0 引　言

船舶设计理念的更新和技术的不断进步，低能耗船舶逐渐成为航运业的新宠，其研发与应用已成为航运业可持续发展的重要方向之一^[1]。在船舶的众多耗能系统中，高频电路系统作为船舶通信、导航、雷达等关键设备的核心，其运行状态对船舶安全性产生直接影响。然而，高频电路系统在运行过程中容易受到电磁干扰、温度变化、元器件老化等因素影响，从而导致系统性能下降或出现故障。因此，开发一种低能耗船舶用高频电路运行状态自动监测方法，对于提高船舶的航行安全具有重要意义。

Akbar等^[2]获取电路运行状态的图像数据，将训练好的卷积神经网络模型部署到实际的电路运行状态监测工作中。该方法的实际性能高度依赖于训练数据的质量和数量。如果训练数据不足或存在偏差，模型可能无法准确监测电路的运行状态。程逍等^[3]提出基于量测数据贝叶斯概率矩阵分解的电路运行状态监测方法，安装传感器以收集电路运行参数，使用贝叶斯方法构建概率模型，该模型能够表示电路的运行状态和潜在的故障模式；应用矩阵分解技术分析量测数据，使用贝叶斯概率模型和矩阵分解的结果来监测电路的运行状态。贝叶斯概率模型和矩阵分解可能涉及复杂的计算，需要高性能的计算资源。张超凡等^[4]针对电路运行状态监测问题，提出基于漏电流多频率特征的监测方法，将电流传感器安装在电源输入端或关键绝缘点附近，测量电路中的漏电流；向电路注入一系列不同频率的测试信号，在每个频率下，测量漏电流的大小和相位，分析漏电流随频率变化的特性，使用机器学习算法对提取的特征进行分析，识别任何异常或趋势。该方法实际应用过程中电力信号传输时消耗大量能源，由此导致监测成本提高。魏东辉等^[5]提出了一种基于多源信息融合与联合卡尔曼滤波算法的船舶电气设备状态识别方法，通过时间序列模型修正历史数据异常，训练谱聚类和深度神经网络模型，实现电气设备状态的精准识别。卡尔曼滤波是递推进行的，误差会逐渐累积，导致融合后的数据无法真实反映电气设备的实际状态，进而影响后续状态识别模型的训练和识别效果。

针对上述文献中存在的问题，提出低能耗船舶用高频电路运行状态自动监测方法，降低高频电力运行状态数据传输过程中的能耗，通过神经网络算法实现高频电路运行状态自动监测。

1 高频电路运行状态自动监测方法 1.1 高频电路运行状态监测架构构建

监测系统的稳定性和可靠性直接关系到船舶的安全运行。需要确保监测系统在恶劣海况和复杂电磁环境下的稳定运行，以及数据的连续性和准确性。监测架构有助于提升船舶的安全管理水平，通过实时监测和数据分析，预测船舶在特定工况下的性能表现，为安全航行提供决策依据。基于此，设计低能耗船舶用高频电路运行状态自动监测方法架构，如图1所示。

低能耗船舶用高频电路运行状态自动监测方法整体分为4个部分，各部分的主要内容描述如下：

1）传感器选择与部署。根据船舶环境的特殊性（如高湿度、高盐分、强电磁干扰等），选择具有高短路能力、抗电磁干扰、防潮防尘等特性的温度传感器、电压传感器、电流传感器。在高频电路系统的关键位置部署传感器，以实时获取船舶用高频电路的运行状态数据。

2）高频电路运行状态信号采集与传输。采集各传感器输出的模拟信号并转换为数字信号。采用低能耗的无线通信技术（ZigBee技术）将数字信号传输至数据处理中心，以减少能耗和布线复杂度。

3）高频电路运行状态数据处理与分析。利用双向LSTM网络构建低能耗船舶用高频电路运行状态自动监测模型，利用该模型对采集到的船舶用高频电路运行状态数据实时处理与分析，通过非线性映射等过程，提取高频电路工作状态的特征。根据提取的特征，判断高频电路系统的工作状态是否正常，并预测可能出现的故障。

4）监测结果输出与反馈。将监测结果以可视化的形式展示给操作人员，如仪表盘、图形界面等。对于异常情况，及时发出预警信号，并给出相应的处理建议。通过反馈机制提高监测的准确性和可靠性。

1.2 高频电路运行数据采集

高频电路的运行稳定性是衡量其在不同海洋环境条件下运行性能的关键指标，具体体现在电压、电流及电阻等关键运行参数的稳定性上。这些参数不仅是评估高频电路健康状态的重要依据，也是确保船舶电子系统正常运作的基础。然而，高频电路在高效运作的同时，会伴随产生显著的电磁辐射。在船舶的电磁环境中，这种辐射可能与其他电子设备相互干扰，影响高频电路运行数据的精确性和可信度。通过采集电路运行状态数据，可以实时监控电路的工作状态，及时发现潜在故障，并采取相应的预防措施，避免故障扩大对船舶运行造成影响。

传感器布设完成后即可采集船舶用高频电路运行状态数据。所采集数据在传输过程中，以降低传输能耗为目的，通过节点能量感知与最小路径能耗等方法优化ZigBee树路由算法^[6]。在标准ZigBee树路由算法基础上，设定传感器路由发现与维护路径选择的标准为路径损耗，由此可通过式(1)描述船舶用高频电路运行状态数据传输过程中，组成数据传输路径的各链路的整体损耗：

$ {C_P} = \sum\limits_{i = 1}^{L - 1} {C\left\{ {{D_i},{D_{i + 1}}} \right\}} 。$

(1)

式中：$ L $和$ C\left\{ {{D_i},{D_{i + 1}}} \right\} $分别为传感器链路长度和由传感器节点$ {D_i} $至$ {D_{i + 1}} $的链路损耗。以$ {W_P} $表示传感器路径P的累积能耗，则：

$ {W_P} = Wn。$

(2)

式中：$ W $和$ n $分别为低能耗船舶用高频电路运行状态数据帧在链路上转发的能耗和路径数量。由此能够确定以能量感知为基础的树路由最优路径构建的必要条件，如下式所示：

$ \left\{ \begin{gathered} {C_P} \leqslant {C_Q} \\ {W_P} \leqslant {W_Q} \\ \end{gathered} \right. \Rightarrow \left\{ \begin{gathered} \sum\limits_{i = 1}^{L - 1} {{\text{round}}\left( {A_i^{ - 4}} \right)} \leqslant \sum\limits_{j = 1}^Q {{\text{round}}\left( {A_j^{ - 4}} \right)}，\\ nP \leqslant nQ 。\\ \end{gathered} \right. $

(3)

式中：$ P $和$ Q $分别为由ZigBee能量均衡路由算法确定的能耗最少的路径和随机产生的路径；$ A $表示路径可用性。在实际低能耗船舶用高频电路运行状态数据传输过程中，通常无法实现最优路径，所以可经由分析路径整体损耗与能耗，结合能量均衡理论^[7]，确定整体路径损耗与能耗相较于最优路径略低的路径，构建次优路径必要条件，完成数据的采集：

$ \varepsilon = \sum\limits_{i = 1}^{L - 1} {{\text{round}}\left( {A_i^{ - 4}} \right)} + \sum\limits_{j = 1}^Q {{\text{round}}\left( {A_j^{ - 4}} \right)}。$

(4)

以降低和均衡高频电路运行状态数据传输过程中的能耗为目的，将高频电路运行状态数据传输路径选择、划分标准域的标准设定为传感器节点剩余能量。以$ {C_w} $表示能量阈值，其值可通过维持高频电路运行状态数据采集与传输的传感器节点有效运行与网络生命所需的能量确定。在$ {C_w} $值小于传感器节点能量的条件下，可将该节点划分至标准域，用于高频电路运行状态数据传输；在$ {C_w} $值大于传感器节点能量的条件下，可将该节点划分至警告域，在传感器节点传输数据过程中需排除该节点。

1.3 基于双向LSTM网络的运行状态监测

船舶在海上航行时，会遭遇各种复杂多变的海洋环境，如风浪、海流、潮汐等。这些环境因素可能对电路的运行状态产生干扰。双向LSTM网络能够同时考虑序列的前向和后向信息，从而更全面地理解数据的上下文关系。这种特性使得它在复杂多变的运行环境中处理高频电路运行状态数据时，能够准确地捕捉电路的动态变化，保持稳定的监测性能。因此，采用双向LSTM网络构建低能耗船舶用高频电路运行状态监测模型^[8]，将传感器采集、传输的高频电路运行状态数据作为模型输入，通过训练输出低能耗船舶用高频电路运行状态监测结果。监测模型的输入层中，对所采集的高频电路运行状态数据实施归一化处理，以$ {X_t} = \left[ {{x_0},{x_1}, \cdots ,{x_i}} \right] $表示不同时刻下高频电路运行状态数据样本形式。以$ {C_t} $和$ {h_t} $分别表示隐含层当前时刻细胞单元与输出，$ {i_t} $和$ {f_t} $分别表示当前时刻输入门与遗忘门。$ {i_t} $和$ {f_t} $的主要功能为基于$ {X_t} $和$ {h_{t - 1}} $确定前一时刻细胞单元$ {C_{t - 1}} $内不同高频电路运行状态特征权重，$ {i_t} $和$ {f_t} $均为向量，不同元素值取值范围为$ \left[ {0,1} \right] $，其值为1表示对应的高频电路运行状态特征在计算中被全部保留，为0时则表示被舍弃。利用式(5)～式(10)描述不同变量间的相关性。

$ {C_t} = {f_t}{C_{t - 1}} + {i_t}{\overline C_t}，$

(5)

$ {f_t} = \sigma \left( {{W_f}\left[ {{h_{t - 1}},{X_t}} \right] + {b_f}} \right) ，$

(6)

$ {i_t} = \sigma \left( {{W_I}\left[ {{h_{t - 1}},{X_t}} \right] + {b_I}} \right) ，$

(7)

$ {\bar C_t} = \tan \left( {{W_C}\left[ {{h_{t - 1}},{X_t}} \right] + {b_C}} \right)，$

(8)

$ {o_t} = \sigma \left( {{W_o}\left[ {{h_{t - 1}},{X_t}} \right] + {b_o}} \right)，$

(9)

$ {h_t} = {o_t} \cdot \varepsilon \tanh \left( {{C_t}} \right)。$

(10)

式中：$ \sigma $和$ {W_f} $、$ {b_f} $、$ {W_I} $、$ {b_I} $、$ {W_C} $、$ {b_C} $、$ {W_o} $、$ {b_o} $分别为激活函数和模型内待训练参数；$ {\overline C_t} $和$ {o_t} $分别为依照$ {X_t} $与的和后利用激活函数所得数值和输出门的中间计算结果；$ {h_t} $为当前时刻的最终输出，即高频电路运行状态监测结果。监测模型输出层中利用Softmax函数确保高频电路监测结果的归一性，计算公式描述如下：

$ {\hat y_k} = {o_t}\frac{{\exp \left( {{a_k}} \right)}}{{\displaystyle\sum\limits_{b = 0}^i {\exp \left( {{a_b}} \right)} }} 。$

(11)

式中：$ {\hat y_k} $表示监测模型输出的归一化结果，即高频电路运行状态监测结果；$ {a_k} $和$ {a_b} $分别表示第$ k $个输出单元的输出值和不同输出单元的输出值。

2 测试结果

为验证本文方法的实际应用性能，以某船舶所使用的高频电路为研究对象，采用本文方法对其运行状态进行自动检测实验，研究对象运行状态自动监测过程中所使用的各类传感器相关信息如表1所示。

2.1 传感器监测效果分析

以分析本文方法所使用的各类传感器的实际应用性为目的，设定表1所示的3类传感器在测试过程中的应用环境为：压力和温度分别为96.0 kPa和16℃，在该应用环境下，统计3类传感器的调制域，结果如图2所示。

分析可知，采用本文方法对研究对象进行监测过程中，在所设定应用环境下，3类传感器的零偏稳定性控制在0.05%左右。这一结果说明本文方法实际监测过程中，各类传感器具有较高的稳定性，也在一定程度上说明采用本文方法可以准确采集研究对象运行状态信息，为有效监测研究对象运行状态提供坚实基础。

2.2 能耗分析

当船舶在不同状态下运行时，本文方法应用前后进行信息传输过程中，能耗的变化情况如图3所示。

当船舶处于正常航行状态下，船舶通常沿着预定航线以稳定的速度前进，此时的信息传输主要集中在基本的航行数据（如位置、速度、航向）的定期更新，以及与岸基或其他船舶的必要通信。因此，需要传输的节点数量相对较少，主要集中在航行控制系统、通信系统以及关键传感器节点上。在机动航行状态下，如加速、减速、转向等操作，船舶需要更频繁地交换航行信息和控制指令，以确保航行的安全性和准确性。此时，除了基本的航行数据外，还需要实时传输船舶的动态状态（如加速度、转向角度）、周围环境的感知数据（如雷达、声呐探测结果）以及与其他船舶的协调通信信息。因此，需要传输的节点数量会显著增加，包括更多的传感器节点、控制系统节点以及通信节点。在全速前进的情况下，船舶上安装的各种传感器会不断收集周围环境的信息，如障碍物位置、水深、风速、风向等。这些传感器节点的数据传输量也会增加，这些节点需要实时传输动力系统的状态信息（如发动机转速、功率输出、温度、压力等），以确保动力系统在全速运行时保持稳定和高效。在停泊或锚泊状态下，船舶处于静止或低速移动状态，此时的信息传输需求相对较低。主要集中在环境监测（如风向、潮汐变化）、安全警戒（如防海盗、防碰撞）以及与岸基或港口管理部门的必要通信上。虽然需要传输的节点数量相对较少，但确保这些关键节点的稳定传输仍然非常重要。分析图3可知，船舶在不同的运行状态下，研究对象运行状态信息传输过程中的能耗呈现出不同的趋势。但本文方法通过节点能量感知与最小路径能耗等方法优化ZigBee树路由算法后，信息传输所消耗的能耗与优化前相比呈现显著下降，下降幅度达到50%左右，由此说明利用本文方法所提出的路由优化算法能够有效降低信息传输能耗，符合低能耗需求。

2.3 运行故障自动化监测结果

表2所示为本文方法监测所得研究对象运行状态。

分析可知，采用本文方法能够有效获取研究对象的运行状态监测结果。为进一步验证本文方法的准确率，设定研究对象包含正常运行与7类异常运行状态，分别以Y₀～Y₇表示。采集研究对象运行状态数据，采用本文方法进行监测，通过混淆矩阵形式呈现本文方法监测性能，结果如图4所示。

分析可得，采用本文方法对研究对象不同类型的运行状态进行监测均能够获取较高的监测准确率，整体准确率达到96%左右。

3 结　语

本文研究低能耗船舶用高频电路运行状态自动监测方法，基于节点能量感知与最小路径能耗等方法优化ZigBee树路由算法，降低监测数据传输能耗，通过双向LSTM网络输出监测结果。实验结果充分体现本文方法的优势性能。后续将通过不断优化和调整监测方法的参数和算法结构提升算法性能，为船舶的安全运行提供有力保障。