船用设备健康状况判定方法、装置和计算机设备与流程

本公开涉及船用机械领域，特别涉及一种船用设备健康状况判定方法、装置和计算机设备。

背景技术：

船用设备包含船舶主机、辅机等多种设备，通过这些设备的应用来完成船舶的航行、靠离泊、装卸货物等生产作业，并保证船舶和人员的安全。船用设备具有种类繁多、系统复杂等特点，设备健康状况直接关乎船员与货物的安全，目前主要通过船员的经验进行判断。

技术实现要素：

本公开实施例提供了一种船用设备健康状况判定方法、装置和计算机设备。所述技术方案如下：

第一方面，本公开实施例提供了一种船用设备健康状况判定方法，所述方法包括：

获取船用设备的实时数据，并存储到kafka集群中，所述船用设备的实时数据包括以下数据及其对应的时间戳：电流、电压、振动、湿度、温度；

通过flink工具消费kafka集群中的所述船用设备的实时数据，并基于所述船用设备的实时数据和所述船用设备的工况数据确定所述船用设备的状态数据，所述状态数据包括运行累计时间、超负荷运行时间、保养及时性、易耗件状态、运行工况和实时状态，所述船用设备的工况数据包括所述船用设备的保养记录、易损件的剩余寿命和报警记录；

基于所述船用设备的状态数据确定所述船用设备的健康状况，所述健康状况包括健康、亚健康和故障；

输出所述船用设备的健康状况，并以雷达图的形式输出影响所述船用设备的健康状况的所述船用设备的状态数据。

可选地，所述基于所述船用设备的实时数据确定所述船用设备的状态数据，包括：

基于所述船用设备的实时数据的时间戳，统计所述船用设备的运行累计时间；

基于所述船用设备的电流和电压计算功率，并统计所述功率超过所述船用设备的额定功率的时间，得到所述船用设备的超负荷运行时间；

基于所述船用设备的保养记录统计周期内保养的项目数，所述船用设备的保养记录包括保养项目和保养时间；将周期内保养的项目数除以周期内需要保养的项目总数，得到所述船用设备的保养及时性；

获取所述船用设备的额定寿命，将所述易损件的剩余寿命除以额定寿命，得到所述易耗件状态；

确定所述船用设备的振动、温度和湿度分别所处的区间；确定所述船用设备的振动、温度和湿度分别所处的区间所对应的预设值，得到所述运行工况；

基于所述报警记录确定所述船用设备的报警次数；基于所述船用设备的报警次数得到所述实时状态。

可选地，所述基于所述船用设备的状态数据确定所述船用设备的健康状况，包括：

确定所述报警次数和阈值的大小；当所述报警次数大于所述阈值时，确定所述船用设备的健康状况为故障；

当所述报警次数不大于所述阈值时，将所述状态数据中的各项分别乘以对应的权重，得到状态值；

确定所述状态值所处的区间，并确定出所述状态值所处的区间对应的健康状况。

可选地，所述将所述状态数据中的各项分别乘以对应的权重，得到状态值，包括：

确定所述船用设备的类型和运行时长；

基于类型和运行时长与权重的对应关系，确定所述船用设备的类型和运行时长对应的权重；

基于所述船用设备的类型和运行时长对应的权重，计算所述状态值。

可选地，所述方法还包括：

将所述船用设备的实时数据、状态数据以及健康状况，存储到hbase数据库中。

第二方面，本公开实施例提供了一种船用设备健康状况判定装置，所述装置包括：

获取模块，被配置为获取船用设备的实时数据，并存储到kafka集群中，所述船用设备的实时数据包括以下数据及其对应的时间戳：电流、电压、振动、湿度、温度；

第一确定模块，被配置为通过flink工具消费kafka集群中的所述船用设备的实时数据，并基于所述船用设备的实时数据和所述船用设备的工况数据确定所述船用设备的状态数据，所述状态数据包括运行累计时间、超负荷运行时间、保养及时性、易耗件状态、运行工况和实时状态，所述船用设备的工况数据包括所述船用设备的保养记录、易损件的剩余寿命和报警记录；

第二确定模块，被配置为基于所述船用设备的状态数据确定所述船用设备的健康状况，所述健康状况包括健康、亚健康和故障；

输出模块，被配置为输出所述船用设备的健康状况，并以雷达图的形式输出影响所述船用设备的健康状况的所述船用设备的状态数据。

可选地，所述第一确定模块，被配置为：

基于所述船用设备的实时数据的时间戳，统计所述船用设备的运行累计时间；

基于所述船用设备的电流和电压计算功率，并统计所述功率超过所述船用设备的额定功率的时间，得到所述船用设备的超负荷运行时间；

基于所述船用设备的保养记录统计周期内保养的项目数，所述船用设备的保养记录包括保养项目和保养时间；将周期内保养的项目数除以周期内需要保养的项目总数，得到所述船用设备的保养及时性；

获取所述船用设备的额定寿命，将所述易损件的剩余寿命除以额定寿命，得到所述易耗件状态；

确定所述船用设备的振动、温度和湿度分别所处的区间；确定所述船用设备的振动、温度和湿度分别所处的区间所对应的预设值，得到所述运行工况；

基于所述报警记录确定所述船用设备的报警次数；基于所述船用设备的报警次数得到所述实时状态。

可选地，所述第二确定模块，被配置为：

确定所述报警次数和阈值的大小；当所述报警次数大于所述阈值时，确定所述船用设备的健康状况为故障；

当所述报警次数不大于所述阈值时，将所述状态数据中的各项分别乘以对应的权重，得到状态值；

确定所述状态值所处的区间，并确定出所述状态值所处的区间对应的健康状况。

第三方面，本公开实施例提供了一种计算机设备，所述计算机设备包括：处理器；被配置为存储处理器可执行指令的存储器；其中，所述处理器被配置为执行第一方面任一项所述的船用设备健康状况判定方法。

第四方面，本公开实施例提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由计算机设备的处理器执行时，使得所述计算机设备能够执行第一方面任一项所述的船用设备健康状况判定方法。

本公开实施例提供的技术方案带来的有益效果是：

通过采用kafka集群存储船用设备运行过程中的实时数据，然后利用flink工具消费kafka集群中的所述船用设备的实时数据，计算船用设备的运行累计时间、超负荷运行时间、保养及时性、易耗件状态、运行工况和实时状态等状态数据，采用这些状态数据确定船用设备的健康状况。这种设备健康状况判定方法是由设备基于船用设备的运行过程中的实时数据与船用设备的工况数据确定的，并非船员经验判断，准确性高，能够在设备故障早期进行预警，避免错过设备最佳维护时间，造成了设备的维保服务周期长、效率低、成本高的困境。同时，输出船用设备的状态数据雷达图，从而使得影响船用设备健康状况的因素可视化，能够直观显示出对船用设备的健康状况影响较大的因素，有利于船用设备的维护和维修。另外，在上述方案中采用kafka集群和flink工具进行数据的处理，数据吞吐量高、延迟低，使得该方案能够应用在数据量大的船舶或海上平台中。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本公开实施例提供的船用设备健康状况判定方法流程图；

图2是本公开实施例提供的船用设备健康状况判定方法流程图；

图3是本公开实施例提供的雷达图；

图4是本公开实施例提供的系统架构图；

图5是本公开实施例提供的船用设备健康状况判定装置结构示意图；

图6是本公开实施例提供的一种计算机设备的结构框图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。

现阶段，在船用设备的智能化进程中，越来越多的高新技术被运用至新的船用设备中，使得设备的信息化、集成化程度日益增加。设备健康状况评价的技术难度因设备的复杂程度增加而急剧增大，船员依靠传统经验的判断方法具有很大的局限性，无法在设备故障早期进行预警，容易错过设备最佳维护时间，造成了设备的维保服务周期长、效率低、成本高的困境。

图1是本公开实施例提供的一种船用设备健康状况判定方法的流程图。参见图1，该方法包括：

步骤101：获取船用设备的实时数据，并存储到kafka集群中。

在本公开实施例中，船用设备是指用来完成船舶的航行、靠离泊、装卸货物等生产作业的设备，例如锚绞机。

其中，船用设备的实时数据包括以下数据及其对应的时间戳：电流、电压、振动、湿度、温度。其中，船用设备的实时数据可以通过设置在船用设备上的传感器采集得到。

步骤102：通过flink工具消费kafka集群中的所述船用设备的实时数据，并基于所述船用设备的实时数据和所述船用设备的工况数据确定所述船用设备的状态数据。

其中，状态数据包括运行累计时间、超负荷运行时间、保养及时性、易耗件状态、运行工况和实时状态；船用设备的工况数据包括所述船用设备的保养记录、易损件的剩余寿命和报警记录。

步骤103：基于所述船用设备的状态数据确定所述船用设备的健康状况。

其中，健康状况包括健康、亚健康和故障。

步骤104：输出所述船用设备的健康状况，并以雷达图的形式输出影响所述船用设备的健康状况的所述船用设备的状态数据。

通过采用kafka集群存储船用设备运行过程中的实时数据，然后利用flink工具消费kafka集群中的所述船用设备的实时数据，计算船用设备的运行累计时间、超负荷运行时间、保养及时性、易耗件状态、运行工况和实时状态等状态数据，采用这些状态数据确定船用设备的健康状况。这种设备健康状况判定方法是由设备基于船用设备的运行过程中的实时数据与船用设备的工况数据确定的，并非船员经验判断，准确性高，能够在设备故障早期进行预警，避免错过设备最佳维护时间，造成了设备的维保服务周期长、效率低、成本高的困境。同时，输出船用设备的状态数据雷达图，从而使得影响船用设备健康状况的因素可视化，能够直观显示出对船用设备的健康状况影响较大的因素，有利于船用设备的维护和维修。另外，在上述方案中采用kafka集群和flink工具进行数据的处理，数据吞吐量高、延迟低，使得该方案能够应用在数据量大的船舶或海上平台中。

另外，采用上述方案进行船用设备健康状况判定，有利于提高船用设备的运行管理的智能化水平，提高船用设备使用的可靠性，降低运维成本，为船东和设备供应商带来较好地经济收益，具有较好地推广价值和应用前景。

同时，本公开可应用到各类船用设备上，应用船型广泛，在民用、军事和科研领域均具有非常广阔的应用前景。

图2是本公开实施例提供的一种船用设备健康状况判定方法的流程图。参见图2，该方法包括：

步骤201：获取船用设备的实时数据，并存储到kafka集群中。

在本公开实施例中，船用设备是指用来完成船舶的航行、靠离泊、装卸货物等生产作业的设备，例如锚绞机。

其中，船用设备的实时数据包括以下数据及其对应的时间戳：电流、电压、振动、湿度、温度。

kafka集群是一种分布式消息系统，或者叫分布式流处理平台，具有高吞吐量、低延迟的特点，kafka集群每秒可以处理几十万条消息，它的延迟最低只有几毫秒。kafka集群可以收集各个传感器采集的实时数据(传感器的每条实时数据作为一条消息发送给kafka集群)，然后通过统一接口服务的方式开放给各种客户(consumer)。其中，电流、电压、湿度、温度等为低频采样数据，采样频率通常在1hz左右，振动为高频采样数据，采样频率通常在10hz左右。

在kafka集群中，可以配置多个topic，每个topic可以包括多个分区(partition)。不同的topic可以用于存储不同船用设备的实时数据。

进一步地，kafka集群除了可以接收并存储船用设备的传感器采集的消息外，还可以接收并存储其他方式发送给kafka集群的消息。

例如，船舶的其他系统的监测设备通过传输控制协议/互联协议(tcp/ip)协议发送的消息，例如该消息携带可以携带船舶所处环境的风、浪、流等情况。

步骤202：通过flink工具消费kafka集群中的所述船用设备的实时数据。

flink工具即为前述客户(consumer)，flink起到实时计算的作用，实时读取kafka中的数据然后进行计算。flink工具中的所有数据以数据流方式处理，能够利用其内部算法实现超大数据量状态的管理，可达tb级；同时可实现弹性伸缩应用，具有更好的扩展性；而且能够提供丰富的时间语义支持，其中时间戳的应用，使得可以根据时间戳进行结果的计算。

步骤203：调用数据处理工具，基于所述船用设备的实时数据和所述船用设备的工况数据确定所述船用设备的状态数据。

示例性地，flink工具读取到的数据，调用数据处理工具每10秒处理一次。

其中，状态数据包括运行累计时间、超负荷运行时间、保养及时性、易耗件状态、运行工况和实时状态；船用设备的工况数据包括所述船用设备的保养记录、易损件的剩余寿命和报警记录。

其中，船用设备的工况数据和基础数据也可以采用kafka集群进行存储。例如，可以通过软件前台界面进行手工录入，kafka集群接收录入生成的消息，然后存储上述数据。在其他实现方式中，船用设备的工况数据和基础数据也可以存储在常规数据库中。基础数据可以包含船用设备的名称、规格、型号、出厂日期、供应商等。

其中，步骤203可以包括：

基于所述船用设备的实时数据的时间戳，统计所述船用设备的运行累计时间。运行累计时间指设备实际运转的时间，通常在船用设备初始使用时，健康状况较好，随着船用实际运转时间的增加，设备健康状况逐渐劣化。所以，船用设备的运行累计时间与设备健康状况呈负相关。

基于所述船用设备的电流和电压计算功率，并统计所述功率超过所述船用设备的额定功率的时间，得到所述船用设备的超负荷运行时间。例如，对于功率超过所述船用设备的额定功率的情况下进行记录，将超负荷运行的时间进行累加，就得出了设备超负荷运行时间。超负荷时间在设备运行累计时间中占比越大，则设备健康状况劣化速度越快。

基于所述船用设备的保养记录统计周期内保养的项目数，所述船用设备的保养记录包括保养项目和保养时间；将周期内保养的项目数除以周期内需要保养的项目总数，得到所述船用设备的保养及时性。例如，以季度为周期，每个季度内需要保养的项目数为n，实际在该周期内保养的项目为n，则保养及时性p＝n/n，该比值越大对设备健康状况越有利。

获取所述船用设备的额定寿命，将所述易损件的剩余寿命除以额定寿命，得到所述易耗件状态。例如，对于每一个易耗件都有生产日期和使用期限，从装船使用的时间算起，按自然天计算则可以计算出剩余寿命。设定易损件剩余寿命为q1，额定寿命为q2，则易耗件状态q＝q1/q2，该比值越大对设备健康状况越有利。

确定所述船用设备的振动、温度和湿度分别所处的区间；确定所述船用设备的振动、温度和湿度分别所处的区间所对应的预设值，得到所述运行工况。例如，振动、温度和湿度分别划分为三个范围，当三者均处于最低范围时，对应第一预设值，三者均为最高范围时，对应第二预设值，依此类推。高温高湿高振动的环境下，设备健康状况劣化趋势明显加快。

基于所述报警记录确定所述船用设备的报警次数；基于所述船用设备的报警次数得到所述实时状态。例如，当报警次数小于阈值时，报警次数约少，实时状态对应的值越小，报警次数约多，实时状态对应的值越大。

前述6项状态数据中每项的数值均在0-100之间。若步骤203中存在一项状态数据的数值超过100或者最大值远小于100时，可以进行等比例缩放，使得数值范围对应0-100。

步骤204：确定所述报警次数和阈值的大小。当所述报警次数大于所述阈值时，执行步骤205；当所述报警次数不大于所述阈值时，执行步骤206和步骤207。

例如，该阈值可以为0。当所述报警次数不为0，执行步骤205；当所述报警次数为0，执行步骤206和步骤207。

步骤205：确定所述船用设备的健康状况为故障。

步骤206：将所述状态数据中的各项分别乘以对应的权重，得到状态值。

其中，步骤206可以包括：

确定所述船用设备的类型和运行时长；

基于类型和运行时长与权重的对应关系，确定所述船用设备的类型和运行时长对应的权重；

基于所述船用设备的类型和运行时长对应的权重，计算所述状态值。

以锚绞机为例，按照设计寿命30年，每年运行约70航次，每航次5天4夜，每航次停靠4个港口，每航次系泊4次，锚泊2次。在设备投入运行的前5年中，往往运行累计时间、易损件状态在整个健康评估中所占比重极少，因此这几项对应的权重小，超负荷运行时间、运行工况、保养及时性对于设备健康影响更加明显，权重相对较高。当设备累计运行一定年限，尤其对于部分密封件即将达到寿命上限时，大量的健康度损坏是因为易损件到寿命所引起的，这时易损件状态的权重会较高，至少占到0.5。

这里，不同的类型和运行时长与权重的对应关系可以采用德尔菲法确定，也即通过专家组经验确定权重。

步骤207：确定所述状态值所处的区间，并确定出所述状态值所处的区间对应的健康状况。

其中，健康状况包括健康、亚健康和故障。

例如，状态值可以分为[0,30),[30,70),[70,100]三个区间，状态值处于[0,30)区间时，船用设备的健康状况为健康，状态值处于[30,70)区间时，船用设备的健康状况为亚健康，状态值处于[70,100]区间时，船用设备的健康状况为故障。

步骤208：输出所述船用设备的健康状况，并以雷达图的形式输出影响所述船用设备的健康状况的所述船用设备的状态数据。

图3是本公开实施例提供的雷达图。参见图3，每项状态数据是指均对应雷达图中的一个点，6个点连接形成一个6边形，6边形越大健康状况越差，且基于6边形各个角到雷达中心的距离，可以看出对健康状况影响较大的项目。

进一步地，该方法还可以包括：

获取机长基于雷达图输入的当前健康状况；若机长输入的当前健康状况与设备输出的健康状况不同时，采用机长输入的当前健康状况替换设备输出的健康状况，实现校正。

步骤209：将所述船用设备的实时数据、状态数据以及健康状况，存储到hbase数据库中。

hbase数据库支持海量数据瞬间写入，业务场景简单，容易扩展，具有高并发性。

图4是本公开实施例提供的系统架构图。参见图4，设备基础数据、实时数据和工况数据均通过消息发送给kafka集群进行存储，然后由flink进行实时处理，最后将原始数据和处理得到的健康状况等数据均存储到hbase数据库中。

进一步地，该方法还可以将上述基础数据和工况数据等原始数据均存储到hbase数据库中。

其中，步骤209也是通过flink工具实现的。

图5是本公开实施例提供的船用设备健康状况判定装置结构示意图。参见图5，该装置包括：获取模块301、第一确定模块302、第二确定模块303和输出模块304。

获取模块301，被配置为获取船用设备的实时数据，并存储到kafka集群中，所述船用设备的实时数据包括以下数据及其对应的时间戳：电流、电压、振动、湿度、温度；

第一确定模块302，被配置为通过flink工具消费kafka集群中的所述船用设备的实时数据，并基于所述船用设备的实时数据和所述船用设备的工况数据确定所述船用设备的状态数据，所述状态数据包括运行累计时间、超负荷运行时间、保养及时性、易耗件状态、运行工况和实时状态，所述船用设备的工况数据包括所述船用设备的保养记录、易损件的剩余寿命和报警记录；

第二确定模块303，被配置为基于所述船用设备的状态数据确定所述船用设备的健康状况，所述健康状况包括健康、亚健康和故障；

输出模块304，被配置为输出所述船用设备的健康状况，并以雷达图的形式输出影响所述船用设备的健康状况的所述船用设备的状态数据。

可选地，所述第一确定模块302，被配置为：

基于所述船用设备的实时数据的时间戳，统计所述船用设备的运行累计时间；

基于所述船用设备的电流和电压计算功率，并统计所述功率超过所述船用设备的额定功率的时间，得到所述船用设备的超负荷运行时间；

基于所述船用设备的保养记录统计周期内保养的项目数，所述船用设备的保养记录包括保养项目和保养时间；将周期内保养的项目数除以周期内需要保养的项目总数，得到所述船用设备的保养及时性；

获取所述船用设备的额定寿命，将所述易损件的剩余寿命除以额定寿命，得到所述易耗件状态；

确定所述船用设备的振动、温度和湿度分别所处的区间；确定所述船用设备的振动、温度和湿度分别所处的区间所对应的预设值，得到所述运行工况；

基于所述报警记录确定所述船用设备的报警次数；基于所述船用设备的报警次数得到所述实时状态。

可选地，所述第二确定模块303，被配置为：

确定所述报警次数和阈值的大小；当所述报警次数大于所述阈值时，确定所述船用设备的健康状况为故障；

当所述报警次数不大于所述阈值时，将所述状态数据中的各项分别乘以对应的权重，得到状态值；

确定所述状态值所处的区间，并确定出所述状态值所处的区间对应的健康状况。

可选地，所述第二确定模块303，被配置为：

确定所述船用设备的类型和运行时长；

基于类型和运行时长与权重的对应关系，确定所述船用设备的类型和运行时长对应的权重；

基于所述船用设备的类型和运行时长对应的权重，计算所述状态值。

可选地，该装置还包括：

存储模块305，被配置为将所述船用设备的实时数据、状态数据以及健康状况，存储到hbase数据库中。

图6是本公开实施例提供的一种计算机设备的结构框图。计算机设备400包括中央处理单元(cpu)401、包括随机存取存储器(ram)402和只读存储器(rom)403的系统存储器404，以及连接系统存储器404和中央处理单元401的系统总线405。计算机设备400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(i/o系统)406，和用于存储操作系统413、应用程序414和其他程序模块415的大容量存储设备407。

基本输入/输出系统406包括有用于显示信息的显示器408和用于用户输入信息的诸如鼠标、键盘之类的输入设备409。其中显示器408和输入设备409都通过连接到系统总线405的输入输出控制器410连接到中央处理单元401。基本输入/输出系统406还可以包括输入输出控制器410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器410还提供输出到显示屏、打印机或其他类型的输出设备。

大容量存储设备407通过连接到系统总线405的大容量存储控制器(未示出)连接到中央处理单元401。大容量存储设备407及其相关联的计算机可读介质为计算机设备400提供非易失性存储。也就是说，大容量存储设备407可以包括诸如硬盘或者cd-rom驱动器之类的计算机可读介质(未示出)。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、eprom、eeprom、闪存或其他固态存储其技术，cd-rom、dvd或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器404和大容量存储设备407可以统称为存储器。

根据本公开的各种实施例，计算机设备400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备400可以通过连接在系统总线405上的网络接口单元411连接到网络412，或者说，也可以使用网络接口单元411来连接到其他类型的网络或远程计算机系统(未示出)。

存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，中央处理器401通过执行该一个或一个以上程序来实现图1或图2所示的船用设备健康状况判定方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由计算机设备的处理器执行以完成本公开各个实施例所示的船用设备健康状况判定方法。例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

以上所述仅为本公开的可选实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。