0 引　言

轴系校中调整是船舶动力装置安装的核心工艺之一，其目标是通过测量校核参数（如轴承负荷、主机臂距差等）、制定调整方案并实施变位调整迭代进行，直至将校核参数调整到允许范围内，从而实现轴线状态的精准校中^{[1 − 3]}。制定的调整方案越准确，则校中调整效率越高，因此制定调整方案是轴系校中最为关键的环节。试凑法是依赖经验制定调整方案，对单个校核参数的校中调整较为有效，类似单变量的迭代求解，经过多次试凑可使校核参数逼近设计参数，但由于缺乏科学理论支撑其校中调整效率难以保证，且难以应对多校核参数强耦合的情况（例如多个中间轴承支撑的轴系）；物理模型驱动法^[4]是以轴系设计模型近似实际轴系结构，通过数值模拟求得设计轴系校核量与调整量的关系，以此函数作为实际轴系校中调整方案制定的理论依据，由于轴系建造工艺误差影响，实际轴系结构与轴系设计模型存在不可避免的偏差，使得该方法求得的校中调整方案不够准确。因此多校核参数强耦合的轴系校中调整时，容易陷入反复调整，导致校中调整次数多、工期长，甚至偏离校核目标要求。近年来，机器学习技术被引入船舶轴系校中领域，例如梯度提升与随机森林预测轴承偏移量的优劣^[5]、基于神经网络的变位预测^{[6 − 9]}、强化学习的负荷优化^[10]、迁移学习的跨场景数据适配^[11]和小样学习模型微调^[12]优化校中调整，但仍然面临实际场景数据稀缺、模型泛化能力不足的问题，且目前缺乏一种能集成算法、知识与数据的轴系校中智能辅助系统来提供决策指导。

针对以上问题，提出一种基于小样本学习的轴系校中调整智能辅助系统。该系统采用分层架构，通过集成迁移学习算法与轴系知识库，实现设计数据与实测数据的高效交互与特征迁移，从而准确构建实际轴系校核量与调整量之间的函数关系。系统采用模型微调、数据增强等技术，在少量实测数据下提升模型适应性，并通过Qt框架开发可视化界面，结合三维渲染引擎实时展示调整趋势，为校中调整人员提供科学辅助指导。以某单艉轴承推进装置船型为应用案例，针对校中调整的多参数耦合场景，该系统通过算法优化与辅助决策机制，有效减少调整环节的无效重复操作，为船舶动力装置数智化升级提供理论与技术参考。

1 系统设计 1.1 系统架构

整体上，系统采用“数据层-核心层-应用层”3层架构^[13]，如图1所示。

1）数据层。统一管理多源轴系项目数据，包括设计数据（轴系几何参数、仿真结果数据）、实测数据（如校核量、调整量）；通过数据库实现业务数据调用与储存，支持结构化数据融合，为轴系项目中的目标任务下模型学习提供高质量输入的轴系数据。

2）核心层。封装基于迁移学习、元学习、集成学习等小样本学习算法^[14]，构建轴系知识库实现跨场景特征迁移。

3）应用层。提供用户交互界面，集成TensorFlow引擎支持调整方案生成、实时校核与可视化展示，用户可设定校核目标范围（如臂距差≤0.02 mm）、选择与之轴系项目下适配的小样本学习算法。实现动态展示调整量、校核量与误差曲线简化操作流程，提升决策效率。

1.2 系统功能

系统功能主要包括4个核心模块，便于小样本学习知识的应用与储存如图2所示。

1）学习任务参数配置管理。负责对小样本学习算法的学习任务参数进行配置管理，采用并行化方式统一管理学习次数、输入输出维度、学习率、网络层数等固有参数特性，从而方便轴系项目根据任务需求快速调用已存储合适的算法。

2）轴系知识经验储存与访问。将不同学习算法所习得的轴系设计任务知识经验存入轴系知识库，形成同类船舶轴系项目的先验知识储备。在后续新轴系项目中，可调用目标轴系的设计数据与校核参数，实现同类型船舶轴系先验知识的迁移应用，从而优化新项目的轴系校中调整。

3）轴系校中调整辅助决策指导。基于先验知识迁移框架^[15]，将先验知识迁移至轴系实际应用场景。在实测数据稀缺的条件下，利用设备采集的有限样本，并依据用户特定需求生成调整方案，实现轴系变位过程的精准化、智能化辅助指导。

4）轴系项目设置与管理。根据场景复杂度选择不同学习任务参数的迁移学习、元学习和集成学习等学习策略，对轴系项目中的多源数据进行统一表征与管理。通过建立轴系项目案例库，实现项目数据的可视化追溯与学习效果评估，从而优化先验知识复用效率，并支持记录校中调整过程中历史数据。

1.3 系统工作流程

从学习算法应用到轴系校中调整与支持多船舶类型适配的角度考虑，涵盖项目管理、校核量与调整量设置、模型构建与训练、以及校中调整交互与展示，如图3所示。

1）项目管理。新建或导入轴系校中调整项目，并配置船舶类型、算法应用及校核目标，支持多项目并行管理且独立，避免轴系项目数据冲突。

2）校核量与调整量设置。针对不同轴系校中调整的多参数耦合场景，其轴系校中调整的校核量（如轴承负荷、臂距差）与调整量（如螺栓位移，轴承变位）可能会有所差别，针对轴系项目定义所需精确测量的校核量与可实施变位的调整量，并建立所需数据结构的映射关系，设置各校核量的上限值、下限值以及设计值的允许范围，用于检查每次迭代调整后校核量是否达标。

3）校核量与调整量函数关系构建与训练。通过轴系设计模型的数值模拟获得仿真数据，将其储存至设计轴系数据库。基于仿真数据预训练特征函数模型，并将模型存储至轴系知识库，作为该任务的首个先验知识基础。若轴系知识库中已存在所需相同特征的先验知识，则可直接复用。

4）校中调整交互与展示。系统通过小样本学习实际校中场景的校核量-调整量数据，微调特征函数模型参数，自动计算最优调整方案，并指导迭代调整，实现先验知识的高效迁移。

2 关键技术 2.1 小样本学习与知识迁移

1）特征迁移标注技术。通过明确定义输入特征空间^[16]（校核量）与输出特征空间（调整量），采用Pandas从设计数据中提取标注好的输入输出特征，实现设计数据与实测数据的结构对齐；基于TensorFlow构建不同任务参数配置的函数模型，通过MSE、MAE、RMSE、R²等指标评估模型适配度，将模型保存为TensorFlow格式供系统调用，确保设计函数模型的特征表示能有效迁移至实测场景。

2）模型微调与数据增强。采用特征迁移标注技术构建统一特征空间，通过TensorFlow加载预训练函数模型，结合迁移学习策略^[17]提升跨场景适应能力；针对实测场景实施分层微调策略，冻结预训练模型浅层权重，仅重新调整顶层权重。浅层模型负责提取轴系设计模型的通用特征，而顶层模型则专注于学习实际轴系模型特定任务的特征。冻结浅层参数并微调顶层参数，可使模型聚焦于特定任务的特征表达，同时有效减少待更新参数量，降低模型复杂度。基于变位调整前校核参数实测值向量Y_pre（调整前测量校核量)，根据计算调整量实施变位调整，获取实际调整量向量X_adj=[x_1i,x_2i,…,x_mi]（其中m为调整量维度，i为调整次数），再变位后获取校核参数实测值向量Y_post（调整后测量校核量），构建单组样本S= [Y_pre; Y_post; X_adj]。根据已有的少样实测数据S采取排列组合的方式扩大实测样本集^[18]，并微调目标任务场景的特征函数模型；通过添加高斯噪声模拟工况波动，结合样本镜像生成与差分组合技术扩充，提升小样本条件下的模型泛化与快速迁移能力。

3）知识库动态更新机制。通过小样本学习策略，在大规模轴系仿真数据集预训练中获取任务知识经验，并基于迁移学习策略实现知识迁移；构建外部记忆增强模块储存权重矩阵，采用TensorFlow模型部署与Pandas结构化存储构建先验知识库，动态更新校核量与调整量的权重参数矩阵，同时管理轴系校中调整任务经验。

2.2 可视化与交互设计

依据轴系校中调整流程图，在目标任务实际场景中，采用Qt信号槽机制获取校核量测试值与实际调整量，基于校核量与调整量的特征知识模型，实时计算调整量，并通过VTK（Visualization Toolkit）渲染调整趋势^[18]。为避免界面卡顿并提升系统响应速度，使用异步线程更新模型与用户图形化界面，实现特征知识模型参数的刷新和GUI控件的实时响应。此外，系统通过多源数据接口，实时获取并可视化模型部署数据、实测数据、设计轴系数据以及设定的项目参数配置。同时支持导入有限元仿真软件的数值模拟结果，进一步丰富了数据来源。

3 案例验证

根据轴系校中计算书的校核要求，该船型轴系项目的校核目标如表1所示。由于该船型无艉前轴承，其中间轴承高度不允许调整，因此需通过调整主机姿态来满足校核要求。具体调整方式是通过调节主机机座4个高度调节螺栓的垂向位移如图4所示，使轴承负荷与臂距差等校核量满足要求。针对该项目，设置了校核量与调整量的特征迁移标注。

分别针对无先验知识和有先验知识2种应用场景展开应用：

1）无先验知识组。无先验知识场景从0开始训练模型，即系统没有该船型的先验知识可用。系统通过Ansys有限元仿真软件，基于单艉轴承推进轴系的设计模型，生成轴承负荷、臂距差等校核参数与高度调节螺栓调整参数的仿真数据集。系统通过接口读取该仿真数据，设置校核量与调整量的特征迁移标注，通过预训练获得基础特征模型知识，将其迁移至实船项目轴系模型。在后续的实际场景校中迭代调整中学习如图5所示，根据目标任务对实船轴系模型进行微调，使项目轴系模型快速准确化，结合当前状态校核量和目标状态校核量根据目标任务下轴系模型求得轴系校中调整决策。

2）有先验知识组。对于具备先验知识的场景，系统直接从轴系知识库访问已有的、来自同类单艉轴承船舶项目的先验知识与数据，无需再次训练基础模型，节省训练时间。将这些先验知识与数据迁移至当前目标轴系任务，再根据校中迭代调整的实测数据对实船项目轴系模型进行微调训练，结合当前状态校核量和目标状态校核量根据目标任务下轴系模型求得轴系校中调整决策。

2种场景下系统求得的各迭代步次计算调整量如表2所示，在各调整步次按系统的调整决策实施调整，2种场景的校核量随调整过程动态变化分别如图6、图7所示，可知，各校核量快速向校核目标逼近，2种场景均只需5次迭代调整即满足校核要求。

系统应用效果与传统方法对比如表3所示，智能系统辅助决策在实践与理论层面均优于传统方法。实践上减少校中调整的无效重复操作，提供科学指导；理论上解决了传统方法因经验不足难以应对的多参数耦合性问题，如案例中主机高度调节螺栓垂向位移引发的轴承负荷与第六缸臂距差变化耦合。算例验证表明该系统能为多参数耦合的复杂轴系校中场景提供理论支撑与技术解决方案。对比有无先验知识辅助的2组实验发现，尽管案例涉及的2艘船舶存在个体建造误差，但如图6、图7所示，其有无先验知识的初始校中起点相近，在此条件下，2组实验最终均经过5次调整迭代达到关键校核指标要求，这一相同的调整次数具有偶然性；校中调整后，上述校核指标的最终数值虽存在差异，但均满足轴系计算书要求。需说明的是，有先验知识组因环境扰动、测量数据操作差异 ^[19]及初始安装偏差等因素，在第2次调整时出现臂距差和轴承负荷校核量超限现象。

根据两者实验组与传统试凑法的差异可得出，系统辅助决策调整下，对比传统试凑法有效缩短校中调整工期，给予科学的理论指导案例单艉轴承装置轴系校中调整，该系统在少量数据下展现出较强的模型泛化性与适应性，并通过数据增强提升了鲁棒性，但其效果仍需更多船舶类型验证以避免过拟合风险；校中调整人员根据可视化界面显著提高了人机协同效率，但在复杂工况下仍需依赖专家经验辅助决策。

4 结　语

本文设计了一种基于小样本学习的轴系校中调整智能辅助系统，通过分层架构与迁移学习算法，解决了数据稀缺与多参数耦合难题，通过单艉轴承推进装置案例表明，系统在单艉轴承推进装置中展现出优化调整效率的潜力。此研究为船舶动力装置智能化升级提供了理论参考与工程实践路径。未来工作需对系统扩展多元算法，引入元学习、联邦学习等技术，增强多场景适应能力。针对轴系知识库还需积累多类型船舶案例，构建跨领域先验知识迁移模型。