主流船型船用配套設備智能集成與 遠程運維新模式研究

徐衛東 劉佳 陳宇航

摘? 要：在新時代信息技術和制造業全球化深度整合的行業發展變革大趨勢下，推進我國船舶配套產業智能化的轉型升級，對于打造具有競爭力的國產船舶配套品牌產品，實現我國交通強國、海洋強國戰略具有重要的意義。本文在分析船舶配套設備智能運維概念的基礎上，系統介紹了智能運維的核心技術，分析了智能節點和大數據的應用模式，最后基于工業物聯網架構，提出了面向船舶機艙設備安全的應用案例，并討論了多種運維模式下的船用配套設備的應用前景。

關鍵詞：智能輔機;船用設備;智能運維;物聯網

0 引 言

船舶配套設備以其量大、面廣、高技術和高附加值的特點，成為海洋工程以及高技術船舶的重要組成部分。船舶的核心配套設備一般包括船舶的主要動力裝置，即船舶的驅動主機，以傳統的渦輪柴油機為主;輔助船舶驅動的其他動力裝置，包括船舶發電機組以及配電系統;各類輔機，包括錨機、舵機、各類風機、泵機、制水機、分油機等設備。自“十一五”以來，政府和行業都開始加大對自主生產配套設備的研發投入，行業得到了快速發展，產業體系不斷完善，重點船用設備及核心部件研制取得了突破，產業規模也大幅度提升，本土配套設備的裝船能力得到不斷提高。但與發達國家的配套設備產業的發展水平相比，我國的船用配套設施的發展還較為滯后，船舶配套設施產業還迫切地需要通過對設備進行智能化和生產技術創新的能力提高，來推動船舶配套設施產業的轉型和升級，以實現我國造船強國的戰略目標。

國內船舶配套設備產業現狀[1]：核心設備的配套體系不健全，缺乏戰略引領，市場競爭力不強;研發設備的投入資源不足，新技術研發所需要的知識積累不夠;工程整體解決能力不足，產品競爭力不強;產品服務能力不足，遠程運維相關技術發展不夠成熟，由此帶來的運維成本高。因此，國內船舶配套設備迫切地需要通過對智能化的技術的應用，來解決產品質量以及技術積累問題，以保障產品一次性順利交付、提高產品的可靠性;針對產品的核心競爭力不足這一問題，減少產品的設計成本，縮短產品的制造周期，以提高產品的維護效率;在新規范的要求下滿足對產品綠色、安全、環保的需求;減輕國內生產勞動力的瓶頸，減少在設備制造時產生的人工成本;降低設備的運營成本壓力，研制低人工需求、低能源消耗、高效率的設備;滿足在新形勢下對高端、個性化產品的需求，提供包括設備的集成、安裝交付以及運維保障服務在內的整體解決方案。本文從IOT以及遠程運維角度，主要分析智能運維技術及其在船舶配套設備領域的應用前景。

1 智能運維研究

1.1 智能運維概念

運維[2]主要指的是技術行業運營維護者根據其業務需求對信息、網絡以及服務進行規劃，通過對網絡的監控、事件預警、業務調度、排障升級等方式，使其服務狀況保持長期、穩定、可用的狀態。早期的管理運維工作大多數是由專門的運維人員進行手工操作完成，這樣的運維模式不僅效率低下，在運維過程中也消耗了許多人力資源;利用機械工具的優點來進行大規模和小批量化的自動化運維，能夠很好地減少在運維過程中對人力物料資源的成本消耗，從而降低了運維過程中的操作風險，提高了運維效率。然而，目前自動化運維的本質仍然是一種將人與自動化工具緊密結合在一起的運維模式，受限于對人類自身的生理極限和認知局限，這種運維模式無法持續地面向規模龐大并且復雜性高的系統提供高質量的運維服務。在這一背景下，智能運維應運而生。

智能運維這一概念最初是由Gartner提出，它的目標是將利用人工智能的科技融入運維系統中，以互聯網、云計算以及機器學習等智能化技術作為運維管理的基礎，從多種數據源中收集海量數據信息（包括業務數據、系統信息、網絡信息日志等）進行實時或遠程離線分析，通過其主動性、人性化和動態的可視化特點，增強了傳統運維的能力。智能運維能快捷地對海量數據進行分析和處理，并且能夠得到有效的運維判斷和決策，執行自動化腳本來實現系統的全局智能化運維，能有效地對大規模系統進行運維。

1.2 智能運維核心技術

智能運維管理就是基于機器學習等人工智能算法，分析和挖掘運維中的大數據，并且充分地利用各類自動化工具來作出運維決策。因此，智能化運維技術主要組成部分有運維大數據平臺、智能分析和決策的組件以及自動化的工具。

（1）運維大數據平臺

運維大數據管理平臺是專門用于系統實現對管理過程中的運維數據進行實時采集、處理、存儲、展示的統一平臺。采集的運維數據包含監控系統數據、日志和系統配置數據信息等;按照目前大數據平臺的整體架構，運維大數據管理平臺主要由數據采集層、數據信息存儲管理層、數據處理分析和信息建模管理層、展示層等5個部分組成。

（2）智能分析決策組件

智能化的運維系統組件是利用人工智能運維算法，根據具體的運維使用場景、運維業務的規則或專家運維經驗等因素來設計構建的運維系統組件，類似于傳統應用程序中的API或者公共數據庫，它具有可被重復使用、能夠不斷變化演進、易于理解的基本特點。智能運維的各個組件按照其功能結構類型可大致分為兩大類，分別是運維知識圖譜類，即通過多種運維算法來對運維歷史信息資料進行分析挖掘，從而通過計算分析得出智能運維主體的各類屬性信息畫像和活動規律，以及各運維主體之間的相互關系，形成一個運維主體知識信息圖譜的運維組件;以及動態決策類，即在已經深入分析挖掘好的運維主體知識信息圖譜的基礎上，利用實時監測的運維數據作出動態決策，最終形成運維戰略決策數據庫。

（3）自動化工具

自動化的運維工具是一種以一個確定邏輯為基礎的運維工具，對技術系統進行諸如運行過程中的控制、監測、重啟、回滾、版本變更、流量控制管理等一系列的操作，是對技術系統進行運維的手段，用以保障和維護技術系統的安全、穩定、可靠地運行。自動化工具是人類進行自動化運維的結果和產物，也是人類在智能運維組件作出決策后，實施具體的運維操作必須要依賴的工具。

2 基于邊緣節點的分布式智能運維

邊緣計算節點天然具有設備近端優勢，設備運維數據首先匯聚到邊緣節點進行初步處理和存儲，實時響應并診斷前端設備健康狀況，形成健康評價指標，并通過加密方式與云端平臺進行數據交互[3]。

智能運維與傳統的運維模式不同，它并不是對單一設備或是通過單一手段或途徑來進行運維，而是協調各個影響因素，包括電力影響、網絡因素、數據結構、事件管理以及行業應用等多方面影響進行運維。在技術層面上通過對邊緣能力進行協同，以充分挖掘邊緣計算的潛力，可實現大規模的數據協同、智能化的協同、應用和管理的協同、業務管理協同，擴展到專業運維領域，可以歸納出三大要素，包括電力智能感知運維，即通過硬件檢測手段對設備的電流電壓狀態進行檢測，從而對設備的供電健康狀況進行判斷;網絡智能感知運維，即對設備的在線狀態進行檢測以確定網絡的聯通狀態：姿態智能感知運維，即對設備正常態和實時姿態的對比分析得到姿態偏離度，從而對故障進行預警。基于邊緣節點的分布式運維過程可以概括為事件驅動型閉環運維，即事件感知、事件預警、事件定位以及事件完結。

事件感知，即在設備出現異常情況時，將異常情況主動上報至云端或者通過上位機對設備的巡檢來發現需要運維的事件;通過設備運行過程中的異常事件監測、發生故障時的錯誤決策以及對事件評價指標的預測來對時序數據的異常情況進行自動監測發現，從而在構成復雜的環境中提前發現潛在的故障以及風險，以提高系統在應對多重異構環境時的故障檢測能力。

事件預警，即在實現智能運維的過程中主動進行運維事故預警;為有效地提高預警的效率，預警可以劃分為幾個等級，錯誤預警、故障預警、提示預警和人工預警等幾個級別，云端可以根據需要進行分類并且自動提取出所需要的預防和警示等級，針對不同的預警級別采取相應的應對方案。

事件定位，即對設備運行過程中可能產生的電力系統故障，網絡阻塞以及設備的姿態偏離進行排查，利用設備常態查詢、狀態關聯查詢以及故障的根因查詢，在運維大數據庫中進行相應的對比分析，從而快速的定位到設備故障的原因。

事件完結，在感知、預警以及定位到運維事件之后，基于智能運維知識庫，將對應的解決方案和經驗推送給運維人員。閉環運維模式如圖1所示。

邊緣節點在智能運維中最大的優勢是其具有天然分布式特征，擁有強大的虛擬化能力，可以實時響應并實時處理突發運維事件。將船舶配套設備作為邊緣節點構建遠程運維系統，可以充分發揮邊緣計算技術的近端優勢，快速識別并診斷設備狀態，降低集成系統狀態數據存儲和傳輸壓力。為形成船舶配套邊緣節點，對數據采集系統提出了更高的要求，結合智能船舶實踐和相關調研結果，數據采集系統應滿足以下一般性技術要求：數據采集系統的主要功能包括數據的采集、處理、存儲及上傳和系統配置。

其中，數據采集功能可采集傳感器輸出信號并將其轉換為物理量及相關信息數字參數，應適用于船舶機艙設備狀態數據采集，安裝在機艙設備上的多種傳感器按照規定測量間隔和采樣頻率獲取機艙設備的原始振動、溫度、壓力信息;應能適用不同傳感器的多種有線/無線通信方式，并支持模擬量/開關量的采集與處理;數據采集系統應能適應于電壓（±5 V或±12 V）、電流（4～20 mA）信號的高速采樣，最高采樣頻率不低于8 kHz;針對不同狀態參數的采集，數據采集系統應能配置為同步采集;數據采集功能轉換原始傳感器信號形成的物理量及相關信息數字參數包括：數字化數據、時序數據/時間基準數據（通常參考 UTC或地方時區）、數據質量指標（例如好、差、未知、檢查中等）。

數據處理方面，在完成數據采樣之后，數據處理功能可執行信號處理，如濾波、開窗、FFT等;執行同步或非同步平均;執行算法計算;執行特征提取等處理操作。

在數據存儲以及上傳方面，數據采集系統可保存采集數據（按時間保存或根據存儲空間大小循環覆蓋保存），并通過以太網、Wi-Fi網絡上傳采集數據。數據存儲上傳應滿足以下要求：系統應設置足夠容量的存儲單元/服務器/數據庫，實現數據的存儲、備份與管理，應能保存至少一個檢驗周期的數據（船端保存至少5 a，建立數據備份機制）;針對隱私問題，任何對狀態數據的查看、獲取、存儲與使用應事先得到船東的許可與授權。

關于系統配置，數據采集系統應滿足：可通過軟件方式，對關鍵系統參數（如采樣頻率、采樣間隔、采樣時間長度、數據分析方式（數據處理）等進行配置）;可通過軟件系統設置登錄權限;可通過軟件系統進行網絡參數配置等要求。

3 基于大數據流式結構的船舶運維模式

在大型船舶的自動化運維管理系統中，傳感器實時地采集和處理數據，由于傳統的單中心數據處理架構所能達到的處理速度并不能滿足實時處理數據的要求，因此數據處理的架構應由單中心架構向著更加多中心架構的方向發展。流式架構[4]采用了統一調度、分布式計算的方式，對采集得到的數據按照不同類型進行分類存儲，通過負載均衡算法對數據進行統一的任務調度，實現了對計算資源的有效利用。一種基于流式結構的運維模式如圖2所示。

基于大數據流式結構的運維模式包含數據采集、流式處理以及自動運維應用3個模塊：

（1）數據采集模塊

數據采集模塊將通過傳感器或者是監控系統采集得到的數據通過無線網絡（4 G或5 G）或專有WiFi 局域網傳輸到事先指定的并行文件系統地址中，并行文件系統對接收到的文件日期及其相應的存儲空間進行監控，如果有新增數據傳輸則在系統新生成一條數據日志并提交，該日志描述了新接收到的數據是否已經被處理，若這些數據已經處理完畢，則進行刪除。

（2）流式處理模塊

該模塊用于檢測文件系統中各數據所對應的日志，首先按照鍵值信息對日志進行查找，如果這些數據未被處理則將其中的數據所對應的地址信息自動提取出來，在該系統中一個完整的數據可能分成若干子數據從而存在于不同的并行文件地址中，因此在獲取完整的一個文件地址時，子進程將會被掛起直到將所有的數據已經讀取完畢并且被重新復位。在對數據進行處理完畢后，將經過處理后得到的結果一一保存到Hive數據庫中，為上層調用做準備。

（3）自動運維應用模塊

運維應用模塊需要通過中間接口JDBC調用處理Hive數據庫，同時通過B/S架構[4]提供交互式的接口查詢，其中B/S 架構為瀏覽器-服務器模式，對數據的讀取、查詢、展示及字段的設置提供接口。

利用航運大數據技術，可以實現對設備運行狀態以及能效管理分析：借鑒國外有關船舶大數據路標這一研究成果，能夠長期持續有效地對船舶運行過程中設備工作狀態的數據進行評估測試，從而對其運行狀態進行判別。獲取運行狀態之后結合其本身的運行特性，能夠對設備的故障進行預防報警，從而保障船舶設備日常維護的及時開展，并降低運維管理成本，提高設備運行的安全性。另外，針對設備在運行過程中產生的大量數據，例如航速，功率等，利用大數據清洗篩選，對數據進行分類提取，挖掘數據的相關性，并對關聯性進行分析，從而對缺失的數據進行推算并可校正失真數據。將得到的數據進行轉換運算，分析船舶運行過程中航速以及功率信息，得到能效營運指數，從而為航運能效管理、海事核查以及監測提供數據支持。以船舶附加氣體節能裝置為例，利用航運大數據，可獲得裝置在運行過程中有關航速以及功率數據信息，并在修正過程中避免來自海上環境因素的影響，從而更加真實有效地對裝置運行之后對船舶能效控制效果進行評價分析。

船舶結構復雜度及動力系統的監控范圍的不斷擴大，使需要處理的數據種類越來越多，利用上述的運維結構將傳統的單中心處理模式變為多中心并行化處理，能夠大大降低數據處理所需要的時間。

4 基于物聯網和工業云的遠程運維系統

在上述遠程運維模式分析的基礎上，面向設備的安全管理，基于物聯網和工業云的遠程運維系統體系架構[5]，設計了一套機艙設備遠程運維系統，如圖3所示。該系統主要包括物聯網感知層、數據傳輸層、云平臺層和應用層。系統功能的實現借助了信息采集技術、網絡技術、中間件技術、云計算技術以及一些公共技術的支持。系統通過船舶機艙設備上的傳感器對設備信息進行采集，通過3G/4G網絡接入互聯網，將數據傳輸至云平臺進行數據的分析處理，并通過應用接口程序進行岸端操作。

（1）物聯網感知層

物聯網感知層是系統的物理最底層，在船舶設備遠程運維系統中，該層主要由數據采集、舵機狀態監測和軸系振動監測系統組成，如圖4所示。通過各類傳感器，對船舶設備的狀態信息進行實時采集，通過現場總線將數據匯集到船上集成平臺并通過通信網關進行數據上傳。

（2）數據傳輸層

通過建立高效、高可靠的數據傳輸系統，將傳感器采集到的船端設備數據傳輸到工業云計算中心的數據收集集群，并存入云端數據庫中。

（3）云平臺層

主要在云端服務器（計算/存儲/網絡）的基礎上對由物聯網感知層現場采集得到的各類數據進行分析處理，并構建基于智能云服務的IOT設備管理平臺。船舶設備遠程運維系統中，通過物聯網平臺對船舶設備的各項信息進行采集并上傳至云端，構建數據統一的平臺，即航運數據中臺。

數據中臺主要由數據服務、數據引入、數據處理、存儲以及智能分析五個部分組成。其中，數據服務是指用于處理云托管數據存儲基礎結構中數據虛擬化編程邏輯的Web服務，能夠使用戶遠程按需訪問數據。主要包括API生命周期管理，即監督API程序從生成、發布、訂閱/取消訂閱到執行的過程;托管API服務，旨在通過策略保護API，將API進行分組管理、監視以及流量分析;數據推送服務，允許應用程序異步與用戶代理通信。

數據引入則是將數據從各種源傳輸到存儲介質中，組織可以對注入的數據進行訪問、使用以及分析，數據引入的目標通常是用來進行操作數據存儲、數據倉庫、數據集市、數據庫或文檔的存儲。主要包括設備運行過程中日志數據的收集、獲取和導入從船舶傳感器或其他相關渠道接收的視頻和圖像等媒體數據、以自動方式對多個文件進行批量上傳。

數據的處理，包括將原始數據轉換為機器可讀形式、通過系統和內存傳輸數據到輸出設備以輸出數據的格式轉換;任何使用計算機或設備對數據執行操作均可被定義為數據處理。

數據存儲是一個持續存儲數據集合的存儲庫，它為存儲的每個不同數據實體創建數據存儲，并允許用戶以應用程序所需要的格式進行數據的插入、更新、查詢以及刪除。

智能分析則是利用復雜的技術和工具對數據進行自主或半自主檢查，以便發現更深入的見解或做出預測。

（4）應用層

主要是通過PC客戶端、WEB客戶端、手機APP等形式提供設備實時狀態監測服務、運行統計分析服務、故障/異常工況報警服務、設備故障率分布分析服務、在線故障診斷服務、實時視頻監控服務，等等。

在本章所介紹的系統中，通過航運數據中臺進行收集，處理以及分析得到的數據，通過不同種類的API接口傳輸給前端進行應用開發，能夠實現在PC端或手機APP端對船舶舵機狀態的實時監控（見圖5）、運行趨勢分析（見圖6）和設備故障的預警、報警等服務。

上述遠程運維系統將物聯網、工業云等技術相結合，通過對設備狀態的實時監測與分析，實現對設備的遠程診斷與維護，從而降低了設備運維成本，并通過各類傳感器裝置，實現了預防式維護。

5 結 論

本文介紹了幾種應用了新技術的運維模式：利用大數據流式結構對數據并行化處理，降低了處理時間，提高了數據實時處理分析的可行性;采用分布式邊緣節點，利用邊緣節點的近端優勢，對收集到的數據進行邊緣計算，實現對突發運維事件的實時分析和處理;最后面向舵機等機艙設備，采用工業物聯網，利用傳感器實時采集設備狀態信息，借助岸基數據中臺，完成了設備狀態信息的遠程監測和趨勢預測，提供了一種船舶設備的岸基遠程運維的應用方法。

從應用前景分析，在對數據進行采集時，在船用設備上安裝傳感裝置，達到對設備狀態信息的實時采集，便于監測與維護，同時利用歷史日志信息，在一定程度上能夠實現對故障的預防以及突發事件的快速處理;對數據進行處理時，利用大數據流式結構并行處理，實現多中心數據分析處理，減少處理時間，降低運維成本。與此同時，結合邊緣計算技術，將數據在近設備端先行處理，對數據進行清洗篩選，減少匯入云端的數據量，提高數據的處理速度，降低因云端收集數據冗余而帶來的成本。

參考文獻

[1] 湯敏，李沨，曾力，華霖. 船舶配套設備智能化發展戰略研究[J]. 中國工程科學，2019（6）：22-26.

[2] 陳林博，何支軍，顏挺進，等. 智能運維發展史及核心技術研究[EB/OL]. https：//www.sohu.com/a/322100594_411876.

[3] 朱述寶，修科鼎. 基于邊緣節點的分布式智能運維研究[C]. 第十五屆中國智能交通年會科技論文集：2020年2卷.深圳：電子工業出版社，2020. pp：632-639.

[4] 楊麗. 大數據與 B/S 技術在船舶自動運維系統中的應用[J] .艦船科學技術，2018（8A）：115-117.

[5] 張勤剛，姚衡，趙虹，張少民，沈加海. 基于物聯網和工業云的紡織機械遠程運維系統運用[J]. 機電信息， 2018（27）：61-62.

基金項目：國家重點研發計劃項目（2019YFB1600600），高技術船舶科研項目（工信部重裝函[2020]313號：CJ02N20）