AI 与物联网融合下的船舶动态监测优化研究

3.算法优化策略

3.1 多模态数据的融合算法

在研究中，考虑船舶监测系统的特点和需要，针对多模态数据融合算法， 提出了时空注意力机制（STAM）解决异构数据对齐问题的方案设计，其基本公式如下所示。

α_i=σ（W_j⋅[h_i，c_i]+b_j）

在上述公式中 i 表示的是时序特征， i 表示的是空间上下午，通过模拟实验显示该机制使故障的分类 F1值提升了 14.3% 。在船舶监测中所获得数据是多模态数据，在处理的过程中的时序特征和空间上下文在理论上具有不同的数据结构和语义信息，这会影响数据的分析与处理。时空注意力机制（STAM）在解决这一问题上具有明显的优势，通过学习权重 i ，能够自适应的调整模型对这两种特征的关注程度，在两者之间的找到一个平衡点，达到解决的监测数据中的异构数据的有效对齐的问题。这一点非常适合传播故障分类任务的梳理，船舶故障主要是由设备运行导致的，时序特征客观反应了船舶各类设备的运行参数与时间之间的关系，空间上下文可以搜集设备所处物理位置和周围环境信息，在这种情况下借助于空间注意力机制，所建立起来的模型可以更好的融合处理这些复杂的异构信息，从而显著提高故障分类的准确性，为故障识别排除提供准确的依据。在模拟实验中表明，该机制可以让船舶故障分类 f1 值提升 14.3% ，由此可以看出时空，注意力机制可以更加准确有效的捕捉多模态数据中故障分类有影响的关键特征，这对提高模型分类精度和鲁棒性的作用非常明显。但是，研究中仅对时序特征和空间上下文进行了拼接，在未来的改进和优化的过程中，计划引入更加复杂的特征交互方式，包括乘法交互和注意力池化等，以更加准确地挖掘两种特征之间的潜在关系，进一步提高不同场景之下多模态数据的融合处理与分析能力。

3.2 动态模型更新机制

船舶航运过程中，工况会伴随着时间不断的变化，而变化会产生新的数据和任务需求。传统的模型训练方式在针对新数据进行训练的时候，需要使用所有的数据进行训练，这种训练不仅复杂繁琐，计算的成本也比较，对系统的算力要求也非常高。而基于以往出现的增量学习框架，这是一种模仿人类学习思维机制的一种训练方式，模型在学习新数据的过程中会保留旧数据的学习成，有效的预防灾难性遗忘对模型训练过程和效果的影响，从而实现模型的动态更和优化。在这一过程中，其参考公式如下。

在上述公式中， 分别表示的是模型在时间 t 时和 t+1 时的的具体参数， 表示的是模型的学习效率控制参数更新的步长，简单的来说就是具体的控制时间， 表示的是模型对参数的 的梯度算子。L_new 表示的是新数据的损失函数，作为衡量模型在新数据训练中的的预测误差，将其最小化处理就可以获得模型学习到新数据中的模式和特征等。在上述模型设计的基础上，引入了弹性圈中巩固技术（EWC），这种技术可以作为增强学习框架的有效的补充，通过在模型在那个引入正则化项的形式，对模型参数进行的约束，在使用的过程中会自动计算旧数据上模型参数的 Fisher 信息矩阵，对于重要参数会自动给予更大的约束，这样在更新的时候变化就会相对较小，从而达到保留模型在旧数据上的学习成果的目的，这样模型才能更好的适应船舶工况的变化。

4 技术挑战与对策

4.1 海事通信瓶颈

海运是水路运输的重要组成部分，但是从现有的研究资料和成果来看，在海陆运输中，船舶与岸基之间以及船舶之间的通信主要依赖于卫星通信，但是现有的卫星通讯技术存在着宽带限制，其带宽仅能达到 512kbps，这极大地限制了船舶的数据传输能力，船舶在监测过程中所产生的各种关键数据，可能受到宽带的限制，无法及时传输到岸基数据中心以及其他相关船舶。此外，卫星通讯也存在着明显的数据传输延迟问题，现有的研究成果和资料显示其延迟的时间可能长达 ，而在船舶航行过程中，时间就是安全。当船舶遭遇到紧急状况的时候，如果不能将相关关键信息及时迅速的传输到岸基指挥中心以及其他船舶，就无法及时采取有效的应对措施，即便是 2～3 秒，也可能会导致救援行动延迟，轻则增加救援的难度， j^u 重的情况下可能会导致人员伤亡。另外这种延迟也会影响远程操控和实时监控跟性能的可靠性。为了解决这些问题，可以开发基于 loRa 的低功耗广域网，这种广域网具有远距离低功耗和大容量的特点，并且可以作为专网进行建设，在船舶内部形成一个可靠的无线通信网络，有效的解决数据在船舶内部之间的传输延迟问题。在建设的过程中，船舶上的各种设备以及传感器都可以借助于该网络接入内部专网，实现数据的快速稳定传输。例如，在船舶行驶过程中，主机和辅机以及电器设备等重要设备的运行状态数据可以实时上传到船舶内的数据服务器，数据服务器可以实时对这些数据进行加工和处理，并得出具体的分析结果。当然，为了进一步提高数据传输的效率，还可以实时数据优先级队列，优先解决紧急数据的传输效率问题，在这个过程中，需要根据数据的重要性和紧急程度解决数据的优先级分类问题。

4.2 多船协同难题

在水路运输的过程中，尤其是在海运过程中多船协同作业场景比较频繁，比如说船队的编队航行等，除此之外，海上救援行动也是多船协同的重要体现。在这个过程中，需要多艘船舶进行实时的信息交互与协同，船舶的数量越多，在信息交互和协同过程中的算法复杂程度就越高，根据现有的一些理论显示，船舶数量的增加算法的计算将呈现出平方级的增长，这对算法以及数据传输能力的要求非常高。例如在船舶编队航行的时候，每一艘船舶都需要根据其他船舶的位置速度和航向等信息来分析和判断自己其他船只的航行状态、位置状态，只有这样才能最大程度地保证船队的整齐与安全。在这一过程中，每一个船只都要与其他船只进行信息交互与计算，系统的计算负担会急剧增加。为了解决这些问题，在学习和借鉴其他监测系统交互数据解决方案的基础上，建议采用联邦学习学习技术来解决这些问题，这是一种分布式机器学习框架，可以同时允许多个参与方在本地训练模型，在此基础上，再将模型的更新参数进行聚合，在这一过程中不需要共享原始数据就可以实现分布式训练的目的，这样可以有效的降低多船协同作业过程中的算法的复杂度。在具体应用的过程中，每一个船舶都可以根据自己的监测系统收集自身的运行数据，并借助于这些数据训练本地模型，船舶之间只需要交换模型的更新参数等就可以在保证船舶隐私和数据安全的基础上，通过联邦框架计算任务分散到其他多艘船舶上进行处理，从而极大的提高。计算的效率还能解决数据共享问题。

AI 技术与物联网融合，将其用于船舶监测系统的改进和优化，可以显著提升船舶监测的效能和质量。本研究立足于现有的研究成果和资料，结合自身对船舶监测系统的认识和理解，针对 AI 与物联网在船舶监测体系建设过程中的融合应用问题进行了理论探讨与分析，并提出了具体的框架已和解决方案，并对部分技术问题进行了模拟验证，从理论上证明了这两项技术应用的可行性，并且从结果来看，对提高船舶监测效率，能够起到非常好的帮助和促进多。但是，综合研究内容和过程可以看出在实施的过程中也面临着通信、计算、安全等方面的一些瓶颈问题。虽然通过现有的一些技术在解决这些问题上也能够发挥一定的效果，但是尚不能完全解决这些弊端问题。但是，伴随着科技的快速发展，尤其是量子通信技术的快速发展，以及大模型在船舶运维中的轻量化部署等，对解决这些问题提供了新的思路和方法，而这也是未来研究的重要发展方向。

参考文献：

[1]刘军.船舶监测报警系统方案设计及实现[J].今日制造与升级， 2024，（05）： 85-88

[2]任海兵.基于 S7-1200 的船舶机舱监测报警系统[J].数字通信世界，2020，（03）：15-16.

[3]王延涛，祁贝贝.船舶机舱监测的智能报警系统[J].舰船科学技术，2019，41（12）：187-189.