0 引　言

船舶监测一直是一个重点研究问题。对船舶进行监测包括采集机舱数据、对设备实施运行状态评估、提供决策建议等，以实现船舶的智能运行。随着各种技术的不断发展，对船舶进行监测增加了对重要设备实施远程控制以及使机械设备处所实现无人值班等需求。为满足以上需求，船舶开始应用物联网进行运行监测，实现了船岸一体的监测设计^[1]。船舶物联网监测作为一种智能监测平台，能够为船舶智能化管理提供基础条件，提升了监测数据的数量与质量以及数据的可靠性与实时性。基于此背景对船舶物联网监测拓扑结构进行研究，为辅助决策制定、健康状态评估、故障诊断、无人值守等提供更好的综合监控网络。

本文综合以往取得的研究成果，设计一种基于小波支持向量机的船舶物联网监测拓扑结构，设计一种交换机数量预测模型，通过该模型能够确定物联网监测拓扑结构中需要的交换机数量，实现更高吞吐量、更低通信能耗的船舶监测。

1 小波支持向量机的船舶物联网监测拓扑结构 1.1 物联网监测拓扑结构设计

在物联网监测拓扑结构的设计中，采用星型拓扑作为监测网络基础结构，其核心为工业以太网交换机。将物联网监测拓扑结构分为六个模块分别进行设计，6个模块围绕工业以太网交换机组成星型拓扑结构^[2]。通过GPRS模块能够实现无线传感网络距离的延伸。模块能够与ZigBee模块进行通信，获取传感器监测数据，同时模块还能实现与外部网络的连接，和监测中心进行联系，向监测中心实时传送船舶运行数据^[3]。使用F8114作为模块的网关节点，有效延伸远距离广域网与近距离局域网。在GPRS模块中设置多个网关节点单元，网关节点单元的结构设计如图1所示^[4]。

ZigBee模块是物联网监测拓扑结构中的基础模块，负责进行设备数据的采集。选择的ZigBee网关节点为F8914，能够与网关进行通信^[5]。在模块中布设16个信道，地址分配采用的是分配式机制，根据网络的最大深度、各父节点对应的子节点个数及其中的路由器节点个数对各节点的地址进行分配。分配后每个节点的物理地址唯一，网络地址均为16位^[6]。

数据感知模块负责进行环境数据的采集，使用的传感器节点包括湿度传感器、温度传感器。在模块中，通过模拟量采集模块进行 I/O 口扩展，选择的模拟量采集模块为RS-4021M^[7]。

服务器模块由数据库服务器、防火墙、应用服务器、I/O柜构成。

监控模块由远程监控终端、监控网络管理模块、智能平台构成^[8]。其中远程监控终端主要设置在船员办公场所，用于监测设备运行状态；监控网络管理模块用于监测整体拓扑结构的运行状态，包括监测传输速率、数据丢包、链路通断等网络状态。智能平台能够实现各种系统与设备的健康管理与故障诊断，具有很强的可拓展性^[9]。

物联网云台模块是监测拓扑结构中的大数据处理中心，具备物联网服务功能。在模块中设计一个船舶物联网云台，该云台与传感器节点之间需要保持紧密的联系，同时负责向用户端提供数据。物联网云台由3个部分构成，第1部分是应用域，由各种船舶监测应用构成；第2部分是平台域，由事件告警应用、资源管理应用、数据管理应用、数据接入应用、消息路由构成；第3部分是设备域，由物联网网关设备构成。使用的物联网网关设备主要包括ZigBee协调器、RPi3 B，通过Wi-Fi 方式或RJ45 网络接口将网关设备接入以太网。

物联网云台使用的通信协议包括公开协议与私有协议，其中公开协议包括EDP，MQTT，HTTP，Modbus，JT\T808，TCP透传，私有协议为RGMP。

1.2 拓扑结构监测机能实现

对于设计的物联网监测拓扑结构，通过2种数据融合算法帮助该拓扑结构真正实现船舶监测机能。对于同质传感器的数据融合，使用的处理算法是一级数据融合算法，具体流程如下：

1）将同质传感器的数量设为 $ n $ ，对于第 $ i $ 个传感器，将其测量值设为x_i；

2）对同质传感器测量得到的环境特征参数之间存在的相对偏差进行计算；

3）根据计算结果对置信距离矩阵 $ {\boldsymbol{B}} $ 进行构建：

$ {\boldsymbol{B}} = \left[ {\begin{array}{*{20}{c}} {{B_{11}}}&{{B_{12}}}& \cdots &{{B_{1n}}} \\ {{B_{21}}}&{{B_{22}}}& \cdots &{{B_{2n}}} \\ \vdots & \vdots & \ddots & \vdots \\ {{B_{m1}}}&{{B_{m2}}}& \cdots &{{B_{mn}}} \end{array}} \right] 。$

(1)

式中：B_mn表示第 $ m $ 行、第 $ n $ 列的置信距离。

4）对传感器数量中的被信任比例进行计算。以信任程度上限为依据对被信任比例小于0.5的传感器数据进行排除。其中信任程度上限用 $ k $ 来表示，该值为传感器精度的2倍。对被排除传感器的数量进行统计，并用 $ t $ 来表示。

5）对保留的同质传感器测量得到的环境特征参数进行计算，并求取其平均值，具体为：

$ \bar x = \frac{1}{{n - t}}\sum\limits_t^n {{x_i}} ，$

(2)

式中， $ \bar x $ 是环境特征参数的平均值。

6）对 $ \bar x $ 与同质传感器测量所获数据间的海明距离进行计算，具体为：

$ {d_i} = {\left| {{x_i} - \bar x} \right|^2} 。$

(3)

7）对 $ \bar x $ 与同质传感器测量所获数据间的模糊距离贴近度进行计算，具体为：

$ {r_i} = \frac{1}{{n - t}}\left( {1 + {{\left( {{d_i}} \right)}^\varepsilon }} \right) 。$

(4)

式中， $ \varepsilon $ 为分辨率系数。

8）对各同质传感器对应的权重值进行计算，即

$ {\omega _i} = \frac{{{r_i}}}{{\displaystyle\sum\limits_{i = 1}^{n - t} {{r_i}^2} }} 。$

(5)

式中， $ {\omega _i} $ 是各同质传感器对应的权重值。

9）对环境特征参数的对应一级融合值进行计算，公式如下：

$ X' = \sum\limits_{i = 1}^{n - t} {{\omega _i}{x_i}^2}。$

(6)

通过二级数据融合算法实现二级数据的融合，也就是实现非同质传感器之间的数据融合。

具体步骤如下：

1）对因素集 $ Y $ 进行确定，具体为：

$ Y = \left\{ {{y_1},{y_2},...,{y_n}} \right\}，$

(7)

式中：y_n表示第 $ n $ 个影响最终评判水平的因素。

2）对评语集进行确定：

$ C{\text{ = }}\left( {{c_1},{c_2},...,{c_m}} \right)，$

(8)

式中：c_m是第 $ m $ 个评判结论。

3）实施单因素评判，获取评判矩阵 $ {\boldsymbol{A}} $ 。

实施单因素评判就是对因素集内各因素分别实施一次评判，获取评语集到因素集的模糊映射。根据模糊映射对评语集到因素集之间的模糊关系进行诱导。具体步骤如下：

①对因素集 $ Y $ 中的各因素实施评判，获取评语集 $ E $ 到因素集 $ F $ 的模糊映射 $ p $ ，具体为：

$ p：F\to P\left(E\right)，$

(9)

式中： $ P $ 为模糊映射函数。

②根据模糊映射对评语集到因素集之间的模糊关系进行诱导，获取模糊矩阵，具体为：

$ {\boldsymbol{V}} = \left[ \begin{gathered} {v_{11}}\;\;{v_{12\;\;\;}}{v_{13}} \hfill \\ {v_{21}}\;\;{v_{22\;\;\;}}{v_{23}} \hfill \\ {v_{31}}\;\;{v_{32\;\;\;}}{v_{33}} \hfill \\ {v_{41}}\;\;{v_{42\;\;\;}}{v_{43}} \hfill \\ {v_{51}}\;\;{v_{52\;\;\;}}{v_{53}} \hfill \\ \end{gathered} \right] 。$

(10)

确定各因素的权重，实施综合评判。

通过以上2种数据融合处理算法实现船舶监测数据的融合，也就是实现船舶监测机能。

1.3 确定节点数量与交换机数量

对于设计的物联网监测拓扑结构，对其相关参数实施计算与分析。首先计算拓扑结构的总层数，具体计算公式如下：

$ N = \left[ {\frac{{\sqrt {\dfrac{{\text{π}} }{{3S}}} }}{{2{R_C}}}{\text{ + }}\frac{1}{2}} \right] 。$

(11)

式中： $ N $ 为拓扑结构的总层数； $ S $ 为需要监测的面积；R_C为传感器或节点的通信半径。

布设的总簇头节点数的计算公式为如下：

$ {N_{key}} = 3N\left( {N + 1} \right) - 1。$

(12)

根据计算的拓扑结构总层数与总簇头节点数对设计的物联网监测拓扑结构进行布设。

基于小波支持向量机设计一种交换机数量预测模型，确定物联网监测拓扑结构中需要的交换机数量。在模型中，选取的核函数是小波函数，选取的高斯径向基核对应参数为0.01，选取的多项式核对应参数为5阶，选取的组合核系数为0.03。构建的交换机数量预测模型为：

$ f\left( x \right) = {\sum\limits_{i = 1}^{n - m} {0.01\left( {{a_1} - {a_2}} \right)} ^5}k\left( {x,{x_i}} \right) - 0.03b \cdot S 。$

(13)

式中：f(x)为交换机预测数量；a₁、a₂为指拉格朗日乘子； $ k $ 为小波函数阈值； $ b $ 为拟合阈值； $ x $ 为惩罚系数；x_i为第 $ i $ 个最优化预测因子； $ n{\text{ - }}m $ 为时间点个数。

通过该模型确定不同网络规模中需要的交换机数量。

2 性能测试 2.1 实验环境

对于设计的小波支持向量机的船舶物联网监测拓扑结构，在某船舶环境中对其性能进行测试。

船舶技术参数如下：

总长为147.0 m；型宽为23.0 m；垂线间长为135.6 m；型深为12.5 m；设计吃水为8.8 m；载重为16500.0 t；货舱舱容为17600 m³。

根据参数在船舶上搭建设计的物联网监测拓扑结构，在实际运行中对其性能进行测试。

2.2 性能测试与结果分析

首先测试拓扑结构的通信能耗。在簇头节点数发生变化时，对全部节点消耗的总通信能耗与各节点的平均能耗进行测试，测试结果如表1所示。随着簇头节点数的增加，全部节点的总通信能耗也有所增加，但增幅较低。综合整体测试数据，拓扑结构全部节点的总通信能耗较低，同时各节点的平均能耗也较低，最低可达2.05 mJ。

对拓扑结构的网络吞吐量进行测试，也就是对每轮中能够成功传输至基站的通信数据累计值进行测试与统计。在不同节点总数下对网络吞吐量进行测试，具体测试数据如图2所示。可知，在节点数增加的情况下，网络吞吐量也会随之提升。总体来说，本文设计的拓扑结构的网络吞吐量较大，通信能力较强。

最后对设计拓扑结构的网络丢包率进行测试。同样在不同节点总数下进行测试，测试结果如图3所示。图3表明，在节点数增加的情况下，该拓扑结构的网络丢包率也有一定上升，但上升幅度较低。总体来说，设计的拓扑结构的网络丢包率较低，证明该拓扑结构的通信性能较强。

3 结　语

设计基于小波支持向量机的船舶物联网监测拓扑结构，实现了较高的监测网络通信性能，对于船舶监测的智能化发展有促进作用。