一种基于深度学习的船舶工况在线识别分析方法及系统与流程

本发明涉及船舶工况识别，具体为一种基于深度学习的船舶工况在线识别分析方法及系统。

背景技术：

1、近年来，随着深度学习技术的迅速发展和大数据时代的到来，船舶工况的在线识别和分析变得日益重要。传统的船舶监控系统主要依赖于基础的传感器数据和简单的阈值判断，这在处理复杂的海上环境和多变的船舶运行状态时显得力不从心。尽管近期有研究开始利用机器学习方法来提高识别的准确性，但这些方法往往忽略了船舶数据的多模态性质，即数据来源多样且具有不同的特性和重要性。此外，现有技术在实时数据处理和多任务学习方面也存在不足，难以有效地处理和分析实时收集的大量数据，同时识别多种工况。

2、此外，船舶能耗的优化一直是海运行业关注的焦点，现有技术通常只考虑单一维度的能耗分析，如燃油消耗，而忽视了工况识别结果对能耗优化的潜在影响。这导致了能耗优化策略的局限性，无法全面应对不同工况下的能耗变化。

3、针对上述问题，我们的发明提出了一种基于深度学习的船舶工况在线识别分析方法及系统。该系统首先收集船舶的多模态数据并进行预处理，确保数据质量和一致性。接着，应用深度学习算法对这些多模态数据进行融合处理，提取关键特征，并根据不同船舶类型和任务环境自动调整模型参数，以适应多变的海上环境。此外，该系统利用优化的数据流处理算法实时处理船舶传感器产生的数据流，有效提高了数据处理的实时性和准确性。在异常检测方面，该系统能够识别非正常工况并生成预警信号，为船舶操作提供及时的安全保障。最后，通过采用多任务学习策略，该系统不仅能够识别多种工况，还能结合能耗模型对船舶的能耗进行优化分析，为节能减排提供了有效的策略。

4、综上所述，我们的发明在多模态数据处理、实时数据流处理、异常检测、多任务学习以及能耗优化分析等方面均展现出显著的优势，相比现有技术，能够提供更全面、准确且实用的船舶工况在线识别和能耗优化解决方案。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：如何有效地整合和处理船舶的多模态数据，以提高工况在线识别的准确性和实时性，并将这些识别结果应用于船舶能耗的优化分析。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的船舶工况在线识别分析方法，包括：收集船舶的多模态数据，并进行数据预处理；

4、应用深度学习算法对收集的多模态数据进行融合处理；

5、根据不同船舶类型和任务环境，自动调整深度学习模型的参数；

6、利用优化的数据流处理算法，实时处理船舶传感器产生的数据流；

7、对非正常工况进行识别，并生成预警信号；

8、采用多任务学习策略，同时训练模型识别多种工况，并结合能耗模型，对船舶的能耗进行优化分析。

9、作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案，其中：所述收集船舶的多模态数据包括，

10、船舶的全球定位系统数据，提供船舶的实时位置和航向信息；

11、船舶雷达系统数据，捕捉周围海域的物体和障碍物信息；

12、船舶声纳系统数据，检测和分析水下环境和物体；

13、船舶视频监控数据，视觉分析船舶的运行状态和周围环境；

14、船舶传感器数据，包括速度、方向、温度、湿度、风速和风向参数，用于提供全面的船舶运行环境信息；

15、所述数据预处理包括，去噪、格式化和标准化，以确保数据质量和一致性。

16、从每种模态的数据中提取关键特征；

17、进行时间同步，确保所有数据在时间轴上对齐;

18、将提取的特征转换为适合深度学习模型处理的格式;

19、检测并处理异常值和缺失值。

20、作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案，其中：所述应用深度学习算法对收集的多模态数据进行融合处理包括，综合评估和融合多模态数据，公式为：

21、 ；

22、其中，表示最终的数据融合函数，用于输出融合后的数据特征；表示收集的多模态数据集合；表示数据集合中的数据点总数；表示针对第个数据点的调整系数，用于控制每个数据点在融合中的影响力；表示一个过滤函数，应用于第个数据点；表示一个高等积分函数，用于处理第个数据点和变量的关系；表示自然常数。

23、作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案，其中：所述自动调整深度学习模型的参数包括，公式为：

24、 ；

25、其中，为参数调整函数，表示模型参数的集合，表示船舶类型，表示任务环境，表示归一化函数，保证调整后的参数标准化；表示模型参数的总数，表示深度学习模型中的第个参数，表示针对第个参数的调整系数，表示信息过滤函数，用于处理第个参数与船舶类型和任务环境的关系。

26、作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案，其中：所述利用优化的数据流处理算法包括，

27、设定初始状态估计和初始误差协方差；

28、确定状态转移模型、控制输入模型、观测模型、过程噪声协方差和观测噪声协方差；

29、对于每个时间点，基于前一状态和外部控制使用状态转移模型预测当前状态：

30、 ；

31、更新预测协方差：

32、 ；

33、其中，表示前一时间点的协方差，表示为状态转移模型的转置矩阵；

34、当新的观测数据可用时，计算卡尔曼增益：

35、 ；

36、其中，表示观测模型的转置矩阵；

37、使用卡尔曼增益更新状态估计：

38、 ；

39、其中，表示在时间点的状态估计，表示在时间点从传感器收集的原始数据点；

40、在每个新的时间点重复预测和更新，以不断整合新的观测数据；

41、将处理后的数据作为深度学习模型的输入，用于船舶任务工况的在线识别。

42、作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案，其中：所述生成预警信号包括，

43、基于历史数据和船舶性能参数，定义的正常工况范围；

44、当落在正常范围内，即时，则判断为目前船舶工况属于正常工况；

45、当超出正常范围，即或时，则判断为目前船舶工况属于异常工况；

46、根据与正常范围的偏离程度，生成不同等级的预警信号；

47、若在或，则进行轻度预警；

48、若或，则进行重度预警；

49、根据船舶的实时运行数据和历史性能数据，动态调整和预警阈值。

50、作为本发明所述的基于深度学习的船舶工况在线识别分析方法的一种优选方案，其中：所述对船舶的能耗进行优化分析包括，基于作为输入，建立一个深度神经网络，包含共享层和多个任务特定层，分别处理不同的工况识别任务；

51、建立能耗模型，公式为：

52、 ；

53、其中，表示一个基于船舶航速和货物载重的功率函数，用于估计基础能耗；表示一个风险调整函数，考虑了工况识别结果、航速和载重对能耗的影响；表示一个时间依赖的调整函数，考虑了工况随时间的变化对能耗的影响；均表示权重系数，用于平衡各个函数对总能耗的贡献；表示为对时间依赖函数的积分，用于计算一段时间内的总能耗调整；

54、使用历史数据集训练模型，其中表示输入特征，表示工况标签，表示能耗数据；

55、  ；

56、其中，表示深度学习模型对输入特征的预测输出；表示平衡参数，用于调整工况识别损失和能耗估计损失之间的权重；表示能耗模型对工况状态和输入特征的能耗预测。

57、一种基于深度学习的船舶工况在线识别分析系统，包括，

58、数据收集与预处理模块：收集船舶的多模态数据，并进行数据预处理；

59、数据融合处理模块：应用深度学习算法对收集的多模态数据进行融合处理；

60、模型参数自适应调整模块：根据不同船舶类型和任务环境，自动调整深度学习模型的参数；

61、实时数据流处理模块：利用优化的数据流处理算法，实时处理船舶传感器产生的数据流；

62、异常检测预警模块：对非正常工况进行识别，并生成预警信号；

63、能耗优化模块：采用多任务学习策略，同时训练模型识别多种工况，并结合能耗模型，对船舶的能耗进行优化分析。

64、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。

65、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。

66、本发明的有益效果：本发明通过应用深度学习技术，显著提高了船舶工况在线识别的准确性和实时性。它能有效处理多模态数据，适应不同船舶类型和任务环境，从而提高了工况识别的灵活性和适用性。此外，集成的异常检测机制增强了船舶运行的安全性，而多任务学习策略使得系统能同时处理多种工况。最重要的是，本发明结合能耗模型，为节能减排提供了有效的策略，有助于提高能源效率并减少环境影响。总体而言，本发明提供了一个全面且高效的解决方案，用于改善船舶运行的安全性、效率和环境友好性。