0 引　言

船舶作为海上运输和国防建设的重要载体，其安全性和可靠性直接关系到国家利益和人民生命财产安全^[1]。设计智能推荐系统能实时收集船舶运行数据，进行故障的智能识别和分类，并快速推荐相应的解决方案，使故障能在第一时间得到妥善处理，降低事故发生概率，保障船舶安全运行^[2]。

有学者利用双CPU架构实现船舶故障的精准检测与高效处理^[3]。尽管双CPU混成式故障检测技术能整合船舶故障相关的各种知识，但由于船舶系统的复杂性和多样性，会存在部分故障知识未被完全覆盖或理解不够深入的情况，导致在推荐解决方案时，缺乏对某些特定故障情况的有效处理策略^[4]。有学者利用在线贯序极限学习机（OS-ELM）算法，实现对不平衡数据的高效处理与故障准确检测。OS-ELM算法能在线学习并更新模型，以适应实时数据流的变化，同时其极限学习特性使得模型训练速度更快、泛化能力更强，为检修人员推荐准确、可靠的故障检测结果^[5]。OS-ELM学习能力受限于所提供的数据，如果数据不足以充分反映故障的本质和特征，那么其推荐的解决方案可能不够准确或全面。有学者利用高斯混合模型（GMM）对船舶故障数据进行建模，通过捕捉故障数据的分布特征，实现了对故障类型的有效区分。概率神经网络（PNN）则作为分类器，利用GMM生成的概率密度函数进行故障识别，具有分类速度快、泛化能力强的优点。通过结合高斯混合和概率神经网络，系统能在复杂多变的故障环境下准确识别故障类型，并给出相应的故障概率，作为推荐结果^[6]。PNN的决策过程缺乏直观的解释性。这意味着虽然PNN能给出故障分类和解决方案的推荐，但检修人员难以理解其背后的决策逻辑和依据，降低解决方案的可接受度和信任度，影响其在实际工作中的应用效果。

知识图谱为人工智能领域的一种基础技术，且便于机器更好地理解、推理和解释知识。应用知识图谱可全面整合船舶故障相关的各种知识，分析故障关联和演化规律，为检修人员智能推荐个性化且易于理解的故障解决方案。为此，设计基于人工智能的船舶故障检测结果智能推荐系统，保障船舶安全运行。

1 船舶故障检测结果智能推荐系统 1.1 船舶故障检测结果智能推荐系统的实现流程

利用人工智能中的知识图谱技术，设计船舶故障检测结果智能推荐系统，可为检修人员智能推荐便于理解，且个性化的故障检测结果。该系统的实现流程如图1所示。

该系统内主要包含知识图谱模块、实体抽取模块与实体识别匹配模块。知识图谱模块依据船舶故障维修日志建立船舶故障知识图谱。实体抽取模块利用人工智能的长短时记忆网络（LSTM），在船舶故障描述文本内抽取故障实体。实体识别匹配模块，通过基于实体识别的文本匹配技术，计算抽取的故障实体与知识图谱内故障实体间的相似度，作为匹配得分，以匹配得分最高的故障实体为船舶故障检测智能推荐结果。

1.2 故障检测结果智能推荐的知识图谱模块

利用知识图谱模块，构建船舶故障知识图谱。建立船舶故障知识图谱的目的：能够提供全面的实体关系以及背景知识，有助于更全面地理解船舶故障的各个方面，为智能推荐系统提供更准确、更全面的信息。知识图谱模块的结构如图2所示。

利用知识图谱模块，构建船舶故障知识图谱的具体步骤如下：

步骤1　通过深入分析船舶故障维修日志，提取出与船舶故障相关的关键信息。

步骤2　依旧提取的船舶故障关键信息，建立船舶故障实体模型与船舶故障关系模型，船舶故障实体模型中，包含船舶设备ID、船舶故障类型与故障原因等实体；船舶故障关系模型用于描述船舶故障设备与故障原因间的关系。

步骤3　预处理船舶故障关键信息内的半结构化数据，用于进一步丰富和细化知识图谱的内容。

步骤4　利用LSTM在结构化数据与预处理后的半结构化数据内，抽取船舶故障实体。

步骤5　对于结构化的船舶故障实体，可直接抽取实体关系。对于半结构化的船舶故障实体，通过模式匹配的方式，抽取实体关系。

步骤6　以实体消歧方式、融合实体与关系的知识抽取结果，确保船舶故障知识图谱中的每个故障实体是唯一的，不会出现重复或混淆的情况，并提升实体关系的识别精度。

步骤7　依据实体与关系的知识融合结果建立船舶故障知识图谱。

1.3 故障检测结果智能推荐的实体抽取模块

实体抽取模块利用LSTM，在实际船舶故障描述文本内，抽取故障实体。船舶故障通常涉及众多设备和系统，每个故障可能对应不同的实体，如发动机、电气系统、船体结构等。通过抽取这些故障实体，并与船舶故障知识图谱内的故障实体进行匹配，可更精确地确定故障类型，更全面地理解故障发生的背景和原因，提高智能推荐的准确性和可靠性。在LSTM内，输入实际船舶故障描述文本x_t，输出船舶故障实体抽取结果y_t，计算公式如下：

$ {g_t} = f\left( {{w_g}\left( {{x_t},{y_{t - 1}}} \right) + {b_g}} \right)，$

(1)

$ {z_t} = f\left( {{w_z}\left( {{x_t},{y_{t - 1}}} \right) + {b_z}} \right) ，$

(2)

$ {h_t} = {z_t} \odot {h_{t - 1}} + {g_t} \odot \tanh \left( {{w_h}\left( {{x_t},{y_{t - 1}}} \right) + {b_h}} \right)，$

(3)

$ {o_t} = f\left( {{w_o}\left( {{x_t},{y_{t - 1}}} \right) + {b_o}} \right) ，$

(4)

$ {y_t} = {o_t} \odot \tanh \left( {{h_t}} \right) 。$

(5)

其中，f为Sigmoid激活函数；t时刻，g_i为输入门，用于决定哪些船舶故障描述信息应该被接受和存储至细胞状态内；w_g、b_g为对应的权值与偏置；z_t为遗忘门，用于动态地决定细胞状态内哪些数据是重要的、应该被保留，哪些信息是不重要的、应该被遗忘，w_z、b_z为对应的权值与偏置；h_t为细胞状态，用于存储和传递x_t中的关键船舶故障描述信息，w_h、b_h为对应的权值与偏置；o_t为输出门，w_o为对应的权值与偏置、b_o；y_t为船舶故障实体抽取结果。

1.4 故障检测结果智能推荐的实体识别匹配模块

实体识别匹配模块利用基于实体识别的文本匹配技术，计算抽取的船舶故障实体y_t，与船舶故障知识图谱内故障实体$ {\hat y_t} $间的相似度，即匹配得分q_i，具体为：

$ {q_i} = \sum\limits_{i = 1}^n {{R_i} \times {\omega _i} \times {s^2}\left( {{y_i},{{\hat y}_i}} \right)} 。$

(6)

式中：y_i为抽取的第$ i $个船舶故障实体；$ n $为船舶故障实体数量；R_i为船舶故障知识图谱内是否存在和相似度较高的实体；当R_i=1时，代表船舶故障知识图谱内存在与相似度较高的实体；当R_i=0时，代表船舶故障知识图谱内不存在与相似度较高的实体；y_i所属类别的权值为ω_i；y_i和船舶故障知识图谱内检索获取的对应实体$ {\hat y_i} $的最大相似度为$ s\left( {{y_i},{{\hat y}_i}} \right) $。最高匹配得分对应的故障实体，即船舶故障检测智能推荐结果。

2 结果与分析

以某船舶为实验对象，利用本文系统对该船舶进行故障检测结果智能推荐，降低该船舶的事故风险发生概率，确保其安全航行。利用本文系统建立船舶故障知识图谱，部分船舶故障知识图谱建立结果如图3所示。分析可知，本文系统可有效建立船舶故障知识图谱，为检修人员提供全面的船舶故障类型、故障发生原因，以及故障维修方案等相关信息，便于检修人员理解。

以该船舶的一个船舶故障描述文本为例，利用本文系统抽取该船舶故障描述文本的故障实体，故障实体抽取结果如图4所示。分析可知，本文系统可有效抽取船舶故障实体，帮助检修人员快速了解到船舶故障的具体情况，包括故障发生的原因与故障的影响等信息。

利用本文系统对该船舶进行故障检测结果智能推荐，结果如表1所示。分析可知，本文系统可有效智能推荐检查故障检测结果，且智能推荐结果完全正确，本文系统还可根据不同故障类型，给出不同的维修方案，帮助检修人员快速准确地解决问题，加快船舶故障检修效率，提升船舶航行的安全性。

3 结　语

基于人工智能的船舶故障检测结果智能推荐系统是一种创新且高效的技术应用，该系统通过人工智能中的知识图谱与LSTM，实现对船舶故障检测结果的智能化分析和推荐，使得系统能准确理解故障信息，为检修人员提供针对性的维修建议。应用本文系统不仅能提高船舶维修效率和质量，还能预防潜在故障的发生，降低船舶运行风险，为舰队的长期稳定运行提供重要保障。