0 引　言

随着互联网、数字孪生技术、云端大数据、人工智能系统等的持续发展，为航运业带来新的挑战与机遇。智慧船舶运维系统通过整合传感器数据，提供决策支持，提升船舶运营效率和安全性^[1]。本文探讨数字孪生技术（Digital Twin）在船舶运维中的应用，推动航运业智能化、自动化和数字化发展，满足可持续发展和高效运作需求。

欧洲和美国的航运公司和技术企业在VTMIS等软件的辅助下，使其在数字孪生船舶运维领域处于领先地位^[2]；国内对该领域也有广泛探索，如李澳等^{[3 - 5]}对数字孪生技术在智能船舶领域的持续性探索，在可视化多源物理模、虚拟仿真实验等的辅助作用下，测试场景架构优化了远程操作时延，验证了其有效性，展现出数字孪生在船舶性能评估、故障预测中的巨大潜力。

本文旨在深入探讨数字孪生技术在可视化智慧船舶运维管控系统中的应用，构建一个集数据采集、处理、预测与决策支持于一体的综合框架。建立数字孪生船舶运维模型，整合船舶状态和环境等多源数据，利用机器学习进行故障预测和性能优化。优化数据交互和远程操作过程中的延迟，提升系统效率。案例分析展示数字孪生技术如何提升船舶预测性维护能力，降低成本，增强自适应性。

1 数字孪生技术概述

数字孪生是指对物理反馈的数据进行整合处理，结合机器学习和软件分析，后将物理实体进行数字化转化模拟，通过控制其中预设的接口元件，对实体状态进行数据监测、故障预测、运维管理等，并且其模拟结果会根据反馈数据自动调整，以反映物理实体的变化。在理想状态下，数字孪生能够利用来自多个来源的反馈数据进行自我学习，从而在数字环境中几乎实时地反映物理实体的真实状况。

数字孪生可以通过由传感器反馈的信息（如压力、角度等）进行自我学习，亦可通过对分析历史数据或网络数据进行学习。集成网络数据学习指多个同批次的物理实体同时处理不同的操作，并将所有数据汇总至同一信息平台^[6]。其关键组成部分如表1所示。

2 数字孪生运维管控系统框架设计

为了在远程运维管理中实现有效的应用，并满足数字化研发的需求，必须对实施过程中各个关键影响因素进行全面评估，明确关键技术，并构建相应的关键技术体系结构^[7]。在智慧船舶运维管控系统的设计中，系统框架作为核心组成部分，旨在构建一个集实时监控、预测分析与决策优化于一体的高效解决方案。

该框架由感知层 （L₁）、数据处理层 （L₂）、分析决策层 （L₃）以及反馈控制层（L₄）构成。结构设计如图1所示。

感知层（L₁）利用传感器网络（s）收集船舶状态（x）与环境（e）数据，确保信息的全面性和实时性。数据处理层（L₂）则运用集成数据预处理算法（Apre）清洗与整合数据，以消除噪声并提高数据质量。

在分析决策层（L₃），数字孪生模型（M_DT）被构建，它镜像了船舶的实际运行，通过机械学习和人工智能技术进行故障预测和性能优化。这一层的关键在于模型的实时更新与自我学习能力，使得预测与决策能够随着船舶状态的变化而动态调整。反馈控制层（L₄）接收分析决策层的输出，通过智能控制系统（C_int）实施必要的操作，以纠正潜在问题或提升船舶性能。此外，该层还负责与船员的交互，提供可视化界面，使操作人员能够直观理解船舶状态并参与决策过程。

3 数字孪生可视化管控系统的集成 3.1 数据采集

通过由许多分布在空间中的传感器节点组成传感器网络（s），进行数据采集，核心在于从船舶关键系统中实时获取各种信息，如发动机状态、导航参数、环境感知和船员操作记录。将收集到的数据传输到云数据处理中心，供进一步处理和分析。在此过程中，通过传感器、物联网设备、摄像头等手段从实物对象收集数据。另外，通过整合 API 接口，直接从船舶的自动化系统和控制系统中提取数字化信息，以降低数据延迟、提升数据完整性的过程可描述为实时数字信息提取。该过程可表述为：

$ \mathrm{Data}=f(\mathrm{Sensors},\mathrm{APIs})。$

(1)

式中：Data为收集到的数据集；Sensors为传感器网络；API为系统接口。

值得注意的是，数据的质量控制同样关键。引入异常检测算法，如基于统计学的Z-score方法：

$ Z = \frac{{d - \mu }}{\sigma } 。$

(2)

式中：µ为数据平均值；σ为标准差，通过Z-score来识别偏离正常范围的异常值，从而分析数据的可靠性。

借助上述方法，可在数字孪生环境中构建一个精准而富有活力的船舶模型，为智能分析、故障预测和决策支持提供坚实基础。同时通过边缘计算与云计算的联合作用，可以在数据产生的同时进行初步处理和快速传输，从而减少延迟，保证决策的及时性。

另外，对数据质量的控制也至关重要，需要实施严格的数据清洗和校验算法，排除异常值，确保后续分析的准确性。然而，数据隐私保护和网络安全问题至关重要，必须在设计初期便考虑安全机制，以确保系统稳定运行并避免敏感信息泄露。

3.2 集成数据预处理算法

数据处理不仅仅是收集和存储数据，更重要的是实现船舶数字化转型。这需要高效的数据整合、分析和决策支持能力，以确保可视化系统能准确反映船舶的实际状态并预测潜在问题。本系统融合利用数据清洗、类别不平衡数据的处理、特征选择方法的集成数据预处理算法^[8]。各预处理算法原理如下：

数据清洗：去除那些偏离平均值超过3倍标准差的数据，同时删除缺失值和重复数据，以此来提升数据的质量和可靠性。

类别不平衡数据处理：过采样（如SMOTE算法）增加少数类样本，欠采样（如CUS算法）减少多数类样本，重新调整数据集的类别分布。

特征选择方法：利用特征权重的启发式搜索方法RFE，通过多轮训练，逐步消除低权值的特征，保留最重要的特征。

为验证所提出预处理方案的有效性，本文从UCI数据库中提取数据集，采用支持向量机（SVM）和神经网络（NN）作为主要的分析工具。将数据集的30%为测试集，剩下的70%为训练集。再通过训练集对ala和DRD模型进行训练，同时迭代30次以达到优化参数设置的目的。最终，通过测试集对模型进行验证，评估其在正常数据与异常数据二分类任务中的准确度^[9]。评价标准为准确率，实验数据如表2所示。

其预测准确性约高达95%以上，从实测分析可以看出该方案的确实可行性。

将上述3种方法进行整合，所提出的基于集成的数据预处理技术，不仅能够从多个维度对数据进行处理，以克服原有数据集所存在的诸多缺陷，同时也能够有效结合各自方法的优势，从而最大限度地提高数据预处理的效果，以确保可视化系统能准确反映船舶的实际状态并预测潜在问题。

3.3 数字孪生模型的建立

在智慧船舶运维管控系统的构建中，数字孪生模型是核心组成部分，旨在模拟真实船舶的运行状态，实现虚拟与实体的深度融合。

模型建立需要涵盖船舶结构、动力系统、导航设备等多个层面，利用三维建模技术可以创建船舶的数字副本，包含几何特征、材料属性和动态行为。模型集成传感器数据，实时同步物理世界与虚拟世界的动态。然后，在模型优化过程中，包括数据清洗、特征选择和模型校准等多个关键步骤。通过如最小二乘法等剔除噪声提高数据质量，进而提升模型预测精准度。

$ \hat{\beta}=\left(\boldsymbol X\mathrm{^T}\boldsymbol X\right)^{-1}\boldsymbol X^{\mathrm{T}}y。$

(3)

式中：$ \hat \beta $ 为估计的参数向量；X为自变量矩阵；y为因变量向量。

通过传感器网络对实时数据的采集传输，然后进行集成处理，形成动态模型，在虚拟环境中精确反应船舶的相关性能及相关状态。此时结合迁移学习和人工智能算法，达到自主学习、故障预警和减少意外停车的目的。

本文迁移学习的核心算法原理是将已经在一个任务上训练好的模型应用于另一个相关任务，以便在新任务上获得更好的性能。具体操作步骤为先选择源任务和目标任务；然后从源任务中提取特征，接着微调模型；最后评估性能。使用目标任务的测试数据评估模型的性能，并与其他方法进行比较。系统人工智能算法采用支持向量机（SVM），优化图如图2所示。

数字孪生模型作为智慧船舶运维管控系统的核心，在实时映射、预测分析和交互反馈方面发挥着重要作用，显著提高了船舶运维的效率和安全性，为智能航运提供了强大的技术支持。

3.4 舰船故障诊断方案

本系统的故障诊断方案采用基于规则变量分析方法，利用设备虚拟运行数据进行离线建模，从而对船舶设备的运行状态进行预测。在运行过程中，当实际值与预测值之间出现明显的偏差时，则可以判定该设备可能存在故障^[11-15] 。舰船设备状态空间模型表达如下：

$ \left\{\begin{gathered}x(i+1)=kx(i)+Con(i), \\ y(i)=\boldsymbol{H}x(i)+e(i)。\\ \end{gathered}\right. $

(4)

式中：$ i $ 为时刻；$ x(i + 1) $为$ i + 1 $时刻设备状态向量；$ y(i) $为$ i $时刻预测向量；$ e(i) $为预测误差；$ kx(i) $为预测状态最佳估计值；$ Con(i) $为控制量；$ \boldsymbol{H} $为测量参数矩阵。

定义舰船设备离线数据线为：

$ {y_p} = \left[ {\begin{array}{*{20}{c}} {y(i - 1)} \\ \vdots \\ {y(i - p)} \end{array}} \right]。$

(5)

式中：$ p $为舰船设备离线数据个数。

定义舰船设备在线数据线为：

$ y_{_f}=\left[\begin{array}{*{20}{c}}y(i) \\ y(i+1) \\ \vdots \\ y(i+f-1)\end{array}\right]。$

(6)

由式(5)、式(6)得到舰船设备离线数据 $ {Y}_{p} $和在线数据 $ {Y}_{f} $，表达公式如下：

$ {\boldsymbol{Y}_p}=\left[y_p(i),y_p(i+1),\cdots,y_p(i+N-1)\right]，$

(7)

$ {\boldsymbol{Y}_f}=\left[y_f(i),y_f(i+1),\cdots,y_f(i+N-1)\right]。$

(8)

式中：$ N $为数据总数。

$ \sum\nolimits_{pp} {} $和$ \sum\nolimits_{ff} {} $分别表示式(7)、式(8)的协方差矩阵，则$ k $时刻的舰船设备状态$x(i)$为：

$ x(i) = \sum\limits_{ff}^{1/2} {\sum\limits_{pp}^{1/2} {{y_p}(i)} }。$

(9)

将式(9)结果代入到式(4)内，通过计算舰船设备的运行预测值，并将其与实际运行值进行对比，可以有效判断设备的故障状态。

3.5 可视化管控平台的建立

通过接收分析决策层（L₃）的输出及孪生船舶所动集成船舶运行的重要信息数据，由岸基船舶管理技术人员进行监控，通过在反馈控制层（L₄）综合建立的可视化岸基智慧船舶运维管控平台实现快速、动态地指导一线船员生产实践。

该平台采用基于Web的B/S架构模式，采用J2EE技术体系来对各模块进行分层开发，基于MVC的设计模式，其中数据展示层由JSP构成，控制层由Servlet实现，Javabean和EJB（Enterprise JavaBeans）作业务层。

在服务器端对业务数据进行处理，从而实现数据展示层、数据层与业务层之间相互独立，以此保证系统的可移植性、可扩展性及开放性^[10]。使用“Hightopo”软件建立其概览图如图3所示。

该系统包含被监测船舶的航行动态、视频监控、船舶工况以及能效管理等功能，能够监测船舶的航向、航速等基本信息，以及船舶的基本概况包括报警数量、报警点、报警设备、报警趋势统计。通过可视化管理平台可以利用船岸数据链等技术，实现船舶运行数据的实时同步、分布式协同工作以及岸基监控，减少数据重复录入，提升船舶管理效率，实现一体化智能管理服务。数据可视化界面如图4所示。

4 仿真结果分析 4.1 运行稳定性测试

以系统的热启动次数来衡量其稳定性，通过连续275天的运行测试，该系统的自动热启动次数情况如图5所示。经分析可得，在运行期间，系统运行时间与自动热启动的次数成正比。在运行初期，系统的自动热启动次数始终保持为0。从第100天开始，自动热启动次数呈现出小幅度增加的趋势。由此可见，该系统自动热启动次数较少，运行相对稳定，具备较高的可靠性。

4.2 故障诊断测试

在数字孪生实验室中进行船舶设备故障诊断实验，以预警时间作为技术指标，来检验船舶设备故障通知的及时性和故障诊断的准确度，其结果输出如图6所示，同时设定故障预警阈值为1 s，其测试结果如表3所示。

可知，当变化次数在55～75时，系统诊断值与实际变化值存在一定差异，在误差允许范围内。当设备状态值变化次数达到85次以上时，故障预警时间约为0.06 s，低于预设阈值。

综上所述，该系统能够有效地对船舶设备故障进行诊断，并能够及时向用户发出维护通知，展现出优秀的应用效果。

5 结　语

本文研究了数字孪生技术在智能船舶运维管控系统中的应用。研究结果显示，该系统实现了船舶设备状态的数字化展示，能够实时监测船舶运行情况，数据预处理方面准确率高达95%，系统故障通知时间为0.06 s，并在故障发生之前识别潜在问题点，从而提高了运维效率并降低了经济损失。系统的数据集成模块整合了各类数据，形成了统一视角。实验结果证实了系统的数据采集准确性，满足智能航运对低延迟和高可靠性的需求。

总的来说，数字孪生可视化智慧船舶运维管控系统在提升船舶安全、效率和可持续性方面具有潜力，但需要进一步研究以适应不断演化的技术挑战和日益严格的行业标准，重点关注智能优化、用户体验和标准化建设，为未来智慧航运的发展奠定坚实基础。