戰(zhàn)翌婷 曾驥

摘要：為實(shí)現(xiàn)船舶在航行中的設(shè)備檢測(cè)和智能維護(hù)， 對(duì)支持智能船舶的大數(shù)據(jù)分析方法進(jìn)行研究，并結(jié)合大量實(shí)船運(yùn)維數(shù)據(jù)，提出基于設(shè)備衰退機(jī)制的動(dòng)態(tài)決策樹(shù)模型，對(duì)船舶設(shè)備的衰退過(guò)程進(jìn)行預(yù)測(cè)。將分析結(jié)果同步可視化到設(shè)備模型中，從而減少船舶運(yùn)維中由設(shè)備故障帶來(lái)的不確定性，提升船舶智能化水平。開(kāi)發(fā)船舶智能運(yùn)維管理系統(tǒng)，將大數(shù)據(jù)的集中分析能力、數(shù)據(jù)庫(kù)的集成管理能力和3D可視化技術(shù)相結(jié)合，實(shí)現(xiàn)船舶的一體化和智能化管理與維護(hù)。

關(guān)鍵詞：船舶運(yùn)維;大數(shù)據(jù);智能船舶;可視化分析

中圖分類號(hào)：U674.03

文獻(xiàn)標(biāo)志碼：B

Abstract：To realize the equipment detection and intelligent maintenance of ships in navigation， the big data analysis method applied to intelligent ships is studied. Based on a large amount of real ship operation and maintenance （O&M） data， a dynamic decision tree model based on the equipment degradation mechanism is proposed to predict the attenuation process of ship equipments. The analysis results are visualized into the equipment model synchronously， so as to reduce the uncertainty caused by equipment faults in ship O&M and improve the level of ship intelligence. The intelligent O&M system of ships is developed， where the centralized analysis ability of big data， the integrated management ability of database and the 3D visualization technique are combined to implement the integrated and intelligent management and maintenance for ships.

Key words：ship operation and maintenance; big data; intelligent ship; visualized analysis

收稿日期：2018-05-18

修回日期：2018-10-30

作者簡(jiǎn)介：

戰(zhàn)翌婷（1980—），女，遼寧大連人，講師，博士，研究方向?yàn)橹悄艽霸O(shè)計(jì)與建造，（E-mail）ytzhan@shmtu.edu.cn;

曾驥（1977—），男，四川德陽(yáng)人，教授，博導(dǎo)，博士，研究方向?yàn)橹悄艽霸O(shè)計(jì)與建造、海工平臺(tái)建造與分析，（E-mail）zengji@shmtu.edu.cn

0 引 言

伴隨著智能技術(shù)和大數(shù)據(jù)分析在各行業(yè)的廣泛應(yīng)用，智能船舶概念開(kāi)始興起，并逐步走進(jìn)國(guó)際造船界的視野[1-2]。船舶智能化是利用大數(shù)據(jù)和信息技術(shù)對(duì)船舶的總體性能及狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)、評(píng)估和分析[3]，實(shí)現(xiàn)船舶的智能化運(yùn)行，其中智能化運(yùn)行維護(hù)（簡(jiǎn)稱運(yùn)維）管理工作是一項(xiàng)由多方參與的、由一系列目標(biāo)高度一致且相互獨(dú)立執(zhí)行的管理任務(wù)組成的系統(tǒng)工程。雖然近年來(lái)面向船舶設(shè)備保養(yǎng)檢驗(yàn)的數(shù)據(jù)庫(kù)管理系統(tǒng)頻出，但針對(duì)整船設(shè)備、結(jié)構(gòu)和管系的保養(yǎng)仍然停留在電子數(shù)據(jù)表格與紙質(zhì)圖紙配合的水平，無(wú)法滿足智能船舶發(fā)展的需求。

大數(shù)據(jù)研究的迅猛發(fā)展猶如開(kāi)啟了一場(chǎng)尋寶游戲，它通過(guò)數(shù)據(jù)分析工具挖掘出數(shù)據(jù)間的潛在價(jià)值。如果能利用運(yùn)維大數(shù)據(jù)去發(fā)現(xiàn)船舶運(yùn)營(yíng)設(shè)備中可見(jiàn)和不可見(jiàn)的問(wèn)題，將極大地提高船舶運(yùn)維的智能化水平。將智能化監(jiān)控技術(shù)應(yīng)用于船舶管理中也會(huì)大幅提高船舶行業(yè)的智能化水平[4]。因此，需要針對(duì)智能船舶運(yùn)維現(xiàn)狀，提出一種新的智能分析方式，以隨時(shí)了解船上設(shè)備的運(yùn)轉(zhuǎn)情況并實(shí)現(xiàn)設(shè)備故障的快速預(yù)測(cè)，從而提高船舶運(yùn)維的智能化水平。

針對(duì)船舶設(shè)備監(jiān)測(cè)與分析的研究很多，PERERA等[5-6]將設(shè)備連接到船舶導(dǎo)航和自動(dòng)化系統(tǒng)中，在船舶之間收集和交換數(shù)據(jù)，對(duì)船載和岸基的各種數(shù)據(jù)進(jìn)行分析，為船舶管理人員提供完整性分析、可視化顯示和決策支持。有的研究[7-8]將來(lái)自船舶機(jī)艙特定的操作場(chǎng)景中的故障和數(shù)據(jù)用于模擬不同的故障條件，提高船舶安全性。有的研究[9-12]通過(guò)傳感器將分類和壓縮后的故障檢測(cè)數(shù)據(jù)發(fā)送到岸基應(yīng)用程序（即數(shù)據(jù)中心），進(jìn)行數(shù)據(jù)擴(kuò)展、完整性驗(yàn)證和數(shù)據(jù)回歸。這兩個(gè)過(guò)程都利用了各種機(jī)器學(xué)習(xí)方法來(lái)克服船舶面臨的大數(shù)據(jù)挑戰(zhàn)。因此，如何將智能化技術(shù)和大數(shù)據(jù)分析技術(shù)應(yīng)用于船舶運(yùn)維中正成為研究的熱點(diǎn)。劉文紅[13]根據(jù)基于大數(shù)據(jù)平臺(tái)的船舶監(jiān)控系統(tǒng)的功能，對(duì)數(shù)據(jù)的分布式查詢和作業(yè)調(diào)度進(jìn)行研究，設(shè)計(jì)了分布式查詢算法和作業(yè)調(diào)度算法。陳昌運(yùn)等[14]對(duì)船舶營(yíng)運(yùn)大數(shù)據(jù)進(jìn)行分析與挖掘，將其應(yīng)用于多載況下船舶功率與航速評(píng)估、船舶能效設(shè)計(jì)指數(shù)實(shí)船驗(yàn)證方法的完善等。邱伯華等[15]基于大數(shù)據(jù)建立船舶自主學(xué)習(xí)模型，并研究了網(wǎng)絡(luò)實(shí)體融合系統(tǒng)（cyber-physical system， CPS）在知識(shí)體系、智能船舶運(yùn)維系統(tǒng)、CPS工業(yè)云平臺(tái)等中的應(yīng)用實(shí)踐，并對(duì)CPS應(yīng)用的重點(diǎn)發(fā)展方向進(jìn)行了分析和展望。

然而，這些研究大多從建立假設(shè)開(kāi)始，注重的是算法設(shè)計(jì)部分和數(shù)據(jù)的準(zhǔn)確性，卻忽略了數(shù)據(jù)本身的價(jià)值。大數(shù)據(jù)分析的重點(diǎn)是要知道“是什么”而不是小數(shù)據(jù)時(shí)代的“為什么”，這也是大數(shù)據(jù)時(shí)代帶來(lái)的數(shù)據(jù)分析觀念的轉(zhuǎn)變。因此，當(dāng)運(yùn)維數(shù)據(jù)量足夠大時(shí)，可以直接從數(shù)據(jù)本身出發(fā)，找到數(shù)據(jù)之間的相互關(guān)系，這是本文研究的出發(fā)點(diǎn)。通過(guò)數(shù)據(jù)之間的相互關(guān)系預(yù)測(cè)船舶設(shè)備的衰退路徑，并將分析結(jié)果可視化，提高已建船舶和新建船舶的智能化運(yùn)維水平，滿足智能化船舶發(fā)展的新要求。

1 運(yùn)維數(shù)據(jù)的采集與分類

船舶的運(yùn)維大數(shù)據(jù)就像是漂浮在海洋中的冰山，第一眼只能看到冰山的一角，知道機(jī)器的運(yùn)行情況，但它的更多價(jià)值卻隱藏在冰山之下：通過(guò)數(shù)據(jù)分析可以判斷設(shè)備是否出了故障，哪里出了什么故障，哪里需要配件，或者發(fā)現(xiàn)能耗的異常或峰值情況，知道設(shè)備由于自然磨損或其他原因發(fā)生的變化。鑒于大數(shù)據(jù)分析潛在的價(jià)值，如何獲取和儲(chǔ)存大量的運(yùn)維數(shù)據(jù)就成了首要的任務(wù)。因此，本文對(duì)采集的信號(hào)值和類型進(jìn)行定義并實(shí)時(shí)更新，以解決大量的運(yùn)維數(shù)據(jù)的獲取和分類問(wèn)題。

通過(guò)與浙江建揚(yáng)船務(wù)有限公司的合作，在建揚(yáng)第146號(hào)半潛運(yùn)輸船上安裝整套監(jiān)測(cè)設(shè)備，共918個(gè)信號(hào)點(diǎn)、1 800個(gè)信號(hào)值。基于檢測(cè)系統(tǒng)提供的通信協(xié)議名稱和編碼格式，編制MODBUS-TCP協(xié)議實(shí)現(xiàn)硬件檢測(cè)系統(tǒng)與運(yùn)維管理系統(tǒng)之間的船內(nèi)報(bào)警點(diǎn)數(shù)據(jù)的接收和存儲(chǔ)功能，見(jiàn)圖1。

如圖1所示，在船岸之間開(kāi)發(fā)通信功能， 通過(guò)2G和4G兩種網(wǎng)絡(luò)通信方式進(jìn)行數(shù)據(jù)傳輸，沒(méi)有網(wǎng)絡(luò)信號(hào)的地點(diǎn)通過(guò)衛(wèi)星信號(hào)將數(shù)據(jù)發(fā)送回公司。在進(jìn)行數(shù)據(jù)采集時(shí)，實(shí)現(xiàn)與設(shè)備運(yùn)行狀態(tài)的集成，對(duì)146艘船的設(shè)備運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控和報(bào)警，為實(shí)時(shí)設(shè)備運(yùn)行狀態(tài)監(jiān)控留有相應(yīng)的接口信息。將采集到的數(shù)據(jù)分為3大類：（1）設(shè)備運(yùn)行的狀態(tài)參數(shù)，即從傳感器中獲取的能夠反映設(shè)備運(yùn)行工況和健康狀態(tài)的數(shù)據(jù)，每隔1 min采集1次。（2）設(shè)備運(yùn)行的工況數(shù)據(jù)，即設(shè)備運(yùn)行的負(fù)載、轉(zhuǎn)速、運(yùn)行模式等數(shù)據(jù)，通過(guò)中央處理器每隔5 min采集1次。（3）船舶航線的環(huán)境參數(shù)，即可能影響設(shè)備性能和運(yùn)行狀態(tài)的環(huán)境信息，如浪高、洋流、風(fēng)速、風(fēng)向、溫度、天氣狀態(tài)等環(huán)境數(shù)據(jù)。

對(duì)這3類數(shù)據(jù)進(jìn)行分類編碼，然后根據(jù)屬性分層，最終將不同類數(shù)據(jù)按照不同屬性值和數(shù)值分為多個(gè)數(shù)據(jù)集。這些數(shù)據(jù)集被存儲(chǔ)在岸端的大數(shù)據(jù)庫(kù)。檢查運(yùn)維樣本數(shù)據(jù)集的數(shù)量和質(zhì)量是否滿足模型構(gòu)建的要求，檢查原始數(shù)據(jù)中是否存在缺失值、異常值或不一致的值。采用箱形圖識(shí)別異常值：將一組數(shù)據(jù)從大到小排列;分別計(jì)算數(shù)據(jù)的上界、上四分位數(shù)、中位數(shù)、下四分位數(shù)、下界和異常值;超出上下界的數(shù)據(jù)為異常值，可結(jié)合同一時(shí)間其他數(shù)據(jù)分析設(shè)備是否發(fā)生異常，如沒(méi)有異常，則可過(guò)濾處理。

采用相關(guān)性分析發(fā)現(xiàn)異常值變化規(guī)律，并建立相互關(guān)系模型。通過(guò)計(jì)算系數(shù)分析連續(xù)變量之間線性相關(guān)程度的強(qiáng)弱。判定系數(shù)是相關(guān)系數(shù)的平方，用r2表示，用來(lái)衡量回歸方程對(duì)y的解釋程度。判定系數(shù)取值范圍是（0，1）：越接近1，表示相關(guān)性越強(qiáng);越接近0，表明兩個(gè)變量之間幾乎沒(méi)有直線相關(guān)關(guān)系。使用二次曲線和拐點(diǎn)判斷兩個(gè)變量之間的相互關(guān)系，如果變化趨勢(shì)線與拐點(diǎn)線類似，則認(rèn)為兩者相關(guān)關(guān)系很強(qiáng)。用趨勢(shì)線與拐點(diǎn)線的相同程度表示相互關(guān)系的強(qiáng)弱。找出變化趨勢(shì)與拐點(diǎn)類似的變量組。在數(shù)據(jù)清洗和相關(guān)分析的基礎(chǔ)上建立預(yù)測(cè)模型，使用決策樹(shù)模型進(jìn)行設(shè)備衰退分析和故障預(yù)測(cè)。

2 基于數(shù)據(jù)分析的設(shè)備衰退預(yù)測(cè)

經(jīng)過(guò)數(shù)據(jù)收集和數(shù)據(jù)預(yù)處理，得到用于建模的數(shù)據(jù);設(shè)計(jì)訓(xùn)練集，計(jì)算分析變量?jī)蓛芍g的分布和相關(guān)度，找到高相關(guān)和共線性特征，通過(guò)決策樹(shù)理論建立樹(shù)形的函數(shù)模型;通過(guò)測(cè)試集檢驗(yàn)后進(jìn)行預(yù)測(cè)與控制。決策樹(shù)采用自頂向下的遞歸方式，在內(nèi)部節(jié)點(diǎn)進(jìn)行屬性值的比較，并根據(jù)不同的屬性值從該節(jié)點(diǎn)向下分枝，最終得到的葉節(jié)點(diǎn)就是數(shù)據(jù)分析的結(jié)果，見(jiàn)圖2。

如圖2所示，首先設(shè)計(jì)輸入屬性和輸出屬性，要求挑選出最佳屬性以便在節(jié)點(diǎn)處進(jìn)行測(cè)試，非葉節(jié)點(diǎn)對(duì)應(yīng)某屬性，讓輸入沿著某分枝到達(dá)樹(shù)葉部分時(shí)，就得到預(yù)測(cè)結(jié)果。此階段建立的決策樹(shù)算法分為3步：（1）通過(guò)歸納分析訓(xùn)練樣本集S得到分類規(guī)則，建立決策樹(shù)模型;（2）選用測(cè)試集評(píng)估決策樹(shù)模型的準(zhǔn)確率，如果準(zhǔn)確率是可以接受的，則使用該模型對(duì)未知類的待測(cè)樣本集進(jìn)行預(yù)測(cè);（3）通過(guò)臨界值對(duì)決策樹(shù)模型的寬度進(jìn)行控制。熵是由設(shè)備手冊(cè)定義的設(shè)備參數(shù)的變化范圍，超過(guò)此范圍的參數(shù)被認(rèn)為是非法的，此時(shí)判斷設(shè)備不能正常運(yùn)行。

依據(jù)此方法建立設(shè)備衰退和故障預(yù)測(cè)的決策樹(shù)模型，當(dāng)新數(shù)據(jù)產(chǎn)生時(shí)，從決策樹(shù)上自動(dòng)找到對(duì)應(yīng)的葉節(jié)點(diǎn)，根據(jù)葉節(jié)點(diǎn)屬性判斷設(shè)備的性能是否衰退和是否可能產(chǎn)生故障。在數(shù)據(jù)量不斷增大，新的故障環(huán)境不斷出現(xiàn)的情況下，此決策樹(shù)模型應(yīng)能夠根據(jù)監(jiān)控到的參數(shù)值進(jìn)行動(dòng)態(tài)變化，因此要對(duì)該模型進(jìn)行修正與更新，建立動(dòng)態(tài)更新機(jī)制。

3 基于ID3算法的動(dòng)態(tài)決策模型

決策樹(shù)是一樹(shù)狀結(jié)構(gòu)，它的每一葉節(jié)點(diǎn)對(duì)應(yīng)一分類，因此構(gòu)造動(dòng)態(tài)決策樹(shù)的核心是如何在每步選擇適當(dāng)?shù)膶傩詫?duì)樣本做拆分，再根據(jù)樣本在該屬性上的不同取值將其劃分成若干個(gè)子集，從已知類標(biāo)記的訓(xùn)練樣本中學(xué)習(xí)并構(gòu)造出動(dòng)態(tài)決策樹(shù)模型。

根據(jù)動(dòng)態(tài)決策樹(shù)ID3算法，首先設(shè)定測(cè)試樣本。樣本屬性有多少種分類，就有多少樣本集。假設(shè)S是由l個(gè)數(shù)據(jù)組成的樣本集，類別屬性具有m個(gè)不同的值s1，s2，…，sm，一個(gè)屬性A有k個(gè)不同的值，那么S就是決策樹(shù)上新的葉節(jié)點(diǎn)，A是非葉節(jié)點(diǎn)。按照取值決定非葉節(jié)點(diǎn)的位置：屬性A的取值越高，其位置就越高;依次向下排列?？?cè)≈悼梢员硎緸?/p>

式中，Pi是當(dāng)前參數(shù)值在總的樣本值中的比例。根據(jù)屬性值計(jì)算樣本的當(dāng)前取值，屬性A的值為按照此算法，擬定一個(gè)簡(jiǎn)單的設(shè)備運(yùn)行狀態(tài)建立決策樹(shù)模型，其輸入數(shù)據(jù)見(jiàn)表1。為計(jì)算方便，將數(shù)據(jù)按獲取日期以序號(hào)表示（見(jiàn)表1中第一列）。利用Python編程實(shí)現(xiàn)。G的大小作為選擇測(cè)試屬性的標(biāo)準(zhǔn)，按照每個(gè)屬性（如設(shè)備壓力）的取值大小定義分枝位置（會(huì)偏向于選擇取值較大的，即所謂高度分枝屬性），再根據(jù)分枝確定葉節(jié)點(diǎn)位置。根據(jù)新增加的數(shù)據(jù)，對(duì)屬性值進(jìn)行重新劃分，動(dòng)態(tài)更新決策樹(shù)模型。同時(shí)將決策樹(shù)預(yù)測(cè)結(jié)果可視化，使管理人員可以動(dòng)態(tài)觀察到設(shè)備的運(yùn)行情況。生成的決策樹(shù)模型見(jiàn)圖3，它是根據(jù)計(jì)算出的每個(gè)屬性值G的大小生成的，即圖3中value的取值（取值大的作為根節(jié)點(diǎn)，取值小的作為葉節(jié)點(diǎn)）。按照根取值大小依次向下，每個(gè)葉節(jié)點(diǎn)代表設(shè)備運(yùn)行狀態(tài)，如正常、減慢、報(bào)警等，根據(jù)數(shù)據(jù)對(duì)應(yīng)的葉節(jié)點(diǎn)就可以預(yù)測(cè)設(shè)備的運(yùn)行狀態(tài)。在此基礎(chǔ)上建立船舶運(yùn)維智能管理系統(tǒng)。

4 設(shè)備故障與衰退的3D可視化顯示

本文利用3D虛擬技術(shù)搭建整船的等比例模型，將分析得到的數(shù)據(jù)結(jié)果分類。結(jié)果為“正常”，設(shè)備對(duì)應(yīng)部件顯示為綠色;結(jié)果為“衰退”，設(shè)備對(duì)應(yīng)部件顯示為黃色;結(jié)果為“故障”，設(shè)備對(duì)應(yīng)部件顯示為紅色報(bào)警狀態(tài)。這樣通過(guò)顏色分級(jí)將設(shè)備情況同步反映，同時(shí)管理人員單擊設(shè)備可以看到設(shè)備數(shù)據(jù)分析的歷史曲線，作為設(shè)備維護(hù)和更換的依據(jù)。3D可視化顯示界面見(jiàn)圖4。如圖4所示，建立3D可視化設(shè)備模型并能爆炸顯示，根據(jù)分析結(jié)果將設(shè)備中部件顯示成不同顏色。在圖形區(qū)域單擊某一部件進(jìn)行查看時(shí)，其他部件會(huì)隱藏掉。船舶模型被拆分為結(jié)構(gòu)、設(shè)備、管路、電氣等3D仿真圖形。若單擊結(jié)構(gòu)，則只顯示此區(qū)域內(nèi)的結(jié)構(gòu);若單擊設(shè)備，則顯示此區(qū)域內(nèi)所有設(shè)備。單擊任意設(shè)備，可顯示此設(shè)備對(duì)應(yīng)的數(shù)據(jù)和歷史信息，給管理人員提供有關(guān)船舶運(yùn)維各種具有真實(shí)感的設(shè)備信息，有利于提高船員維護(hù)設(shè)備的效率并保障船舶航行安全，提高經(jīng)濟(jì)效益。

5 船舶智能運(yùn)維管理系統(tǒng)實(shí)現(xiàn)

通過(guò)開(kāi)發(fā)出的船舶智能運(yùn)維管理系統(tǒng)，可以進(jìn)行船舶運(yùn)行監(jiān)控、設(shè)備實(shí)時(shí)監(jiān)測(cè)與報(bào)警、設(shè)備維護(hù)和3D可視化顯示的一體化管理，實(shí)現(xiàn)智能船舶運(yùn)維的數(shù)字化管理、狀態(tài)檢測(cè)、故障的快速可視定位，以提高設(shè)備系統(tǒng)的管理效率，降低運(yùn)維成本和故障率，最大程度地保障船舶的安全運(yùn)營(yíng)。系統(tǒng)界面見(jiàn)圖5。

如圖5所示，利用船舶智能運(yùn)維管理系統(tǒng)可對(duì)設(shè)備的各項(xiàng)信息進(jìn)行管理，也可以通過(guò)虛擬現(xiàn)實(shí)技術(shù)盡可能將船舶運(yùn)營(yíng)的全過(guò)程真實(shí)而詳盡地反映在相應(yīng)的可視化平臺(tái)上，全方位地、直觀地給人們提供有關(guān)船舶的各種具有真實(shí)感的場(chǎng)景信息，并能進(jìn)行瀏覽、漫游等操作。同時(shí)結(jié)合大數(shù)據(jù)分析的結(jié)果，同步全船的監(jiān)測(cè)信號(hào)，實(shí)現(xiàn)故障的快速可視定位。

6 結(jié) 論

在船舶運(yùn)營(yíng)中會(huì)產(chǎn)生大量的數(shù)據(jù)，但只有小部分?jǐn)?shù)據(jù)被用來(lái)作為判斷設(shè)備是否需要報(bào)警的依據(jù)，或者監(jiān)測(cè)設(shè)備的運(yùn)轉(zhuǎn)情況。本文采用大數(shù)據(jù)分析來(lái)發(fā)現(xiàn)設(shè)備衰退前的參數(shù)變化，了解設(shè)備問(wèn)題產(chǎn)生的過(guò)程及造成的影響，再基于這些信息建立相互關(guān)系模型，利用該模型實(shí)時(shí)分析運(yùn)維數(shù)據(jù)，以預(yù)測(cè)和避免設(shè)備故障問(wèn)題。這也是開(kāi)發(fā)船舶智能運(yùn)維管理系統(tǒng)的目的。

開(kāi)發(fā)出的船舶智能運(yùn)維管理系統(tǒng)是船舶智能化，航運(yùn)管理智能化，船岸一體化、智能化、信息化等技術(shù)結(jié)合的智能系統(tǒng)，能在船舶運(yùn)行、保養(yǎng)、維護(hù)和管理等各環(huán)節(jié)，實(shí)現(xiàn)大數(shù)據(jù)分析與自主學(xué)習(xí)、設(shè)備衰退預(yù)警、船舶智能化運(yùn)營(yíng)，從而提升船舶企業(yè)和航運(yùn)企業(yè)核心競(jìng)爭(zhēng)力。

參考文獻(xiàn)：

[1]梁云芳， 謝俊元， 陳虎， 等. 智能船舶的發(fā)展研究[C]//紀(jì)念《船舶力學(xué)》創(chuàng)刊二十周年學(xué)術(shù)會(huì)議論文集. 中國(guó)船舶科學(xué)研究中心《船舶力學(xué)》編輯部， 2017：651-664.

[2]嚴(yán)新平. 智能船舶的研究現(xiàn)狀與發(fā)展趨勢(shì)[J]. 交通與港航， 2016， 2（1）：25-27. DOI：10.16487/j.cnki.issn2095-7491.2016.01.007.

[3]中國(guó)船級(jí)社. 智能船舶規(guī)范[EB/OL]. （2015-12-01）[2018-05-10]. http：//www.ccs.org.cn/ccswz/font/fontAction！article.do？articleId=ff808081511f069e01515b101f010297.

[4]衛(wèi)寧. 智能監(jiān)控技術(shù)在船舶工程安全管理中的應(yīng)用[J]. 中國(guó)造船， 2017（S1）：698-703.

[5]PERERA L P， MO B. Machine intelligence based data handling framework for ship energy efficiency[J]. IEEE Transactions on Vehicular Technology， 2017， 66（10）：8659-8666. DOI：10.1109/TVT.2017.2701501.

[6]PERERA L P， MO B. Data analysis on marine engine operating regions in relation to ship navigation[J]. Ocean Engineering， 2016， 128：163-172. DOI：10.1016/j.oceaneng.2016.10.029.

[7]張少敏， 毛冬， 王保義. 大數(shù)據(jù)處理技術(shù)在風(fēng)電機(jī)組齒輪箱故障診斷與預(yù)警中的應(yīng)用[J]. 電力系統(tǒng)自動(dòng)化， 2016， 40（14）：129-134. DOI：10.7500/ASPS20160316013.

[8]MOHAMMADI M， AL-FUQAHA A. Enabling cognitive smart cities using big data and machine learning：approaches and challenges[J]. IEEE Communications Magazine， 2018， 56（2）：94-101. DOI：10.1109/MCOM.2018.1700298.

[9]LEE H， AYDIN N， CHOI Y， et al. A decision support system for vessel speed decision in maritime logistics using weather archive big data[J]. Computers & Operations Research， 2017（6）：1-13. DOI：10.1016/j.cor.2017.06.005.

[10]BORKOWSKI P. Inference engine in an intelligent ship course-keeping system[J]. Computational Intelligence and Neuroscience， 2017（4）：1-9. DOI：10.1155/2017/2561383.

[11]王靈運(yùn)， 張光宇. 基于大數(shù)據(jù)的設(shè)備狀態(tài)監(jiān)控模型[J]. 設(shè)備管理與維修， 2017（9）：19-20. DOI：10.16621/j.cnki.issn1001-0599.2017.09.07.

[12]李銘志， 何炎平， 劉亞?wèn)|， 等. 智能船舶系統(tǒng)電氣解決方案[J]. 船電技術(shù)， 2017， 37（4）：66-69.? DOI：10.13632/j.meee.2017.04.002.

[13]劉文紅. 船舶監(jiān)控系統(tǒng)中的大數(shù)據(jù)處理平臺(tái)研究[J]. 艦船科學(xué)技術(shù)， 2016， 38（5A）：148-150. DOI：10.3404/j.jssn.1672-7649.2016.5A.050.

[14]陳昌運(yùn)， 李傳慶. 船舶營(yíng)運(yùn)大數(shù)據(jù)挖掘與應(yīng)用思考[J]. 船舶與海洋工程， 2015， 31（1）：5-8. DOI：10.14056/j.cnki.naoe.2015.01.003.

[15]邱伯華， 蔣云鵬， 魏慕恒， 等. 知識(shí)經(jīng)濟(jì)與CPS在船舶工業(yè)中的應(yīng)用實(shí)踐[J]. 信息技術(shù)與標(biāo)準(zhǔn)化， 2016（11）：17-21.

（編輯 趙勉）