0 引　言

随着船舶行业的快速发展，高效的运维服务成为提升用户体验和保障船舶安全的关键^[1]。船舶云数据运维系统通过集成先进的云计算、物联网技术和数据分析^[2]，不仅能实现船舶状态的实时监控，还能提供预测性维护，极大提高了运维效率和安全性^[3]。本文将探讨这一系统的设计及实现，分析其在实际运维中的应用效果和潜在价值。

1 船舶云数据运维系统总述

在当前技术快速发展的背景下，船舶云数据运维系统应运而生^[4]，以满足现代船舶运维需求的复杂性和数据密集型特点^[5]。

本系统（见图1）集成了云计算、大数据分析和物联网技术，实现了数据的实时采集、存储与分析，强化了数据安全防护措施，保证信息的安全性和隐私性。系统支持远程监控和预测性维护，优化了运维流程，提高了运维效率，减少了运维成本。此外，系统的模块化设计和用户友好的交互界面，使得运维人员能轻松管理和操作，极大提升了用户体验和系统的可用性。

2 云运维系统架构设计 2.1 架构总体概要

我国运维管理系统经历了电子表格、信息管理系统、Web应用等阶段。电子表格处理大数据缓慢且不稳定，安全性和扩展性差，难以满足复杂业务^[6]。信息管理系统复杂，用户需长时间学习，维护更新成本高。Web应用虽有改进，但仍存兼容、隐私、用户体验等问题。云数据运维系统更高效便捷，能解决上述难题，其架构图如图2所示。

云数据运维系统是以云计算技术为核心。云计算是一种基于互联网的计算模型，具有大规模、高可扩展性、高可靠性、虚拟化、按需服务、低价格等特点，它利用虚拟化技术，将计算、存储、数据、网络等资源统一管理和分配。因此，用户可以直接通过网络访问和使用这些资源，利用云平台强大的计算能力，实现运行数据的存储、管理、分享和远程运维。

2.2 数据传输与安全

考虑到数据传输的安全性要求，选择合适的通信协议是确保系统可靠性和效率的关键因素，通信架构如图3所示。

2.2.1 船端内部数据传输

传感器到船舶内部计算机的数据传输过程是一个复杂而精细的系统工程，涉及数据采集、预处理、传输、接收与处理以及存储与分析等多个环节。这些环节共同构成了船舶导航与监控系统的重要组成部分，为船舶的安全航行和高效运营提供有力保障。

传感器作为数据采集的起点。用于测量船舶的各种状态和环境参数，包括流量、压力、浓度、能耗、振动、温度、湿度、风速等多种参数。在数据传输之前，对采集到的数据进行预处理。然后将预处理后的数据将通过特定的通信协议和接口传输到船舶内部计算机。内部计算机根据预设的算法和逻辑，对实时数据进行处理，以支持船舶的导航、监控和决策等功能。处理后的数据将被存储在船舶的数据库中，供后续的历史数据分析和决策支持使用。

对于船舶本地的通讯，采用RS-485总线接口进行各设备的信息收集，然后通过采用NRZI编码的100Base-TX以太局域网实现与船舶本地数据中心的数据交换。这种方式能够支持复杂的本地环境和不同网络设备间的稳定数据传输，保证数据传输和处理的实时性。

2.2.2 船端与云端双向数据传输

在船舶与云端以及云端与客户端间的通讯中，主要运用4G/5G通讯系统，采用TCP/IP协议实现与云端的数据交换，并采用基于TCP/IP的HTTPS协议为数据传输提供加密保护，确保运维数据的安全性，防止敏感信息在传输过程中被截取或篡改。同时，考虑到船舶位置的信号问题，还采用了适用于带宽较低、网络不稳定的远程海上通信环境的MQTT协议进行备份传输关键信息，以确保核心数据有效传递。

此外，云运维中的数据处理与存储还依赖于高效的数据同步技术。利用SOA架构，通过Web服务对云计算资源进行封装和管理，实现数据的高效处理和存取。系统还引入了先进的TLS/SSL加密技术和身份验证机制，以增强数据传输过程中的安全保护。该技术可以在数据传输层添加加密保护，防止未授权访问和数据泄露。

2.3 数据库的设计

数据库设计（见图4）是构建云平台架构中重要的一环，它直接影响到数据的管理、性能和可用性。船舶上通常配有雷达、探测仪、AIS、GPS和传感器等多种设备，这些设备返回的数据具有实时性强、变化快、量多、需要频繁进行历史数据分析等特点^[7]。因此，这些数据应以时间序列进行存储，数据库具备高效的存储和检索功能，并支持复杂多样的数据分析。

针对以上分析，选择能高效处理时间序列数据的数据库引擎，如LTSD、InfluxDB、TimescaleDB等。这些数据库引擎具有优秀的时间序列数据存储和查询性能，高效读取、高效写入，可多维时间线查询，查询结果以可视化的图表展现，支持各类时序数据计算，便于对历史数据的清理和归档，释放存储空间，提高效率。

针对本系统所需数据库服务器性能要求，采用业界通用的基于TPC-C的经验公式进行计算，计算式为：

$\mathrm{t}\mathrm{p}\mathrm{m}\mathrm{C}=\frac{\mathrm{T}\mathrm{A}\mathrm{S}\mathrm{K}\times Ct\times S\times F}{T\times (1-C)}。$

式中：TASK为每日业务统计峰值交易量，根据经验估算系统日均业务处理量为6300，平均每次访问对应数据库事务数按20计算，遇突发事件时高峰交易量可达平均交易量的10倍，则TASK =6300×20×10=1260000；Ct为交易日集中期内交易量比例，假设每日80%交易量集中在工作时间8 h内完成；T为每日峰值交易时间，取8 h;S为实际业务交易操作相对于TPC-C测试基准环境交易的复杂程度比例，复杂操作权值取100，一般操作权值取10，简单操作值取1，根据操作次数估算，S = 41.2%×100+58.2%×10≈ 47.02；C为主机CPU处理余量，取C=40%；F为系统未来5年的业务量发展冗余预留。业务年平均增长率按10%估算，F=（1+10%）×5 ≈1.6。

根据估算值，则本系统所需tpmC值为：

${\begin{split} \mathrm{t}\mathrm{p}\mathrm{m}\mathrm{C}&=\frac{\mathrm{T}\mathrm{A}\mathrm{S}\mathrm{K}\times Ct\times S\times F}{T\times (1-C)}，\\ &=\frac{1260000\times 80{\text%}\times 47.02\times 1.6}{480\times （1-40{\text%}）}\approx 263312 。\end{split}}$

因此，数据库服务器处理能力应不低于为27×10⁴ tpmC。

2.3.1 保存及实时查看视频

船舶远程运维工具中的实时监控功能通过安装在船舶上的RTD、BMS等多种传感器实现，这些传感器能够监测和记录航向、航速、电量等船舶关键参数^[8]。这些数据通过船载网络系统实时收集，并通过蜂窝或卫星通信技术传输到云服务器。

此外，系统还具备告警功能，当监测到关键参数异常时，系统会自动触发警报，通知维护人员及时响应，从而实现对船舶状态的实时远程监控和维护。

2.3.2 保存历史运行数据

为了有效支持船舶的运维决策和故障诊断，系统必须具备可靠的历史数据保存机制。这一机制不仅可以存储实时监测数据，还应能管理和查询历史记录，以便进行数据分析和趋势预测。船舶历史运行数据类别见表1。

系统通过传感器和监控设备等定期采集船舶的运行数据，包括发动机状态、航速、油耗、天气条件等，并按照预定的时间间隔进行采集和确保采集的完整性和准确性。

为方便从历史数据中提取有价值的信息，系统集成数据分析工具，可视化界面展示历史数据的趋势和模式，便于用户理解和解读数据。

3 基于神经网络的远程预防性运维策略 3.1 监测模块

在云端，利用大数据和物联网技术对接收到的数据进行处理和分析，确保数据的实时更新和准确性^[9]。通过云平台，运维人员可以通过不同客户端实时查看船舶的运行总体情况、电池系统状态、主要系统的运行情况以及安全与环保状态等关键指标的实时更新，当监测到某个关键指标超出预设的阈值时，系统会自动标记为异常。当某一指标在短期内多次出现异常，系统会发出预警，提醒运维人员进行深入检查。

3.2 诊断模块

在监测阶段发现异常后，需要对这些异常进行深入诊断，定位到具体问题^[7]。系统利用深度学习算法对收集到的历史运行数据和实时数据进行分析，从而精准定位问题所在。

本系统采用残差网络模型（见图5）进行故障的诊断与分析^[10]。残差网络模型具有良好的自适应学习能力，能够自动学习数据中的重要特征，对于各种不同类型的故障具有良好的适应性。它可以处理复杂的数据模式，提供更高的诊断准确率。同时，其可以灵活地进行特征融合和抑制过拟合现象，故可以有效应用于故障诊断领域。

通过构建多残差网络模型，系统能够识别出潜在的故障模式，并根据其特征与正常状态进行对比。

此外，系统会生成详细的故障报告，包括故障类型、位置、可能的原因以及建议的维修措施。运维人员可以通过云平台实时访问这些报告，从而制定针对性的维护策略，减少停机时间和维修成本。

3.2.1 模型训练

在模型训练前，首先对原始测试数据进行提取，预处理和去噪操作。数据集来源于某船电动机组行星齿轮的历史故障信息采集。该数据集包含2种转速-负载情况下的5种不同工况：1种健康状况的数据与4种故障状态下的数据。

在数据切片步骤中，步长小于切片长度能增大训练样本从而最为有效的使用数据集。但这种切片方式会导致相邻切片具有较强的数据相关性，因此在模型训练时，需要将训练集、验证集和测试集的数据进行随机重排。在该环节中，首先建立了3个索引列表index、index1和index2，将训练集、验证集和测试集的样本从0到样本数-1进行索引，然后使用随机种子语句random.seed(1)对列表中的元素进行随机打乱顺序，然后将打乱顺序的样本重新排列（见图6）。由于打乱顺序的仅是样本的顺序，其相对应的标签仍保留原来的相互对应关系，故仍具有数据分析的意义。故齿轮数据集见表2。

通过对训练集、验证集和测试集进行随机重排，实现了对顺序相关性的消除处理，从而避免了模型记忆顺序，提供了更准确的模型评估。经顺序打乱处理后，模型在真实数据上具有更好的泛化能力。

模型在经过上述所有步骤后开始进行的编译、加载、评估以及保存的具体步骤、实现方法以及必要的评估指标。

在编译环节，使用梯度下降优化算法Adam为模型的优化器，用来对模型中参数的权重进行优化来使得损失函数最小化。在损失函数的选取上，采用稀疏分类交叉熵即sparse categorical crossentropy函数进行对模型预测结果和真实标签之间的差异进行衡量比较。在模型预测准确度的评估上，采用分类准确率进行性能评估。

模型训练环节主要是对模型的一些参数进行设定然后接受数据进行训练及验证，最后做好回调及保存工作。在该环节，设定每次训练样本数的批量大小batch size和训练轮数epochs。为在工作区实时显示训练进度，设立训练的进度输出，即运用verbose=1语句输出训练时的进度条信息。

每一轮训练完成后，模型将验证本次的训练结果，即运用分类结果与数据的原始标签进行比较，判断数据分类的准确度，并对模型的性能进行全程的监视。

训练结果验证后，模型运行回调函数，该函数在每个epoch结束时检查损失的大小并与前一轮参数产生的损失大小进行比较，如果当前验证损失较低，它将打印一条消息并保存模型权重，更优的权重参数将保存到文件best sign resnet.h5中进行下一轮的训练。

3.2.2 模型效果

为验证该模型效果，采用前文中的船舶电动机组行星齿轮数据集。

数据集中包含2种不同工作条件，对应电机在2种不同转速时的负载，考虑到齿轮故障形式与转速-负载组合，对应的数据类型一共有10种，故本文采用10种数据类型进行分类研究。

使用残差网络模型进行50轮训练，其诊断准确度指标图如图7～图9所示。

本次诊断结果指出，残差模型有着优异的诊断性能，诊断准确率达到了98.13%，且混淆矩阵显示该模型仅在故障4的分类上表现较为欠佳，故整体来说，残差模型达到了故障诊断的要求，符合研究的目标。

3.3 故障案例

远程运维系统监测到该船电动机组于2023年8月30日10点35分和2023年10月7日16点47分分别发生2次异常。为了识别故障原因并优化运营，首先调取视频观察，发现未发生重大事故，随后决定对该船的历史运行数据进行分析，诊断出相应问题。

如图10所示，对2次异常分别进行数据采集和预处理后，使用已建立的残差网络故障诊断模型进行故障诊断。模型输出预测结果显示，引起异常的原因为电动机组内齿轮的齿面磨损和断裂。

得到模型输出结果后，由运维人员进行实际检查，真实异常原因与模型输出结果相符合，证明了残差网络模型在故障诊断方面的有效性。

4 结　语

本文成功设计并实施一种基于云计算的船舶云数据运维系统。通过实际应用验证，该系统在提高运维效率、保障数据安全和故障诊断与分析等方面表现优异，充分满足了现代船舶运维的需求。未来，随着技术的进一步发展和用户需求的不断变化，系统将继续优化升级，以适应更加复杂的运维环境。展望未来，该系统有望推广到更多的海上运输工具中，为整个船舶行业的数字化转型提供支持^[11]。