CN115375250B - 一种船舶备件物料管理的方法和系统 - Google Patents

一种船舶备件物料管理的方法和系统 Download PDF

Info

Publication number
CN115375250B
CN115375250B CN202211322086.0A CN202211322086A CN115375250B CN 115375250 B CN115375250 B CN 115375250B CN 202211322086 A CN202211322086 A CN 202211322086A CN 115375250 B CN115375250 B CN 115375250B
Authority
CN
China
Prior art keywords
spare part
information
ship
spare
materials
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211322086.0A
Other languages
English (en)
Other versions
CN115375250A (zh
Inventor
柏建新
史孝玲
李彦瑾
柏宗翰
史孝金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Donglai Engineering Technology Service Co ltd
Original Assignee
Hebei Donglai Engineering Technology Service Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei Donglai Engineering Technology Service Co ltd filed Critical Hebei Donglai Engineering Technology Service Co ltd
Priority to CN202211322086.0A priority Critical patent/CN115375250B/zh
Priority to CN202310154655.3A priority patent/CN116308037A/zh
Publication of CN115375250A publication Critical patent/CN115375250A/zh
Application granted granted Critical
Publication of CN115375250B publication Critical patent/CN115375250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种船舶备件物料管理的方法和系统，该方法包括基于船舶监控设备获取备件物料的备件仓储信息和备件使用信息，备件仓储信息至少包括备件基础信息；基于备件仓储信息和备件使用信息，生成备件管理信息表；基于船舶航行计划、船舶系统状态和备件基础信息，确定备件物料的预计损耗量；基于预计损耗量、备件管理信息表和备件预设标准，确定备件物料的库存是否充足；响应于库存不充足，确定备件补充计划。

Description

一种船舶备件物料管理的方法和系统
技术领域
本说明书涉及船舶备件物料管理的技术领域，特别涉及一种船舶备件物料管理的方法和系统。
背景技术
在船舶物料/备件管理体系中，船舶储备必要数量的备件/物料，保证机、电设备的正常运转，是营运生产的需要，也是安全的重要保证。在整个管理过程中，涉及船舶对备件/物料的申请、签收、保管等方面的管理。而由于备件类型繁多、船舶系统状态各异、航行路线不同，导致船舶备件和物料的损耗也不尽相同。因此船舶物料/备件管理涉及的数据量大、数据变化快，实现船舶备件/物料管理自动化和智能化是亟待解决的问题。
因此，希望提出一种船舶备件物料管理的方法和系统，以加强船舶备件/物料的管理，提高管理水平，保障船舶航行安全。
发明内容
本说明书实施例之一提供一种船舶备件物料管理的方法，所述方法包括：基于船舶监控设备获取备件物料的备件仓储信息和备件使用信息，备件仓储信息至少包括备件基础信息；基于备件仓储信息和备件使用信息，生成备件管理信息表；基于船舶航行计划、船舶系统状态和备件基础信息，确定备件物料的预计损耗量；基于预计损耗量、备件管理信息表和备件预设标准，确定备件物料的库存是否充足；响应于库存不充足，确定备件补充计划。
本说明书实施例之一提供一种船舶备件物料管理的系统，所述系统包括：获取模块，用于基于船舶监控设备获取备件物料的备件仓储信息和备件使用信息，备件仓储信息至少包括备件基础信息；生成模块，用于基于备件仓储信息和备件使用信息，生成备件管理信息表；第一确定模块，用于基于船舶航行计划、船舶系统状态和备件基础信息，确定备件物料的预计损耗量；第二确定模块，用于基于预计损耗量、备件管理信息表和备件预设标准，确定备件物料的库存是否充足；第三确定模块，用于响应于库存不充足，确定备件补充计划。
本说明书实施例之一提供一种船舶备件物料管理的装置，包括处理器，所述处理器用于执行如上述实施例中任一项所述船舶备件物料管理的方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上述实施例中任一项所述船舶备件物料管理的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的船舶备件物料管理系统的模块图；
图2是根据本说明书一些实施例所示的船舶备件物料管理的示例性流程图；
图3是根据本说明书一些实施例所示的基于预测模型确定预计损耗量的示例性示意图；
图4a、图4b、图4c、图4d是根据本说明书一些实施例所示的训练预测模型的示例性示意图；
图5是根据本说明书一些实施例所示的确定预计损耗量的示例性流程图；
图6是根据本说明书一些实施例所示的确定异常备件及异常原因的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的船舶备件物料管理系统的模块图。
在一些实施例中，船舶备件物料管理系统100可以包括获取模块110、生成模块120、第一确定模块130、第二确定模块140和第三确定模块150。
获取模块110用于基于船舶监控设备获取备件物料的备件仓储信息和备件使用信息，备件仓储信息至少包括备件基础信息。在一些实施例中，获取模块110用于基于仓储监控设备对出入库的备件物料进行识别，确定备件仓储信息；基于运行监控设备对使用中的备件物料进行识别，确定备件使用信息。关于上述实施例的更多内容参见图2及其相关描述。
生成模块120用于基于备件仓储信息和备件使用信息，生成备件管理信息表。关于备件管理信息表的更多内容参见图2及其相关描述。
第一确定模块130用于基于船舶航行计划、船舶系统状态和备件基础信息，确定备件物料的预计损耗量。在一些实施例中，第一确定模块130用于基于预测模型对船舶航行计划、船舶系统状态和备件基础信息进行处理，确定备件物料的预计损耗量，预测模型为机器学习模型。关于确定预计损耗量的更多内容参见图2、图3、图5及其相关描述。
第二确定模块140用于基于预计损耗量、备件管理信息表和备件预设标准，确定备件物料的库存是否充足。关于备件预设标准的更多内容参见图2及其相关描述。
第三确定模块150用于响应于库存不充足，确定备件补充计划。关于备件补充计划的更多内容参见图2及其相关描述。
在一些实施例中，船舶备件物料管理系统100还可以包括异常检测模块。在一些实施例中，异常检测模块用于获取备件物料的实际损耗量；基于实际损耗量和预计损耗量，确定备件物料的损耗量是否异常；响应于损耗量异常，确定异常备件及其监测信息；基于监测信息，确定备件异常原因。关于异常检测模块的更多内容参见图6及其相关描述。
应当理解，图1所示的系统及其模块可以利用各种方式来实现。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的获取模块110、生成模块120、第一确定模块130、第二确定模块140和第三确定模块150可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的船舶备件物料管理的示例性流程图。在一些实施例中，流程200可以由船舶备件物料管理系统100执行。如图2所示，流程200包括下述步骤。
步骤210，基于船舶监控设备获取备件物料的备件仓储信息和备件使用信息。
船舶监控设备是指船舶中用于监控的设备。例如，船舶监控设备可以包括监控摄像头、机器扫描设备等一种或多种的任意组合。
备件物料是指船舶运行所需的备件和物料。例如，备件可以包括船舶的机、电、动力设备和其他设备备用的成品零部件等，物料可以包括工具、电工物料、生产物料、清洁物品及化学药品等。
备件仓储信息是指与备件物料的储备相关的信息。例如，备件仓储信息可以包括备件物料的存储量等信息。
在一些实施例中，备件仓储信息至少包括备件基础信息。
备件基础信息是指能够反应备件基本属性的信息。例如，备件基础信息可以包括备件的类型、数量、型号、编号、使用寿命、质量参数、维修注意事项等。
在一些实施例中，可以基于备件基础信息对备件物料进行分类存储。
在一些实施例中，可以基于备件基础信息中的备件类型对备件物料进行分类存储。例如，获取模块110可以基于备件类型，将备件物料分为动力设备备件物料、操纵设备备件物料、装卸设备备件物料和平安设备备件物料等类型进行存储。在一些实施例中，可以基于备件基础信息中的型号信息，将分类存储的备件物料再进行细分存储。例如，将动力设备备件物料按照不同的型号分类进行存储。在一些实施例中，可以基于备件信息中的备件编号，将分类存储的备件物料按照编号顺序进行存储，以方便存取。
在一些实施例中，还可以采用其他方式将备件物料进行分类存储。例如，按照备件的生产厂商、备件的用途等，本说明书对此不做限制。
本说明书一些实施例，通过对备件物料进行分类存储，可以合理使用仓容，提高仓容利用率，同时使备件物料管理分类清晰、方便查找。同时，基于备件基础信息分类，可以基于分类获取每一类的备件物料储备和使用情况，有利于对备件物料的精细化管理，提高备件物料管理效率。
在一些实施例中，备件仓储信息还可以包括出入库信息、维修信息、保养信息等。
出入库信息是指备件出库和入库的相关信息记录。例如，出库和入库时登记的型号、类型、出入库时间、出入库负责人、入库存储位置等。
维修信息是指与备件维修相关的信息。例如，维修信息可以包括备件维修次数、维修时间、维修负责人、维修结果（如是否还能正常使用）等。
保养信息是指与备件保养相关的信息。例如，保养信息可以包括备件的型号、保养时间、保养负责人、保养次数等。
备件使用信息是指船舶备件使用相关的信息。例如，备件使用信息可以包括使用备件的型号、数量、使用时间、使用时长、使用位置、维修保养等信息。
在一些实施例中，获取模块110可以通过记录日志获取备件仓储信息和备件使用信息。例如，可以通过更换日志获取备件使用信息，通过出入库日志获取备件仓储信息。
在一些实施例中，船舶监控设备包括仓储监控设备和运行监控设备。
在一些实施例中，获取模块110可以基于仓储监控设备对出入库的备件物料进行识别，确定备件仓储信息。
仓储监控设备是指用于对仓储情况进行监控的设备，其主要安装在仓库门口及仓库内部。仓储监控设备可以包括监控摄像头和机器扫描设备的至少一种或多种的组合。
在备件物料的仓储管理过程中，涉及备件物料的出入库。例如，船舶采购的备件物料需要进行入库管理，包括入库登记、存放登记等操作。又例如，当需要使用某个备件物料时，需要从仓库取出备件物料，并登记取出时间、取出负责人、用途等，为出库。
在一些实施例中，获取模块110可以通过对仓储监控设备采集的图像或视频数据进行图像识别，确定备件物料的类型、型号等信息。以及，结合仓储监控设备采集的时间确定备件物料的出入库时间等信息。示例性的图像识别方式可以包括图像识别、文字识别（OCR）、条形码（二维码）识别等至少一种或多种的组合，本说明书对此不做限制。例如，仓储位置的机器扫描设备可以通过拍摄扫描备件物料上的文字标识等，通过文字识别技术确定备件物料的型号、类型等信息，并基于扫描时间确定出入库时间，进而获取备件仓储信息。又例如，机器扫描设备可以直接扫描备件物料上的条形码/二维码，通过识别条形码/二维码中存储的信息，获取备件基础信息，并基于扫描时间确定出入库信息，进而获取备件仓储信息。
在一些实施例中，确定备件仓储信息后，获取模块110可以直接将备件仓储信息写入存储设备等进行登记保存。在一些实施例中，获取模块110可以基于仓储监控设备获取的数据变化，实时更新备件仓储信息，并实时更新存储的数据登记。
在一些实施例中，获取模块110可以基于运行监控设备对使用中的备件物料进行识别，确定备件使用信息。
运行监控设备是指对船舶各个运行系统进行监控的设备，其可以监控各个运行系统中备件物料的使用情况，主要安装在各个需要使用备件物料的船舶运行系统中。运行监控设备可以包括监控摄像头和机器扫描设备的至少一种或多种的组合。
使用中的备件物料是指处于使用状态的备件物料。例如，使用中的备件物料可以包括正在运行的船舶动力系统中安装的备件、未运行但安装在船舶动力系统中的备件等。
在一些实施例中，获取模块110可以通过对运行监控设备采集的图像或视频数据进行识别，确定备件类型、型号、数量等信息。其中，识别方式与确定备件仓储信息的识别方式相同，在此不作赘述。在一些实施例中，获取模块110可以通过运行监控设备的定位信息、运行时间、运行时长等信息，确定备件物料的使用位置、使用时间及使用时长等信息。
在一些实施例中，确定备件使用信息后，获取模块110可以直接将备件使用信息写入存储器进行存储登记。在一些实施例中，获取模块110可以基于运行监控设备获取的数据变化，实时更新备件使用信息，并实时更新存储的数据登记。
本说明书一些实施例，通过在仓储系统和各个船舶运行系统设置监控设备，对备件物料出入库信息、维修保养信息、备件物料使用情况进行监控，可以及时获取每个备件物料的详细情况，对不符合使用条件或故障的备件物料进行及时更换或维修，同时，为后续对损耗量进行预测提供有力的支撑。
步骤220，基于备件仓储信息和备件使用信息，生成备件管理信息表。
备件管理信息表是指用于对备件物料进行分类、分型号统计管理的信息表。例如，备件管理信息表的形式可以是包含多级索引或标签的数据库，通过点击某个索引或标签，即可获取对应的备件物料的相关信息。
在一些实施例中，生成模块120可以基于备件类型或型号生成索引或标签，整理同一个备件物料的备件仓储信息和备件使用信息，以生成备件管理信息表。
在一些实施例中，生成模块120还可以基于其它方式生成备件管理信息表，本说明书对此不做限制。
步骤230，基于船舶航行计划、船舶系统状态和备件基础信息，确定备件物料的预计损耗量。
船舶航行计划是指船舶航行的行程、日期等方面的规划。例如，船舶航行计划可以包括预计的航行里程、航行时间、航行时长、航行路线等。
在一些实施例中，可以基于预先制定的航行计划表、航行日程表等获取船舶航行的航线里程、航行起始时间、航行时长、航行路线等信息。例如，某海上运输公司，需要执行一运输任务，提前制定了运输任务计划，其中就包括了船舶航行计划。
船舶系统状态是指各个船舶运行系统的使用状态。例如，船舶系统状态可以包括船舶运行系统的使用时长、损坏次数、维修次数等。
预计损耗量是指船舶执行航行计划时可能消耗的备件物料数量。
在一些实施例中，第一确定模块130可以采用多种方式确定备件物料的预计损耗量。在一些实施例中，第一确定模块130可以对船舶航行计划、船舶系统状态和备件基础信息进行分析处理，确定备件物料的预计损耗量。例如，第一确定模块130可以对该船舶或其他船舶历史航行数据（包括历史船舶航行计划、历史船舶系统状态和历史备件基础信息等）进行分析，确定备件物料预计损耗量。
在一些实施例中，第一确定模块130可以基于预测模型，对船舶航行计划、船舶系统状态和备件基础信息进行处理，确定备件物料的预计损耗量。更多关于基于预测模型确定备件物料的预计损耗量的内容可以参见图3及其相关描述。
步骤240，基于预计损耗量、备件管理信息表和备件预设标准，确定备件物料的库存是否充足。
备件预设标准是指预设的备件存储量需要大于预计损耗量的数量。例如，备件预设标准可以是预计损耗量的1.2倍。
在一些实施例中，备件预设标准可以基于船舶航行计划的难易程度、危险性程度进行动态调整。例如，响应于航行任务难度系数大于平均难度系数、危险性程度高于平均水平，可以将备件预设标准调整为损耗量的1.25倍，1.3倍等。
在一些实施例中，第二确定模块140可以对预计损耗量、备件管理信息表和备件预设标准进行处理，确定备件物料的库存是否充足。例如，通过系统聚类分析、回归分析、相关分析等方式，对预计损耗量、备件管理信息表和备件预设标准进行处理，确定备件物料的库存是否充足。
在一些实施例中，第二确定模块140可以基于实际库存量与备件储备量对比，判断备件物料的库存是否充足。
在一些实施例中，第二确定模块140可以基于备件预设标准和预计损耗量确定备件储备量。
备件储备量是指备件预设标准对应的船舶安全运行所需的备件储备数量。例如，备件储备量可以是某船舶需要执行5天的航行任务，要保证该航行任务安全进行，所需要的备件储备数量。
在一些实施例中，第二确定模块140可以基于预计损耗量及备件预设标准，计算备件预设标准下对应所需的备件储备量。例如，某备件的预计损耗量为100个，备件预设标准为1.2倍的预计损耗量，即备件储备量可以为120个。
在一些实施例中，第二确定模块140可以基于备件管理信息表获取备件物料的实际库存量。
实际库存量是指当前仓库中实际存储的剩余备件物料的数量。
在一些实施例中，第二确定模块140可以基于备件物料的类型，从备件管理信息表中获取对应类型的备件物料的实际库存量。
在一些实施例中，第二确定模块140可以基于实际库存量与备件储备量对比，判断备件物料的库存是否充足。当实际库存量大于备件储备量时，备件物料的库存充足。反之，备件物料的库存不充足。
步骤250，响应于库存不充足，确定备件补充计划。
备件补充计划是指当备件库存不足时制定的备件采购补给计划。
在一些实施例中，响应于库存不足，第三确定模块150可以基于备件实际库存与备件储备量的差值，确定备件补充计划。例如，某备件实际库存为60个，备件储备量为72个，可以确定该备件的补充计划为采购大于12个该备件。
本说明书一些实施例，通过对备件仓储和船舶系统备件使用情况的监控，可以实时获取备件存储、损耗、维修等信息，便于对备件进行管理、储备等工作。同时，基于船舶系统状态、船舶航行计划、备件基础参数等，预测备件的预计损耗量，可以将损耗量与实际的船舶使用、航行情况关联，使得预测的损耗量更加精准，更符合实际。本说明书实施例所示的方案可以实现对备件的自动化监测和管理，减少人工参与，实现备件仓储、采购、维修使用等一体化，提高备件管理效能。
图3是根据本说明书一些实施例所示的基于预测模型确定预计损耗量的示例性示意图。
在一些实施例中，可以基于预测模型对船舶航行计划、船舶系统状态和备件基础信息进行处理，确定备件物料的预计损耗量。
在一些实施例中，预测模型为机器学习模型。例如，预测模型可以是卷积神经网（Convolutional Neural Network，CNN）、深度神经网络（Deep Neural Network，DNN）、循环神经网络(Recurrent Neural Network，RNN)或其他自定义网络的一种或多种的组合，本说明书对此不做限制。
在一些实施例中，预测模型的输入可以是船舶航行计划、船舶系统状态和备件基础信息，输出可以是备件物料的预计损耗量。
在一些实施例中，预测模型可以通过多个有标签的训练样本训练获取，具体训练方式可以参见图4a-图4d及其相关描述。
在一些实施例中，预测模型包括第一嵌入层、第二嵌入层、多个第三嵌入层和多个预测层。其中，每一类备件物料对应一个第三嵌入层和一个预测层，多类备件物料共用第一嵌入层和第二嵌入层。
在一些实施例中，第一嵌入层、第二嵌入层、第三嵌入层和预测层可以是卷积神经网络（Convolutional Neural Network，CNN）、深度神经网络（Deep Neural Network ，DNN）、循环神经网络(Recurrent Neural Network，RNN)或其他自定义网络的任意一种或多种的组合。
如图3所示，预测模型包括第一嵌入层316、第二嵌入层318、多个第三嵌入层320和多个预测层328。
第一嵌入层316用于对船舶航行计划310进行处理，确定航行特征向量322。
航行特征向量322是指可以反映船舶航行计划的多个特征信息的向量。例如，航行特征向量322可以是反映船舶航行计划中航行里程、航行时间、航行时长、航行线路等特征信息的向量。
在一些实施例中，第一嵌入层316的输入可以包括船舶航行计划310，输出为航行特征向量332。其中，航行线路特征向量是指反映船舶航行线路相关特征的向量。
在一些实施例中，可以基于航行里程将整个航行里程对应的船舶航行计划划分为各段线路上对应的船舶航行计划，并基于各段线路上对应的船航行计划确定各段线路对应的航行线路特征向量。例如，可以基于航行里程，将航行线路分为多段，对每一段航行线路对应的船舶航行计划分别提取特征，基于提取出的特征组成航行线路特征向量。示例性地，可以按照一千海里进行划分，将每一段航行线路的气温、气压、风浪等级、能见度等特征进行提取，形成航行线路特征向量。航行线路特征向量示例：（（a1,b1,c1,d1）,（a2,b2,c2,d2）,（a3,b3,c3,d3）,……），其中，（a1,b1,c1,d1）表示第一段航行线路的特征，a1表示气温、b1表示气压、c1表示风浪等级、d1表示能见度；同理，（a2,b2,c2,d2）表示第二段航行线路特征；（a3,b3,c3,d3）表示第三段航行线路特征；……。
第二嵌入层318用于对船舶系统状态312进行处理，确定状态特征向量324。
状态特征向量324是指可以反映各个船舶系统的状态相关的特征信息的向量。例如，状态特征向量324可以是反映各个船舶系统的使用时长、损坏次数、维修次数等特征信息的向量。
在一些实施中，第二嵌入层318的输入可以是船舶系统状态312，输出可以是状态特征向量324。
在一些实施例中，第三嵌入层可以包括多个，每个第三嵌入层对一类备件物料进行处理，确定该类备件物料的备件特征向量。备件特征向量是指可以反映备件物料基础信息的特征的向量。例如，备件特征向量可以是反映备件物料的类型、数量、型号、编号、使用寿命、质量参数、维修注意事项等特征信息的向量。
如图3所示，多个第三嵌入层320的输入可以是各类备件的备件基础信息314，输出可以是各类备件的备件特征向量326。多个第三嵌入层320可以包括第三嵌入层320-1、第三嵌入层320-2、……、第三嵌入层320-n，第三嵌入层320-1输入1类备件物料的备件基础信息314-1，输出1类备件物料对应的备件特征向量326-1；第三嵌入层320-2输入2类备件物料的备件基础信息314-2，输出2类备件物料对应的备件特征向量326-2；……；第三嵌入层320-n输入n类备件物料的备件基础信息314-n，输出n类备件物料对应的备件特征向量326-n。
在一些实施例中，预测层可以包含多个，每个预测层用于对一类备件物料的损耗量进行预测，即每个预测层输入为航行特征向量、状态特征向量和一类备件物料的备件特征向量，输出为该类备件物料的预计损耗量。
如图3所示，多个预测层328的输入可以是航行特征向量322、状态特征向量324以及各类备件的备件特征向量326，输出可以是各类备件的预计损耗量330。多个预测层328可以包含预测层328-1、预测层328-2、……、预测层328-n，预测层328-1的输入可以包括航行特征向量322、状态特征向量324、以及第三嵌入层320-1输出的1类备件物料对应的备件特征向量326-1，输出为1类备件物料对应的预计损耗量330-1。同理，预测层328-2、……、预测层328-n可以分别输出2类备件物料对应的预计损耗量330-2、……、和n类备件物料对应的预计损耗量330-n。
本说明书一些实施例，通过三个嵌入层分别对船舶航行计划、船舶系统状态、备件基础信息进行特征提取，再通过预测层预测备件物料的预计损耗量。可以使确定的预计损耗量更加的精确，符合实际。
在一些实施例中，预测模型的输出还包括模型置信度。
模型置信度是指模型输出结果的可信程度。例如，模型输出备件物料D的预计损耗量的可信程度为0.98，则模型置信度即为0.98。
在一些实施例中，可以直接将模型输出结果的置信度确定为模型置信度。在一些实施例中，还可以基于模型的准确率确定模型置信度，例如，直接将模型准确率作为模型置信度，在此不作赘述。
在一些实施例中，可以判断模型置信度是否大于阈值；响应于模型置信度低于阈值，更新船舶监控设备的监控频率和监控精度。
阈值是指预先设置的模型置信度阈值。在一些实施例中，阈值可以基于经验或实际监控需求确定。例如，可以基于监控需求设置阈值为0.95。
监控频率是指一定时间内监控设备进行监控操作的次数。例如，监控频率可以是10次每分钟、20次每小时等。
监控精度是指监控设备进行监控操作时各种参数的精度。例如，监控精度可以是监控摄像头的采集精度，如拍摄范围等。
在一些实施例中，当模型置信度低于阈值时，船舶监控系统可以相应调高监控设备的监控频率和监控精度。具体调整值可以基于实际监控需求和模型预测需求确定，在此不作赘述。
本说明书一些实施例，可以通过模型置信度调节监控频率和监控精度。模型置信度低，相应的异常判断的置信度低，通过置信度调节监控频率和监控精度，可以使监控更加合理，同时能够获取到更精确的数据。
在一些实施例中，模型置信度可以对应预设有一个监控频率和监控精度。在一些实施例中，可以基于模型置信度更新船舶监控设备的监控频率和监控精度。
在一些实施例中，可以基于历史监控数据，为每一个模型置信度预设对应的监控频率和监控精度。例如，基于历史监控数据进行分析，确定与每一个模型置信度对应的模型输入的图像数据的数据质量，基于该数据质量确定同等数据质量的历史监控采集的图像数据，再进一步确定采集该图像数据时对应的监控设备的监控频率和监控精度，在此基础上将监控精度和监控频率适当调高，作为该模型置信度对应的预设监控频率和监控精度。
在一些实施例中，可以基于模型置信度及对应的预设监控频率和监控精度，更新船舶监控设备的监控频率和监控精度。例如，模型置信度为0.90，对应的预设监控频率为10次每分钟，监控精度为拍摄范围缩小2cm，则当获取到模型置信度时，船舶监控系统就可以相应的将各个监控设备的监控频率和监控精度更新为前述数据。
本说明书一些实施例中，通过为各个模型置信度预设监控频率和监控精度，船舶监控系统可以自动根据置信度进行监控调节，提高调节效率。
本说明书一些实施例，通过预测模型对船舶航行计划、船舶系统状态、备件基础信息进行处理，预测备件物料的预计损耗量，可以利用机器学习模型的自学习能力，在大量数据中找到规律，提高备件物料损耗量预测的效率和准确率。
图4a、图4b、图4c、图4d是根据本说明书一些实施例所示的训练预测模型的示例性示意图。
在一些实施例中，可以分别通过训练第一判断模型、第二判断模型和第三判断模型获取第一嵌入层、第二嵌入层和第三嵌入层。
在一些实施例中，第一判断模型包括两个第一嵌入层和一个第一判断层。
在一些实施例中，如图4a所示，获取第一嵌入层470-1包括：获取多个第一训练样本和第一标签440-1，其中，第一训练样本包括多组同一船舶执行同一船舶航行计划中不同阶段的历史航行计划。例如，在一历史船舶航行计划中，可以基于航行里程（如每一千海里）或航行时长（如每12h）将历史航行路线分为不同的阶段，每一阶段的线路对应一个历史航行计划。示例性地，可以以航行时长/航行里程为单位将该10天的历史航行计划进行划分，分成多个阶段的历史航行计划，然后每两个阶段性历史航行计划可以组成一组第一训练样本。第一标签440-1为实际损耗量的差异，可以基于人工标注获取。关于实际损耗量的更多内容参见图6及其相关描述。
示例性的训练过程如下：向初始第一嵌入层420-1和初始第一嵌入层420-2中输入第一训练样本和第一标签440-1，如同时将历史航行计划410-1输入初始第一嵌入层420-1得到航行特征向量430-1，将历史航行计划410-2输入初始第一嵌入层420-2得到航行特征向量430-2。将两个初始第一嵌入层输出的两组航行特征向量输入至初始第一判断层450-1中，得到初始第一判断层450-1输出的损耗量差异460-1。基于损耗量差异460-1和第一标签440-1构建损失函数，基于损失函数通过梯度下降或其他方法更新初始第一判断模型的参数，直到满足预设条件时，第一判断模型训练完成，得到训练好的第一嵌入层470-1。其中，预设条件可以是损失函数收敛、或训练达到最大迭代次数。
本说明书的一些实施例中，通过上述方法获取第一训练样本，可以保证训练样本中船舶系统状态和备件基础信息基本相同，只有船舶航行计划不同，便于模型学习船舶航行计划对备件物料损耗量的影响。
在一些实施例中，第二判断模型包括两个第二嵌入层和一个第二判断层。
在一些实施例中，如图4b所示，获取第二嵌入层470-2包括：获取多个第二训练样本和第二标签440-2，其中，第二训练样本包括同一型号的不同船舶执行相同船舶航行计划的历史系统状态。例如，同一型号的两艘船舶执行相同的历史船舶航行计划，两艘船舶分别对应不同的历史系统状态。第二标签440-2为实际损耗量的差异，可以基于人工标注获取。
示例性的训练过程如下：向初始第二嵌入层420-3和初始第二嵌入层420-4）中输入第二训练样本和第二标签440-2，如将历史系统状态410-3输入初始第二嵌入层420-3得到状态特征向量430-3，将历史系统状态410-4输入初始第二嵌入层420-4得到状态特征向量430-4。将两个初始第二嵌入层输出的两组状态特征向量输入至初始第二判断层450-2中，得到初始第二判断层450-2输出的损耗量差异460-2。基于损耗量差异460-2和第二标签440-2构建损失函数，基于损失函数通过梯度下降或其他方法更新初始第一判断模型的参数，直到满足预设条件时，第一判断模型训练完成，得到训练好的第二嵌入层470-2。其中，预设条件可以是损失函数收敛、或训练达到最大迭代次数。
本说明书的一些实施例中，通过上述方法获取第二训练样本，可以保证训练样本中船舶的备件基础信息相同、航行计划相同，而船舶系统状态不同，使模型可以学习到船舶系统状态对备件物料损耗量的影响。
在一些实施例中，第三判断模型包括两个第三嵌入层和一个第三判断层。
在一些实施例中，如图4c所示，获取第三嵌入层470-3包括：获取多个第三训练样本和第三标签440-3，其中，第三训练样本包括船舶系统状态相同的船舶执行同一船舶航行计划中使用不同批次备件物料的历史备件信息。例如，每一组第三训练样本可以是船舶系统状态相同的两艘船舶执行同一航行计划，但两艘船舶使用的备件物料批次不同时对应的历史备件信息，不同船舶分别对应不同的历史备件信息。示例性地，第三训练样本可以是多艘刚出厂的同一批次的船舶执行相同的历史航行计划中使用的不同批次备件物料的历史备件信息。使用不同批次备件物料可以是每艘船使用的备件物料批次都不一样。第三标签440-3为实际损耗量的差异，可以基于人工标注获取。
示例性的训练过程如下：向两个初始第三嵌入层中输入不同的第三训练样本和第三标签440-3，如将历史备件信息410-5输入初始第三嵌入层420-5得到备件特征向量430-5，将历史备件信息410-6输入初始第三嵌入层420-6得到备件特征向量430-6。将两个初始第三嵌入层输出的两组备件特征向量输入至初始第三判断层450-3中，得到初始第三判断层450-3输出的损耗量差异460-3。基于损耗量差异460-3和第三标签440-3构建损失函数，基于损失函数通过梯度下降或其他方法更新初始第一判断模型的参数，直到满足预设条件时，第一判断模型训练完成，得到训练好的第三嵌入层470-3。其中，预设条件可以是损失函数收敛、或训练达到最大迭代次数。
本说明书的一些实施例中，通过上述方法获取第三训练样本，可以保证训练样本中船舶系统状态、船舶航行计划相同，而备件基础信息不同，使得模型可以学习到备件基础信息对备件物料损耗量的影响。
在一些实施例中，在上述训练过程中，可以确定第一判断模型、第二判断模型和第三判断模型各自的训练准确性。其中，训练准确性是指模型训练过程中模型的准确性。
在一些实施例中，第一判断模型、第二判断模型、第三判断模型的训练准确性可以基于模型的准确率（Accuracy）确定。模型的准确率（Accuracy）是指在评估模型性能过程中，对于给定的测试数据集，模型中所有预测正确的样本数/总观测值的样本数，其计算公式为：ACC = （TP+TN）/（TP+TN+FP+FN）。其中，ACC为模型的准确率，TP为模型将正类样本预测为正类的预测次数、FN为模型将正类样本预测为负类的预测次数、FP为模型将负类样本预测为正类的预测次数、TN为模型将负类样本预测为负类的预测次数。
在一些实施例中，可以基于训练好的第一嵌入层、第二嵌入层、第三嵌入层，联合训练预测层。
如图4d所示，第四训练样本可以是多组船舶航行历史数据中的船舶航行计划480-1、船舶系统状态480-2和备件基础信息480-3，示例性的训练过程如下S1-S3所述：
S1、将船舶航行计划480-1、船舶系统状态480-2和备件基础信息480-3分别输入第一嵌入层470-1、第二嵌入层470-2、第三嵌入层470-3，得到对应的航行特征向量490-1、状态特征向量490-2和备件特征向量490-3。
S2、基于模型各自的训练准确性，将对应特征向量映射到不同的数值区间。
例如，可以基于第一判断模型的训练准确性，将第一嵌入层470-1输出的航行特征向量490-1映射到航行数值区间490-4，同理，可以分别基于第二判断模型、第三判断模型的训练准确性，分别将状态特征向量490-2、备件特征向量490-3映射到状态数值区间490-5和备件数值区间490-6。
其中，训练准确性高的模型输出的特征向量映射到数值区间时，其对应的数值区间相对较大。例如，可以基于线性关系将模型输出的特征向量映射到不同的数值区间。示例性的，假设第一判断模型、第二判断模型和第三判断模型对应的训练准确性分别为a，b，c，可以基于训练准确性分别确定映射到数值区间的线性函数关系，如y1=ax1，y2=bx2，y3=cx3，并基于对应的线性函数关系可以将对应的特征向量映射到不同的数值区间。其中，x1、x2、x3分别表示航行特征向量490-1、状态特征向量490-2、备件特征向量490-3，y1、y2、y3分别表示对应的基于映射得到的数值区间，即航行数值区间490-4、状态数值区间490-5和备件数值区间490-6。
S3、将航行特征向量490-1、状态特征向量490-2和备件特征向量490-3对应的不同的数值区间（即航行数值区间490-4、状态数值区间490-5和备件数值区间490-6）输入初始预测层490-8中处理得到备件的预计损耗量490-9，基于初始预测层490-8的输出和第四标签490-7构建损失函数以更新预测层的参数，获得训练好的预测层490-10。其中，第四标签为实际损耗量，可以基于人为标注获取。
本说明书一些实施例，通过单独训练嵌入层，再基于训练好的嵌入层联合训练预测层的方式，数据比较容易获取，可以减小联合训练时样本获取的压力。其次，通过单独训练，可以提取到更深层次的特征信息，提高模型预测的准确率。同时，根据模型准确性将各个特征映射到不同的数值区间，可以使模型偏向对结果影响较大的特征的学习，使最终训练出的模型更加准确，符合实际备件损耗规律。
图5是根据本说明书一些实施例所示的确定预计损耗量的示例性流程图。如图5所示，流程500包括下述步骤。
步骤510，基于第一嵌入层、第二嵌入层和第三嵌入层分别对船舶航行计划、船舶系统状态和备件基础信息进行处理，确定目标特征向量。
目标特征向量是指基于第一嵌入层、第二嵌入层和第三嵌入层输出的特征向量组合而成的组合特征向量。例如，目标特征向量可以是(A,B,C)，其中，A可以表示第一嵌入层输出的航行特征向量，B可以表示第二嵌入层输出的状态特征向量，C可以表示第三嵌入层输出的备件特征向量。
在一些实施例中，可以通过第一嵌入层、第二嵌入层和第三嵌入层分别获取航行特征向量、状态特征向量、备件特征向量，再按照顺序组合而成目标特征向量。示例性的，顺序可以是依次为备件特征向量、状态特征向量、航行特征向量。例如，将备件基础信息输入第三嵌入层，得到备件特征向量（A1,A2,A3），将船舶系统状态（如船舶新旧程度）输入第二嵌入层，得到状态特征向量（B1,B2,B3,…），将船舶航行计划输出第一嵌入层，得到航行特征向量（C1,C2,C3,…），则最后由备件特征向量、状态特征向量、航行特征向量三个特征向量组合成目标特征向量可以是((A1,A2,A3)，(B1,B2,B3,…)，(C1,C2,C3,…))。对于目标特征向量的内部向量组合顺序，在此不作限制。
步骤520，获取向量数据库。
向量数据库是指用于存储、索引和查询向量的相关数据库，其中，向量可以由特征向量组成的向量库。例如，向量数据库可以是基于第一嵌入层、第二嵌入层、第三嵌入层组成的航行特征向量、状态特征向量、备件特征向量等或其组合的向量库。向量数据库由多个历史特征向量组成，其中，历史特征向量与目标特征向量类似，为基于历史航行特征向量、历史状态特征向量、历史备件特征向量构成的组合特征向量。
在一些实施例中，可以基于第一嵌入层、第二嵌入层和第三嵌入层分别对历史船舶航行计划、历史船舶系统状态和历史备件基础信息进行处理，构建历史特征向量，以获取向量数据库。
通过本说明书一些实施例所述的基于嵌入层直接获取特征向量，组成向量数据库，可以依赖嵌入层的特征提取能力，快速准确的提取特征，提高数据处理效率。
步骤530，基于目标特征向量和向量数据库，确定参考特征向量。
参考特征向量是指基于目标特征向量在向量数据库检索到的用于参考的历史特征向量。
在一些实施例中，可以基于向量距离进行匹配，确定参考特征向量。例如，目标特征向量为P，向量数据库中的向量为P1、P2、P3…，通过计算目标特征向量P与向量数据库中的向量P1、P2、P3…之间的距离，确定二者之间的相似度，向量距离越近，二者之间相似度较高，将相似度最高的向量作为参考特征向量。
步骤540，基于参考特征向量，确定预计损耗量。
在一些实施例中，向量数据库中每个历史特征向量都对应预设一个损耗量，在确定参考特征向量后，可以基于参考特征向量，确定预计损耗量。例如，已知历史特征向量P1对应预设的损耗量为S1、历史特征向量P2对应预设的损耗量为S2、历史特征向量P3对应预设的损耗量为S3，当P2为参考特征向量时，可以确定其对应的预计损耗量为S2。
通过本说明书一些实施例所述的基于向量检索的方式，可以获取到与当前船舶新旧状态、航行计划、备件基础信息接近或相同的其他船舶的历史备件损耗情况，将其作为当前船舶的预计损耗量，预测更加准确，符合实际。
图6是根据本说明书一些实施例所示的确定异常备件及异常原因的示例性流程图。如图6所示，流程600包括下述步骤。
步骤610，获取备件物料的实际损耗量。
实际损耗量是指船舶执行某次航行计划的实际损耗备件物料量。
在一些实施例中，异常检测模块可以采用多种方式获取备件物料的实际损耗量。例如，可以在船舶航行计划执行完成后，通过统计的方式获取备件物料的实际损耗量。
步骤620，基于实际损耗量和预计损耗量，确定备件物料的损耗量是否异常。
在一些实施例中，可以根据实际损耗量和预计损耗量之间的差值与预设范围的关系，确定损耗量是否异常。例如，预设范围为10kg，当二者的差值在10kg内可以确定损耗量为正常；否则为异常。
步骤630，响应于损耗量异常，确定异常备件及其监测信息。
异常备件是指损耗量异常的备件物料。异常备件的监测信息是指异常备件对应的监测数据信息。例如，监测信息可以是基于船舶监控设备监控异常备件的使用、维修、保养情况的信息。
在一些实施例中，异常检测模块可以基于损耗量阈值，确定异常备件。例如，可以将损耗量超过损耗量阈值的备件物料确定为异常备件。在一些实施例中，异常检测模块可以基于船舶监控设备，确定异常设备的监测信息。在一些实施例中，异常检测模块可以从存储设备中获取异常设备的监测信息。
步骤640，基于监测信息，确定备件异常原因。
异常原因是指可能导致损耗量异常的相关原因。在一些实施例中，异常原因可以与备件物料有关。例如，异常原因可以是备件物料磨损、备件物料损坏等。
在一些实施例中，可以通过人工，基于监测信息，确定备件异常原因。例如，基于船舶监控系统，获取异常备件的使用、维修、保养情况等监测信息，通过人工分析异常原因。在一些实施例中，备件异常原因的确定方法可以是其他多种方法，例如，可以预设备件异常原因对照表，根据监测信息查表确定备件异常原因，本说明书对此不做限制。
通过本说明书一些实施例所述的基于实际损耗量和预计损耗量，确定备件物料的损耗量是否异常，可以及时获取每个备件损耗量的情况；响应于损耗量异常，确定异常备件及其监测信息，可以及时对损耗量异常的备件进行及时的确定；同时，基于监测信息，确定备件异常原因，为后续备件物料管理提供有力的支撑，实现对备件的自动化监测，提高备件管理效能。
应当注意的是，上述有关流程的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (8)

1.一种船舶备件物料管理的方法，其特征在于，所述方法包括：
基于船舶监控设备获取所述备件物料的备件仓储信息和备件使用信息，所述备件仓储信息至少包括备件基础信息；
基于所述备件仓储信息和所述备件使用信息，生成备件管理信息表；
基于船舶航行计划、船舶系统状态和所述备件基础信息，确定所述备件物料的预计损耗量，包括：
基于预测模型对所述船舶航行计划、所述船舶系统状态和所述备件基础信息进行处理，确定所述备件物料的预计损耗量，所述预测模型为机器学习模型；
所述预测模型包括第一嵌入层、第二嵌入层、第三嵌入层和预测层；所述第一嵌入层用于对所述船舶航行计划进行处理，确定航行特征向量；所述第二嵌入层用于对所述船舶系统状态进行处理，确定状态特征向量；所述第三嵌入层包含多个，每个所述第三嵌入层用于对一类所述备件物料的所述备件基础信息进行处理，确定一类所述备件物料的备件特征向量；所述预测层包含多个，每个所述预测层用于对一类所述备件物料的损耗量进行预测，每个所述预测层用于对所述航行特征向量、所述状态特征向量、一类所述备件物料的所述备件特征向量进行处理，确定一类所述备件物料的所述预计损耗量，其中，每一类所述备件物料对应一个所述第三嵌入层和所述预测层，多类所述备件物料共用所述第一嵌入层和所述第二嵌入层；
所述预测模型的输出还包括模型置信度，当所述模型置信度低于阈值时，更新所述船舶监控设备的监控频率和监控精度；
基于所述预计损耗量、所述备件管理信息表和备件预设标准，确定所述备件物料的库存是否充足；
响应于所述库存不充足，确定备件补充计划。
2.如权利要求1所述的方法，其特征在于，所述船舶监控设备包括仓储监控设备和运行监控设备，所述基于船舶监控设备获取所述备件物料的备件仓储信息和备件使用信息，包括：
基于所述仓储监控设备对出入库的所述备件物料进行识别，确定所述备件仓储信息；
基于所述运行监控设备对使用中的所述备件物料进行识别，确定所述备件使用信息。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述备件物料的实际损耗量；
基于所述实际损耗量和所述预计损耗量，确定所述备件物料的损耗量是否异常；
响应于所述损耗量异常，确定异常备件及其监测信息；
基于所述监测信息，确定备件异常原因。
4.一种船舶备件物料管理的系统，其特征在于，所述系统包括：
获取模块，用于基于船舶监控设备获取所述备件物料的备件仓储信息和备件使用信息，所述备件仓储信息至少包括备件基础信息；
生成模块，用于基于所述备件仓储信息和所述备件使用信息，生成备件管理信息表；
第一确定模块，用于基于船舶航行计划、船舶系统状态和所述备件基础信息，确定所述备件物料的预计损耗量，包括：
基于预测模型对所述船舶航行计划、所述船舶系统状态和所述备件基础信息进行处理，确定所述备件物料的预计损耗量，所述预测模型为机器学习模型；
所述预测模型包括第一嵌入层、第二嵌入层、第三嵌入层和预测层；所述第一嵌入层用于对所述船舶航行计划进行处理，确定航行特征向量；所述第二嵌入层用于对所述船舶系统状态进行处理，确定状态特征向量；所述第三嵌入层包含多个，每个所述第三嵌入层用于对一类所述备件物料的所述备件基础信息进行处理，确定一类所述备件物料的备件特征向量；所述预测层包含多个，每个所述预测层用于对一类所述备件物料的损耗量进行预测，每个所述预测层用于对所述航行特征向量、所述状态特征向量、一类所述备件物料的所述备件特征向量进行处理，确定一类所述备件物料的所述预计损耗量，其中，每一类所述备件物料对应一个所述第三嵌入层和所述预测层，多类所述备件物料共用所述第一嵌入层和所述第二嵌入层；
所述预测模型的输出还包括模型置信度，当所述模型置信度低于阈值时，更新所述船舶监控设备的监控频率和监控精度；
第二确定模块，用于基于所述预计损耗量、所述备件管理信息表和备件预设标准，确定所述备件物料的库存是否充足；
第三确定模块，用于响应于所述库存不充足，确定备件补充计划。
5.如权利要求4所述的系统，其特征在于，所述船舶监控设备包括仓储监控设备和运行监控设备，为基于船舶监控设备获取所述备件物料的备件仓储信息和备件使用信息，所述获取模块用于：
基于所述仓储监控设备对出入库的所述备件物料进行识别，确定所述备件仓储信息；
基于所述运行监控设备对使用中的所述备件物料进行识别，确定所述备件使用信息。
6.如权利要求4所述的系统，其特征在于，所述系统还包括异常检测模块，所述异常检测模块用于：
获取所述备件物料的实际损耗量；
基于所述实际损耗量和所述预计损耗量，确定所述备件物料的损耗量是否异常；
响应于所述损耗量异常，确定异常备件及其监测信息；
基于所述监测信息，确定备件异常原因。
7.一种船舶备件物料管理的装置，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~3任一项所述的船舶备件物料管理的方法。
8.一种计算机可读存储介质，所述计算机存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1-3中任一项所述的船舶备件物料管理的方法。
CN202211322086.0A 2022-10-27 2022-10-27 一种船舶备件物料管理的方法和系统 Active CN115375250B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211322086.0A CN115375250B (zh) 2022-10-27 2022-10-27 一种船舶备件物料管理的方法和系统
CN202310154655.3A CN116308037A (zh) 2022-10-27 2022-10-27 一种船舶备件预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211322086.0A CN115375250B (zh) 2022-10-27 2022-10-27 一种船舶备件物料管理的方法和系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310154655.3A Division CN116308037A (zh) 2022-10-27 2022-10-27 一种船舶备件预警方法和系统

Publications (2)

Publication Number Publication Date
CN115375250A CN115375250A (zh) 2022-11-22
CN115375250B true CN115375250B (zh) 2023-01-06

Family

ID=84074170

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211322086.0A Active CN115375250B (zh) 2022-10-27 2022-10-27 一种船舶备件物料管理的方法和系统
CN202310154655.3A Withdrawn CN116308037A (zh) 2022-10-27 2022-10-27 一种船舶备件预警方法和系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202310154655.3A Withdrawn CN116308037A (zh) 2022-10-27 2022-10-27 一种船舶备件预警方法和系统

Country Status (1)

Country Link
CN (2) CN115375250B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557071B (zh) * 2024-01-11 2024-07-30 迈创企业管理服务股份有限公司 稀疏时间序列的预测方法、设备、存储介质及应用
CN118521050B (zh) * 2024-07-25 2024-09-27 大连赢海月贝网科技有限公司 基于船岸协同技术的船舶备件物料数据智能处理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854115A (zh) * 2012-11-29 2014-06-11 大连瀚科信息技术有限公司 船舶机务工单的备件预定和消耗信息管理方法
CN106203914A (zh) * 2016-07-08 2016-12-07 上海互海信息科技有限公司 一种船舶仓储管理方法及系统
CN109711788A (zh) * 2019-01-22 2019-05-03 大连海大赢海科技有限公司 一种船舶备件供应系统及方法
CN111695744A (zh) * 2020-06-28 2020-09-22 曾晨 一种基于大数据的维修器材需求预测分析系统
CN113127538A (zh) * 2021-04-16 2021-07-16 北京交通大学 一种高精度的备件需求预测方法
CN113850448A (zh) * 2021-12-01 2021-12-28 广东智修互联大数据有限公司 一种用于备件的消耗和调度的管理方法和系统
CN114862296A (zh) * 2022-03-08 2022-08-05 西门子（中国）有限公司 备件库存管理方法、装置、电子设备及计算机存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4126658A1 (en) * 2020-03-24 2023-02-08 A.P.Møller - Mærsk A/S Fuel supply for a marine vessel

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854115A (zh) * 2012-11-29 2014-06-11 大连瀚科信息技术有限公司 船舶机务工单的备件预定和消耗信息管理方法
CN106203914A (zh) * 2016-07-08 2016-12-07 上海互海信息科技有限公司 一种船舶仓储管理方法及系统
CN109711788A (zh) * 2019-01-22 2019-05-03 大连海大赢海科技有限公司 一种船舶备件供应系统及方法
CN111695744A (zh) * 2020-06-28 2020-09-22 曾晨 一种基于大数据的维修器材需求预测分析系统
CN113127538A (zh) * 2021-04-16 2021-07-16 北京交通大学 一种高精度的备件需求预测方法
CN113850448A (zh) * 2021-12-01 2021-12-28 广东智修互联大数据有限公司 一种用于备件的消耗和调度的管理方法和系统
CN114862296A (zh) * 2022-03-08 2022-08-05 西门子（中国）有限公司 备件库存管理方法、装置、电子设备及计算机存储介质

Also Published As

Publication number Publication date
CN115375250A (zh) 2022-11-22
CN116308037A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN115375250B (zh) 一种船舶备件物料管理的方法和系统
CN109947072B (zh) 用于在生产过程期间自动检测异常工件的数据驱动方法
Al-Dahidi et al. A framework for reconciliating data clusters from a fleet of nuclear power plants turbines for fault diagnosis
CN116362607B (zh) 一种物资储备效能评估方法及装置
CN116830254A (zh) 部件、传感器和计量数据整合
CN118501692A (zh) 伺服电机故障诊断方法及系统
Pang Intelligent belt conveyor monitoring and control
CN116049638A (zh) 一种变压器震动检测方法、系统、设备及存储介质
Mouflih et al. Decision Support Framework Using Knowledge Based Digital Twin for Sustainable Product Development and End of Life
Elmdoost-gashti et al. Enhancing resilience in marine propulsion systems by adopting machine learning technology for predicting failures and prioritising maintenance activities
US20190266682A1 (en) Calculating value of inspection information
Kim Machine prognostics based on health state probability estimation
KR20220097252A (ko) 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템
US20210118248A1 (en) Methods and systems for continuously determining remaining useful lives of vehicle components
Last et al. Condition-based maintenance with multi-target classification models
CN112966449A (zh) 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法
Flores-Jimeno et al. Analysing business failure processes
Pirani et al. A pattern recognition approach for enhancing lifecycle maintainability of battery systems
CN118296565B (zh) 基于数据挖掘的动力电池事故溯源管控系统
CN118552548B (zh) 一种基于图像数据分析的钢混组合梁质量检测方法及系统
De La Cruz et al. Prognostics in the control of logistics systems
Bonissone et al. Industrial AI [Industrial and Governmental Activities]
CN115563999B (zh) 传感器组件和用于运行传感器组件的方法
Elsayed et al. Intelligent maintenance system by using Markov Chain with Monte Carlo simulation approaches
Schimanek et al. Data fusion for improved circularity through higher quality of prediction and increased reliability of inspection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant