0 引　言

近年来通信、控制等技术水平不断增加，无人远程遥控车、船等得到飞速发展。无人船通过遥控或者自主方式在水面航行，可实现智能化海上作业，如水质勘测、安全防护、搜救、物资投送等。但在特殊水面情况下^{[1 – 2]}，无人船的远程遥控系统会出现反应不灵敏或者拒动情况，导致无人船无法执行航行任务，因此对无人船在航行过程中的远程遥控系统进行实时监测在该其领域关注度较高。目前也有很多学者研究无人船远程遥控系统实时监测方法，宁昶雄等^[3]提出船舶推进装置状态监测方法，该方法通过传感器采集船舶电力驱动状态参数后，利用人工智能算法实现其状态监测，但该方法仅针对无人船的驱动装置进行监测。应用范围较小。王瑞涵等^[4]提出无人船机舱设备状态监测方法，该方法将船舶机舱实时运行数据作为基础，利用机器学习算法获得无人船机舱设备当前运行状态。但该方法没有对机舱设备实时运行数据进行预处理，导致其监测的结果不够精准。为此，本文提出无人船远程遥控系统运行状态实时在线监测方法，以提升对无人船作业时状态的监测技术水平。

1 远程遥控系统运行状态实时在线监测 1.1 远程遥控系统运行状态实时在线监测技术架构

设计远程遥控系统运行状态实时在线监测技术架构，如图1所示。

远程遥控系统运行状态实时在线监测技术架构由感知层、网络层、运算层和应用层组成。用户通过应用层的采集控制模块箱感知层传感器节点控制器发送无人船远程遥控系统运行状态实时数据采集命令后，感知层利用温度传感器、电力传感器、姿态传感器等采集无人船远程遥控系统实时运行状态数据后，通过传感器节点控制器发送到网络层内，网络层利用感知节点控制器和ZigBee无线网络将无人船远程遥控系统实时运行状态数据发送到运算层内，该层利用运行状态监测模块和异常预警模块获得无人船远程遥控系统当前运行状态和异常状态预警结果后，将该结果传输到应用层内，层通过可视化监测、通信控制等模块为用户提供人机交互功能。

1.2 运行状态数据实时采集通信协议设计

远程遥控系统运行状态实时在线监测技术架构在采集无人船实时运行状态数据时，通过上位机向传感器节点控制器发送采集指令后，ZigBee网络将采集到的无人船实时运行状态数据反馈到上位机^{[5 – 6]}。设计远程遥控系统运行状态数据实时采集通信协议，该协议流程如图2所示。用户通过应用层内采集控制模块箱感知层内传感器节点控制器发送采集与传输命令时，其程序的上位机进行初始化设置，然后读取当前缓存的采集到的远程遥控系统运行状态数据，每采集6次后，将6次采集结果进行融合处理，然后向上位机的PLC控制器发送数据，再判断当前数据是否发送完成，若是，则结束程序^[7-8]，反之则返回数据融合步骤重新迭代。其中数据采集次数为10次/s，采样周期为1000 ms。

1.3 基于RBF神经网络的运行状态实时监测方法

采集到无人船远程遥控系统运行状态实时数据后，以其作为输入，使用径向基神经网络模型(RBF)后的无人船远程遥控系统运行状态监测结果。径向基神经网络由3层前向网络组成，将无人船远程遥控系统运行状态实时数据输入到径向基神经网络模型后，其表达式如下：

$f(x) = \sum\limits_{i = 1}^m {{w_i}\Phi (x,{g_i})}。$

(1)

式中：f(x)为径向基网络模型输出函数； $x$ 为输入的无人船远程遥控系统运行状态实时数据向量； $m$ 为网络内神经元总数；w_i为第i个神经节点输出权值； $\Phi (x,{g_i})$ 为径向基函数该函数为高斯函数，表达式如下：

$\Phi (x,{c_i}) = \exp \left(\frac{{ - {{\left\| {x - {g_i}} \right\|}^2}}}{{\sigma _i^2}}\right) 。$

(2)

式中： ${g_i}$ 为高斯函数中心； $\sigma _i^2$ 为高斯函数方差。

当无人船远程遥控系统运行状态实时数据输入到径向基神经网络模型后，该模型进行离线学习，然后使用公式(1)输出无人船远程遥控系统运行状态实时监测结果，其离线学习过程如下：

1)确定径向基神经网络模型固定中心数量。

2)进行无迭代学习，依据最小化聚类原则，对径向基神经网络模型进行无迭代配置学习，直至收敛为止。该过程中的聚类宽度即为高斯函数方差，其计算式如下：

$\sigma _i^2 = \frac{1}{{{M_i}}}\sum\limits_{x \in {X_i}} {{{(x - {v_i})}^{\rm{T}}}(x - {v_i})} 。$

(3)

式中：X_i为划分的监测类别；M_i为属于监测类别X_i内的样本总数；v_i为聚类中心。

3)由于径向基神经网络模型用于无人船远程遥控系统运行状态实时在线监测，其监测的对象数量较多，则在模型训练时需要计算监测对象 $j$ 下参数距离点的最大距离D_j，公式如下：

${D_j} = \mathop {\max }\limits_{{x_{ij}} \in {X_i}} \left\| {{x_{ij}} - {v_i}} \right\| ，$

(4)

式中，x_ij为第 $i$ 个数据样本内第 $j$ 个监测对象。

4)判断式(4)结果与聚类中心d_j距离，当其小于d_j时，则说明该监测结果属于拒绝域，反之为接受域。

5)当监测结果位于接受域时，计算该监测结果下能接受的最大误差值 ${\lambda _j}$ ，公式如下：

${\lambda _j} = \mathop {\max }\limits_{{x_{ij}} \in {X_j}} \left\{ {\left| {{y_{ij}} - f({x_{ij}})} \right|} \right\}$

(5)

式中：y_ij为实际无人船远程遥控系统运行状态；f(x_ij)为径向基神经网络模型输出的监测结果。

当式(5)结果满足允许误差条件时，则可通过径向基神经网络模型输出监测结果。

2 结果与分析

以某型号水质采样无人船作为实验对象，该无人船可用于湖泊、近海和河流中替代人工采集水样，完成定时、定量任务，同时具备拍照取证和视频传输等功能。该无人船的远程遥控系统包括遥控接收系统、电池系统、动力系统以及传感系统，利用本文方法对该无人船远程遥控系统运行状态进行实时监测，分析验证本文方法应用效果。

运行状态数据实时采集通信协议负责无人船远程遥控系统运行状态实时在线监测过程中的通信传输，以通信量作为衡量指标，在模拟环境下分析本文方法实际的通信录和模拟通信量之间差距，验证本文方法的在监测过程中的通信能力，结果如图3所示。分析图3可知，在通信长度较长时，其通信数量也越多，本文方法在对运行状态实时数据进行采集通信时，其通信的实际数量和模拟数量完全相同，说明本文方法在传输无人船远程遥控系统运行状态实数据时能力较好，为后续其状态监测提供有效数据基础。

利用本文方法监测该无人船远程遥控系统的主机转速，监测结果如图4所示。分析图4可知，利用本文方法可有效检测该无人船远程遥控系统的主机转速，监测值曲线与实际值曲线几乎完全吻合，说明本文方法监测结果较为精准，具备较好的应用效果。

以200组实时监测数据作为实验对象，其中存在10次无人船姿态异常数据，验证本文方法对无人船姿态异常监测效果、预警结果以及预警延迟时间，设置预警延迟阈值为0.5 s。分析本文方法预警能力和实时监测能力，结果如表1所示。分析表1可知，本文方法对10条无人船姿态异常数据均有效监测并预警，最大预警延迟仅为0.03 s，较预设阈值低，说明本文方法监测无人船远程遥控系统运行状态精度较高的同时，实时性也较好。

3 结　语

本文研究无人船远程遥控系统运行状态实时在线监测方法，为无人船执行任务提供控制数据基础。经过对本文方法进行实际验证，可知其具备较强的应用性，未来可在无人船控制领域广泛应用。但由于本文方法并没有对采集到的无人船运行状态数据进行融合处理，导致其运算过程时间复杂度较高，未来需要从该角度入手加以改进。