在业务上分工明确，同时能够实现良好的协同，可以满足船舶轴系运行状况监测场景的业务需求，有效提高工作效率。
5 结论
研究了一种基于边缘计算的船舶轴系智能监测技术。通过设计与开发基于边缘计算的船舶轴系智能监测系统，能够在船舶航行中采集轴系产生的海量数据，通过云端下发的算法模型进行数据分析与应用，实现对船舶轴系的健康状态监测。该技术具有低时延、高可靠性的特点，能够完成船舶轴系运行状态的智能监测。
[1] 吴文群，林小东.大型船舶轴系故障监测方法研究[J].舰船科学技术，2018，40(12)：124-126.
Wu W Q，Lin X D.Research on fault monitoring method of large ship shafting[J].Ship Science and Technology，2018，40(12)：124-126.
[2] 施巍松，孙辉，曹杰，等.边缘计算：万物互联时代新型计算模型[J].计算机研究与发展，2017，54(05)：907-924.
Shi W S，Sun H，Cao J，et al.Edge computing：a new computing model in the era of Internet of things[J].Computer Research and Development，2017，54(05)：907-924.
[3] 李福兴，李璐爔，彭友.基于数字孪生的船舶预测性维护[J].船舶工程，2020，42(S1)：117-120,396.
Li F X，Li L X，Peng Y.Predictive maintenance based on digital twin[J].Marine Engineering，2020，42(S1)：117-120,396.
[4] 赵梓铭，刘芳，蔡志平，等.边缘计算：平台、应用与挑战[J].计算机研究与发展，2018，55(02)：327-337.
Zhao Z M，Liu F，Cai Z P，et al.Edge computing：platform，application and challenge[J].Computer Research and Development，2018，55(02)：327-337.
[5] 张文龙.云/雾/边缘端协同的轴承故障诊断方法研究[D].济南：山东大学，2020.
Zhang W L.Research on bearing fault diagnosis method based on cloud/fog/edge end cooperation[D].Jinan：Shandong University，2020.
[6] 张国珺.基于状态监测的轴承剩余寿命预测研究[D].太原：中北大学，2020.
Zhang G J.Research on residual life prediction of bearing based on condition monitoring[D].Taiyuan：Zhongbei University，2020.
[7] 鞠建波，胡胜林，单志超，等.大数据驱动的装备健康管理研究[J].兵器装备工程学报，2017，38(06)：73-75.
Ju J B，Hu S L，Shan Z C，et al.Research on big data driven equipment health management[J].Journal of Ordnance Equipment Engineering，2017，38(06)：73-75.
[8] 李韬.云计算在舰船设备远程故障诊断中的应用[J].舰船科学技术，2016，38(04)：178-180.
Li T.Application of cloud computing in remote fault diagnosis of ship equipment[J].Ship Science and Technology，2016，38(04)：178-180.
[9] 雷亚国，何正嘉，訾艳阳.基于混合智能新模型的故障诊断[J].机械工程学报，2008(07)：112-117.
Lei Y G，he Z J，Zi Y Y.Fault diagnosis based on new hybrid intelligent model[J].Journal of Mechanical Engineering，2008(07)：112-117.
[10] Wang X，Han Y，Leung V，et al.Convergence of edge computing and deep learning：A comprehensive survey[J].IEEE Communications Surveys & Tutorials，2020，22(2)：869-904.
[11] 安兴.“育鲲”轮推进轴系轴承状态监测[D].大连：大连海事大学，2018.
An X.Condition monitoring of propulsion shafting bearing of Yu Kun[D].Dalian：Dalian Maritime University，2018.
[12] 张保山，周峰，张琳，等.基于最优神经网络结构的故障诊断模型[J].兵器装备工程学报，2020，41(03)：20-24,50.
Zhang B S，Zhou F，Zhang L，et al.Fault diagnosis model based on optimal neural network structure[J].Journal of Ordnance Equipment Engineering，2020，41(03)：20-24,50.
[13] 高辉.机械设备剩余使用寿命预测方法的研究[D].济南：山东大学，2020.
Gao Hui.Research on prediction method of residual service life of mechanical equipment[D].Jinan：Shandong University，2020.
[14] 史光宇，徐健，杨强.基于卷积神经网络的风电机组轴承机械故障智能诊断方法[J].华北电力大学学报(自然科学版)，2020，47(04)：71-79.
Shi G Y，Xu J，Yang Q.Intelligent fault diagnosis method of wind turbine bearing based on convolution neural network[J].Journal of North China Electric Power University(Natural Science Edition)，2020，47(04)：71-79.
[15] 薛峰.面向边缘智能的神经网络计算方法研究[D].北京：北京交通大学，2020.
Xue Feng.Research on neural network computing method for edge intelligence[D].Beijing：Beijing Jiaotong University，2020.