0 引　言

船载运动监测决策系统^[1]是船舶智能化的一项重要技术，同时也是结合信息化技术、大数据基础的一个综合系统，其主要目的是提高船舶及海洋平台在运营中的安全性，并且提高作业效率及经济性。不同于船舶上现有的控制监测系统，例如综合桥楼控制系统（Integrated Bridge System，IBS），运动监测系统更注重于通过收集船舶及海洋平台的姿态位置变化，结合相关的数据处理技术和算法，起到指导作业和辅助决策的作用，其核心功能在于收集和分析海量的船舶运行数据，如船舶的实时位置、航行速度、运动数据、以及周边气候和海洋环境条件，并且通过这些数据，提供船舶当前状态的全面信息，给出未来运动趋势和潜在风险。

船载运动监测决策系统是影响船舶安全和效率的关键因素，其可以根据船舶运行数据对多种作业任务给出参考。目前，国内尚无成熟完备的系统，在国外已有较多公司有相关产品，例如ABB公司所开发的OCTOPUS^[2]，Mocean Offshore & Siri Marine公司的MO4^[3]。以MO4系统为例，其是一个高级的海洋和气象数据分析工具，该系统能够提供船舶运动和海浪预测，并基于这些信息对船舶的航行路线和速度给出优化建议。该系统目前开发了若干场景下的应用，例如船舶运动监测、电缆铺设、航路规划、动力定位等，功能丰富，集成度较高。

在目前成熟商用的系统中，常用的方法仍是基于响应幅值算子（Response Amplitude Operators，RAO）的预报方式。这种方法虽然在一定程度上有效，但它需要预先计算船舶的附加质量系数和水动力系数，这一过程往往比较复杂且耗时，并且这一传统方法的复杂性和计算上的要求，很大程度上限制了其实际应用的灵活性和效率。而针对这一问题，可以结合深度学习算法来代替传统预报方法，进而提高预报效率和精度。利用深度学习的预报模型模型，可以直接从大量的船舶运行数据中学习和提取关键特征，从而避免了复杂的物理参数计算和长时间的数据处理过程。深度学习预报模型在处理大数据方面具有天然的优势，能够自动识别和适应各种复杂的海况和船舶动态，使得预报结果更加准确和可靠。

在船舶与海洋工程领域，运动预报是一项关键且重要的研究课题，准确的预报可以辅助工作人员进行判断与决策，并且为相关运动补偿装置提供可靠的参考和依据，对提高舰载飞行器起降安全性、舰载武器系统的射击精度以及货物转移的安全性等有重要意义。在20世纪60年代，Kaplan等^[4]提出了基于Wiener滤波器的卷积预测方法，随后Triantafyllou等^{[5 - 6]}又基于状态空间模型，在波浪特征和船舶动力特性方面取得了很好的预测效果。然而，这些基于水动力学方程所构建的物理预测模型，往往需要一些先验知识来支持模型的预测效果，例如附加质量、阻尼系数等，并且预测计算复杂度较高。为解决这一问题，通过结合统计学模型，一些学者提出了自回归模型（Auto Regression，AR）^{[7 - 8]}，构建了基于时序数据的预测模型，解决了物理模型在建模中存在的困难和不足。

近数十年来，随着计算机技术的兴起，在时序分析方法中开始使用计算机辅助进行预测模型的建立，例如基于神经网络（Neural Network，NN）的预测模型算法。神经网络模型得益于其学习能力，可以根据预测值和实际值比较，进而迭代更新各神经元的权重值，达到训练的目的。针对例如时间序列等的纯数据分析问题有很好的应用效果，其广泛应用于地质灾害监测^[9]、气候气象预报、疾病传播预测^[10]等各个领域，并且也衍生出了针对时序数据的循环神经网络（Recurrent Neural Network，RNN）模型结构以及许多变体，例如长短期记忆网络（Long Short-Term Memory，LSTM）、门控循环单元模型（Gated Recurrent Unit，GRU）等。Guo等^[11]提出一个LSTM模型，用于预测未来20～50 s半潜式平台的垂荡和纵荡运动，并且进一步通过添加噪声^[12]，将模型扩展以量化其预测时间序列的不确定性。类似地，Sun等^[13]将高斯过程回归与LSTM网络相结合来预测船舶的横摇和纵摇变化情况。此外，Zhang等^[14]提出一种基于多尺度注意力机制的LSTM方法，该方法首先对运动信号进行小波分解，然后通过注意机制得到各尺度上的权重。

本文提出的基于深度学习的船载运动监测决策系统，通过软硬件架构规划，实现了系统对船舶运动姿态与周围环境的基本感知，进一步地通过基于模型试验数据的预训练模型，对实船运动进行预报，结果表明在未来50 s左右的时间长度内均有较好的表现。

1 实船系统架构

本文提出的船载监测决策系统，目前已经在中远海运特运（COSCO Special Shipping）公司的3艘纸浆船上进行了初步的安装及应用，系统在船舶姿态监测及推算预报方面都取得了较好的效果。本节将围绕系统的软硬件架构2个方面对船载监测决策系统进行详细阐述。

1.1 硬件架构

系统涉及到的硬件设备主要包括：4组姿态传感器（每组包括2个三轴加速度传感器、1个双轴倾角传感器）；1台X波段波浪雷达；1台综合气象站；若干应变片；若干摄像头；1组控制中心。系统的硬件连接图如图1所示，不同硬件根据其通信协议通过线缆连接至数据接收和处理设备，并最终通过主交换机连接至总控主机进行统一的显示和控制。

图2是各设备的安装位置示意图，姿态传感器、应变片、摄像头安装在船舱等位置，气象站与X波段波浪雷达安装在驾驶台上方平台，控制站集成了各控制主机并放置于驾驶台海图区。总控主机融合了实船架构中各部分的硬件系统，使得用户可以在总控主机上对各采集设备和硬件进行调试和查看。

其中，姿态监测系统是本监测系统的重要组成部分，其共涉及4组传感器，每组包括2个三轴加速度传感器、1个双轴倾角传感器，布置于船底船中管廊内布置前后，以及两舷侧空仓内。所有传感器通过电缆进行供电并将数据接入到数据采集系统，数据采集系统读取采集到的数据，并在计算机（采集软件）上进行报警显示和保存处理。姿态监测系统采用了冗余布置，即在每组传感器中均有2个加速度传感器互为备份，并且在各组中的倾角传感器也可以确保倾角数据的一致有效。这样的布置方式最大程度上保证了每个安装测量点均有准确可靠的传感器数据，并且通过加速度的推算方法也可以对整体加速度数据进行融合，进一步提高整体系统的可靠性。

1.2 软件架构

系统整体可以分为前端界面、数据处理算法以及存储数据库3部分，系统的软件架构图如图3所示。所有的传感器数据以及相应的设置数据会通过网口与总控主机相连接，并且通过处理后的数据将实时呈现在显示器上，并同时在本地和云端进行存储和备份。

这里重点介绍数据处理算法，主要包括数据有效性检测、数据融合、稳心处加速度计算、任一点加速度计算等，如图4所示。

在得到船舶各处的线加速度和倾角变化数据基础上，通过数据采集系统将传感器原始数据输入到数据处理算法中，另外还有若干设置参数可以根据实际数据特征和范围进行设定，例如数据有效范围、滤波阶数等。

传感器数据首先经过数据有效性检测，以确保实际监测数据可靠有效，主要包括范围监测、方差监测和坏点检测3部分。范围监测的主要功能是对输入的数据进行范围检测，即根据事先设定的范围区间，判断源数据是否落在当前区间。方差检测模块的主要功能是对输入数据的方差进行检测，判断源数据的方差是否落在当前区间。坏点检测模块的主要功能是对输入数据的坏点进行检测，判断源数据是否有超出正常范围内的数据点，通常采用$3-\sigma$准测判断。

通过数据有效性检测的传感器数据，会进行进一步数据处理，例如对数据进行滤波处理，可以剔除由环境噪声和系统误差导致的高频干扰成分，对倾角数据进行数值微分，以获得角速度和角加速度数据，这将有助于进一步计算其他点位的线加速度。除此以外，根据提到的硬件冗余布置，在传感器数据进行后续计算时，还将进行数据的融合处理，将不同传感器获得的同一数据进行融合，以消除不同传感器所带来的测量误差，并且在最终的加速度推算中也将运用融合算法来获得更加准确的计算值。

将处理好的各点线加速度数据和倾角及角速度、角加速度数据进一步计算，推算得到中心处的线加速度作为全船线加速度，并且根据这一计算值可以计算得到全船其他各点位置处的加速度值。

最终，以上计算值，以及由传感器得到的数据均存储至数据库，并同步上传至云端进行备份存储。

2 运动推算预报结果分析 2.1 研究对象

根据实船系统中得到的加速度、倾角数据进行加速度的推算和预报。其中，选取的实船研究对象为中远海运特运（COSCO Special Shipping）纸浆船的一次航程数据，由中国青岛驶往南非德班，历时20余天，跨越多处海域。

图5为船舶航行过程中的吃水和航速变化统计曲线，可以与加速度、倾角数据进行比对。

在以下的对比实验中，分别选取船舶航行过程中的若干段数据，包括船舶航行、靠港等航行状态，每段数据包括8个线加速度传感器XYZ三向数据及4个倾角传感器XY两向数据，长度为360000数据点，合计10 h，采样频率为10 Hz。

传感器共分为4组，每组包括2个线加速度传感器和1个倾角传感器，分别安装在船舶两舷、驾驶台和船底机舱，布置位置坐标如表1所示，其中坐标轴X船首为正，Y左舷为正，Z向上为正，原点为船中水线面处。

2.2 加速度推算

以表1中4号位置右舷空仓处作为参考点，通过另外3处的加速度来推算全船加速度，并以此计算得到右舷处的加速度，再与右舷处设置的传感器数据进行比对。

1）船舶停泊状态

此处选取了一段船舶停泊期间的数据，时间段为（2023/1/17 10:00~20:00），并对实际值和推算值进行了比较，并计算了时间段内二者的统计值。

图6～图8为船舶在靠港停泊状态下，XYZ三个方向的运动计算值与观测值的对比分析。通过对比图可以观察到，在船舶停泊状态时，各方向的运动幅度相对较小，且XYZ三个方向的加速度值趋近于0。在停泊期间，计算值和观测值总体上显示出一致性，且在变化周期和波动范围上有相似性，但推算值展示了更高的稳定性。这种差异主要是由于实测数据在监测过程中受到噪声的干扰，计算过程中应用滤波方法消除了部分噪声信号所致。

表2记录了同一时期内观测值和计算值的相关统计数据，包括最大最小值、均值、标准差下四分位数、中位数以及上四分位数。表中的统计数据同样验证了2组数据整体上的一致性，而计算值的波动性较小。

上述4号位置右舷空仓处的加速度实测值与推算值对比可以证明，文章提出的加速度推算方法准确有效，对实际船舶运动变化情况可以由前文提及的软硬件架构计算推导得出。重心推算值曲线变化情况与其他传感器实测数据基本一致，整体数值较小，波动性一般。

2）船舶航行状态

此处选取了一段船舶航行期间的数据，时间段为（2023/1/21 10:00~20:00），并对实际值和推算值进行了比较，并计算了时间段内二者的统计值。

由图9～图11的运动实测值可以看到，与停泊状态很明显的区别是，在航行状态下船舶的运动数据波动情况较为明显。通过实测值和推算值的对比，Y方向的推算值基本与实测值相同，而X方向相对较小，但波动趋势几乎一致，Z方向的推算值则偏大一些。表3同样是二者在这一时间段内的统计值，其中X与Y方向的统计值较为接近，而Z方向的推算值比实测值的数据范围更大，方差也更大一些，这与图中反应的结论一致。

在船舶航行期间，计算后的船舶重心推算值曲线说明，X方向的线加速度较小，Z方向次之，Y方向相对更大，且波动趋势明显。这与船舶的运动状态基本一致，船舶在航行过程中，由于长期处于经济航速下，沿船长方向的加速度通常较为平稳，而在沿船舷和型深方向存在船舶摇荡运动的加速度分量，因此加速度值偏大且呈现出一定的周期性。

2.3 加速度预报

本文提出的船载监测决策系统中，还采用基于机器学习构建的运动预报模型对船舶运动进行预报。首先，通过上海交通大学海洋工程国家重点实验室的模型试验数据进行预训练，得到一个基于实验室数据的预训练模型。在预训练模型中使用垂荡运动和波浪数据作为输入，由于垂荡运动主要由波浪诱导，因此通过引入波浪信息有利于进行平台运动的预报。其次，根据两段停泊、航行状态的实船运动数据，对预训练模型进行权重微调，其中预报的输入使用滤波值代替实际值，可以剔除高频噪声信号对预报带来的影响，最终得到一个适用于特定船型、特定航线的预报模型。

由于在实船数据中只有船舶三向加速度及角度数据，因此在微调模型时仅加载CNN后续网络的参数，对于CNN层需要重新训练。此外，由于预训练模型均在模型尺度上进行训练，与实船尺度在时间和大小上存在一定的换算关系，而对于数据大小方面，训练中均采用归一化方法进行数据预处理，因此仅在时间尺度上进行一定的换算。按照缩尺比为60为参考，因此在时间上重采样为原先的$1/\sqrt{60}$，即原本为10 Hz的采样频率，重采样约为1.42 Hz。

在加速度预报中，以输入180个数据点，输出60个数据点为标准，采用滑动窗口方式进行预报，按照采样频率换算约为：输入长度约为126 s，输出长度约为42 s。预报分析数据选取的时间段为：船舶停泊状态（2023/1/17 10:00~20:00）及船舶航行状态（2023/1/21 10:00~20:00），每段共计10个小时的数据，随机地分为训练集（6 h）、验证集（2 h）和测试集（2 h）。以下的预报结果展示均为模型在测试集上的结果，测试集不参与模型的训练，可以模拟预报系统应对实际运动预测时的表现。

1）船舶停泊状态

船舶靠港停泊状态下，整体的运动幅值较小接近于0，通过预报得到的加速度也同样较小，符合实际情况。图12～图14为船舶停泊状态下对右舷位置处的三向线加速度预报曲线，图中的滤波值和预报值较为接近，但整体上预报值偏大，可以一定程度上增加安全裕量。另外，三向预报曲线中均出现了一些预报值较大的区域，为预报模型产生一定的过拟合造成的结果，但考虑到总体预报值均较小，因此不会对加速度判断造成错误影响。

表4为船舶停泊状态下滤波值和预报值的统计表。可知，XYZ三向的线加速度均值的绝对误差都在0.01 m/s²以下，标准差的绝对误差在( 0.003, 0.01 ) m/s²区间内，整体预报值与滤波值较为接近。但在最大值、最小值方面，预报值相较于滤波值更大，预报值展现出更大的线加速度变化范围，这也有助于及时发现船舶异常变化的加速度数据。

2） 船舶航行状态

如前文所述，船舶在航行状态下X方向的线加速度较小，而YZ方向的线加速度较大，在进行加速度预报时，预报值很好展现了这样的不同，如图15～图17所示。在X方向上，由于整体加速度数值较小，在幅值的预测方面并不准确，但可以发现其在小周期的波动上有较好的符合。而在YZ方向上，由于其本身的运动周期性较为明显，幅值较大，预报值能够较为准确地预测出加速度的变化情况。另外，在加速度变化较大的区域预报仍有所不足，如图16左下图和图17右上图，当加速度发生变化时，预报值的变化会有所滞后，可以通过进一步修改预报模型参数，或是增加如双向LSTM结构等方式来提升模型预报效果。

表5为船舶航行状态下的预报统计表，与停泊状态下相比，其各项统计值的误差均表现更好，并且从图中也可以发现基本不存在过拟合现象。这一结果表明，本文提出的加速度数据处理算法和预报模型针对船舶停泊和航行状态，均有较好的表现，并且实现了由实验室数据预训练到实船预报的应用。

3 结　语

本文提出一种基于机器学习预报模型的船载监测决策系统，并在实船上进行了安装和验证，结果显示出了良好的预期效果。本文阐述了船载监测决策系统的软硬件架构，通过一系列的传感器，例如风速仪、波浪雷达、应力应变片、线加速度传感器和倾角传感器等，完整构建了对船舶姿态变化和海洋环境的感知。进一步地，通过特定的数据处理方法和推导算法，将传感器数据进行修正和融合，得到了船舶重心处的加速度变化情况，并以此为基础进一步地推算出船舶其他位置处加速度数据，与实际传感器数据进行比对分析，推算结果与实测值符合较好，验证了推算方法的正确性。另外，通过基于模型试验数据的预训练模型对实船运动进行预报，预报结果在船舶停泊和航行状态下均有较好的准确性，进一步地拓展了机器学习在船舶预报方面的应用。

通过分析可以得到以下结论：

1）本文提出的船载监测决策系统，功能完备、集成度高，兼具气象数据测量、船舶姿态测量、应力监测等多类功能，并且包括了数据采集、数据处理、数据预报扩展等流程在内的一系列船舶数字化处理的步骤，是一个全流程、多功能的一体化系统。

2）本文提出的船载监测决策系统，在软硬件架构上充分考虑容灾情形，对核心运动监测设备（线加速度传感器、倾角传感器）采用冗余布置，在单点监测失效的情形下仍能提供准确的姿态监测数据。并且，在数据处理方面对冗余布置进行特殊处理，通过数据融合算法进一步提高数据的准确性，并定期对监测数据上传云端进行备份。

3）本文提出的船载监测决策系统，通过加速度推算算法，并且结合机器学习预报模型，通过选取船舶停泊和航行两段状态下的数据，对船舶运动进行推算和预报，结果表明该数据处理和推算预报方法正确且有效。

目前，该船载监测决策系统已经在中远海运公司的3艘纸浆船上进行了安装应用，系统在船舶姿态监测及运动推算预报方面都取得了较好的效果。未来将关注于2个方面的提升：一是提高模型能力，通过运动监测获取数据，并在此基础上定期进行模型参数训练和更新；二是扩展系统功能，结合波浪雷达等硬件设备，构建基于波浪场、海洋环境的多模态机器学习预报模型，进一步提高模型精度和准确性。