在綠色船舶智能監測領域，多源數據融合過程復雜，從這些數據中提取非線性特征面臨諸多挑戰。為有效解決這些問題，本文提出一種基于模糊神經網絡的智能監測方法。首先利用自適應加權平均算法對多傳感器采集的數據進行動態融合處理;接著引入蟻群優化算法對融合后的數據進行特征提取，降低冗余數據干擾，提高數據處理效率和準確性;最后構建改進的模糊神經網絡模型，對設備運行狀態進行判斷和劃分。實驗表明，該方法獲取的設備狀態數據能有效監測設備運行狀態，具有切實可行性。

　　關鍵詞

　　模糊神經網絡;智能船舶;智能監測系統

　　0 引言

　　隨著數字化技術與航運產業深度融合，全球航運事業規模化擴張，但船舶各系統運行安全性不容忽視。航運風險包括設備本體風險、環境擾動因素和人工操控因素，其中設備本體風險主要表現為機艙各類電氣及自動化設備故障等。在此背景下，船舶智能監測技術從 “單一感知” 向 “多源感知” 轉型，關鍵在于集成多模態傳感數據與智能算法模型，通過融合邊緣計算、遷移學習等技術構建動態感知網絡，實現船舶運行狀態的全域可視化監測與預測性維護，成為當前智能船舶領域研究重點。

　　1 數據采集及優化

　　多源感知首先體現在數據來源多樣化，通過在設備不同部位合理布置多種類型傳感器獲取多源數據。傳感器采集數據回傳后，采用自適應加權平均算法進行融合處理。該算法是基于數據動態變化特征的優化融合算法，能依據輸入數據可靠程度動態分配權重系數，運行中評估數據質量并實時更新權重，最終通過加權平均計算實現整體誤差最小化，達到更精準的數據融合效果。

　　算法詳細步驟如下：用c1?,c2?,?,cn?表示多個傳感器采集的數據量，對每個傳感器從精度、準確度、穩定性及噪聲水平等多維度綜合評估，初步評定權值ξ1?,ξ2?,?,ξn?。在相同環境和同一時刻，多個傳感器同步采集船舶運行狀態數據，融合后權值表達式為c=∑a=1n?ξa?×ca?。進一步推導，數據融合后的特征向量公式為T(a)=ca?2∑a=1n?ξa?c2?。根據無偏估計理論，各傳感器數據相互獨立，當數據融合特征均方差最小時，加權值公式為ξa∗?=∑a=1n?T(a)21?，最終獲取船舶運行數據融合結果ζ=ξa∗?∑a=1n?T(a)?。

　　若數據中存在大量冗余數據，會影響監測結果準確性。蟻群優化算法借助信息素正反饋機制優化數據，本文采用該算法提取船舶運行狀態數據的最優特征集，具體步驟如下：

　　參數初始化設置：包括螞蟻數量、信息素初始濃度及啟發因子權重。

　　構建可行解：每只螞蟻依據啟發式規則和信息素濃度抉擇移動路徑，重復選擇直至找到可行解或達到搜索終止條件。其中，τijα?(t)表示時刻t邊(i,j)上的信息素數值，ηij?(t)代表相應信息值，Nk?(i)表示可行網格集合，尚未被螞蟻k訪問過，轉移概率公式為Pijk?(t)=????∑s∈Nk?(i)?τisα?(t)ηisβ?(t)τijα?(t)ηijβ?(t)?,j∈Nk?(i)0,otherwise?。

　　更新信息素：持續迭代更新信息素，直到達到最大迭代次數或最優解趨于穩定，更新公式為τij?(t+1)=(1−ρ)τij?(t)+∑k=1m?Δτijk?(t)，其中ρ表示信息素蒸發速率，m是螞蟻數量。完成數據優化后，將優化后的數據投入神經網絡算法進行分類。

　　2 改進模糊神經網絡模型結構

　　考慮到船舶運行數據維度多、權重難確定且要求算法對傳感器噪聲容忍度高，模糊神經網絡適用于模糊語義或數據不確定性高的分類情境，它結合了模糊邏輯與神經網絡的互補特性，能有效應對復雜情況。因此，本文選用模糊神經網絡對船舶航行狀態數據進行分類處理，將提取的最優特征集合輸入網絡實現智能監測，其模型架構如圖 1 所示。

　　首先將優化后的船舶航行狀態數據作為輸入量，進入模糊層，通過隸屬函數進行模糊化操作，選用的隸屬函數為iwkok?=ζok2?exp(−(cwk?−vok?)2)?，其中vok?表示第o維第k類聚類中心，cwk?表示第k類第w個輸入最優特征子集。

　　模糊處理后的子集繼續輸入推理層進行模糊規則計算，表達式為ωwa?=∏o=1T?iwook?。然后對推理層輸出數據進行歸一化處理，得到歸一化輸出值ωwa?=∑a=1MT?ωwa?ωwa??。連接矩陣E=BU?，其中B代表歸一化輸出矩陣，U表示模糊神經網絡的輸出，進一步推導出模糊神經網絡模型的輸出公式ωwa?=E∑a=1MT?ωwa?ωwa??。從輸出層獲取的數據可實現船舶運行狀態的智能監測。

　　3 實驗與分析

　　本文以船舶動力系統的關鍵設備齒輪箱和柴油發動機為例進行實驗，分析設備在相同位置、相同工作條件下不同時間點的數據，以及不同工作條件下的橫向比較，算法流程框圖如圖 2 所示。

　　在某船舶齒輪箱監測實驗中，對于減速齒輪裝置等設備，布置聲音傳感器，監測點選擇設備容易故障、便于日常檢測維護且兼顧各個外立面的地方。對于典型一級減速齒輪裝置，監測點布放原則為：在設備每個軸承附近、上端面及側面各布放 1 個監測點。通過算法對采集的聲音信號計算，經傅里葉變換將數據從時域轉為頻域，刻畫聲音的密度和能量曲線，建立與設備健康的對應關系。圖 3 為同一左舷齒輪箱在不同工況下的運行狀態圖，圖 4 為同一右舷齒輪箱在不同工況下的運行狀態圖，不同顏色曲線表示不同工況，橫坐標為工作頻率 (Hz)，縱坐標為聲音分貝 (dB)。由圖可知，在各個工況下，設備聲音表現一致性良好，運行狀態穩定，雖有少數數據差異但在正常范圍內，設備運行狀況良好。

　　對某船舶的軸承進行監測，并與報廢軸承對比，圖 5 為低頻聲音能量曲線圖，橫坐標為工作頻率 (Hz)，縱坐標為能量 (dB)，兩條藍色曲線為某船舶軸承的低頻聲音能量曲線，紅色曲線為報廢軸承的低頻能量曲線，低頻 (390Hz) 能量曲線表征軸承運行平穩度，可看出報廢軸承與合格軸承能量曲線差異較大。圖 6 為中高頻聲音能量曲線圖，兩條藍色曲線為某船舶軸承的高頻聲音能量曲線，紅色曲線為報廢軸承的高頻能量曲線，中頻 (2100-3500Hz) 故障軸承潤滑油聲音能量遠高于正常軸承，高頻 (>10000Hz) 報廢軸承內滾珠與內圈不平滑撞擊，能量差異顯著，驗證了本文算法對兩類軸承的區分能力，未來可據此建立設備報廢標準。

　　4 結論

　　為保證船舶安全航行，對重點系統設備運行狀態監測是智能船舶研究重點內容之一。本文提出基于模糊神經網絡的船舶設備智能監測方法，通過合理布置傳感器實現對重點設備運行狀態全面監測。實驗結果顯示，該方法獲取的設備狀態數據能有效監測設備實際運行狀態，驗證了方法的可行性。未來研究中，需深入探索設備狀態檢測后準確確定故障類型，將狀態監測與故障診斷有機結合，構建從 “感知” 到 “決策” 的完整閉環體系，提升船舶設備運行的安全性與可靠性。

如果您現在遇到期刊選擇、論文內容改善、論文投稿周期長、難錄用、多次退修、多次被拒等問題，可以告訴學術顧問，解答疑問同時給出解決方案 。