CN116902177B - 基于物联网的游艇异常状态智能监测方法及系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于物联网的游艇异常状态智能监测方法及系统，采集游艇横滚角度数据；基于游艇横滚角度的波动频率与波动幅度构建各周期的海浪波动特征值；根据历史时间段的海浪波动特征序列中数据波动强度自适应获取平滑系数；结合EMA算法得到当前时间段的预测值；计算与实际值的差异，完成游艇异常检测。实现游艇异常状态智能监测，降低了人为判断失误概率，提高了EMA算法预测准确性，具有较高游艇异常状态智能监测精度。

Description

基于物联网的游艇异常状态智能监测方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及基于物联网的游艇异常状态智能监测方法及系统。

背景技术

随着现在社会经济的发展，越来越多的人追求旅游、休闲文化，全球豪华旅游市场持续增长，越来越多的较为富裕的人群对奢华旅游的需求增加，游艇作为一种经典的奢华旅游方式，能够提供独特的海上体验，因此游艇旅游行业得以快速增长。由于海洋环境复杂，游艇在航行过程中随时面临着各种潜在的安全风险，比如天气突变、航线偏离、游艇故障等，因此需要游艇上的相关工作人员对游艇的状态进行异常监测，及时发现游艇异常运动情况，采取相应的措施，确保游艇和乘员的安全。

传统的监测方法主要是依靠具有丰富经验的游艇驾驶员进行个人判断，所需驾驶员的航行经验较高，而且由于海上航行时间较长、过程单调，驾驶员容易出现判断失误的情况。

综上所述，本发明提出基于物联网的游艇异常状态智能监测方法，通过陀螺仪传感器采集海上风浪对游艇产生的摇晃幅度，构建各周期的海浪波动特征值，预测当前时间段的海浪波动特征值，与实际值进行比较，完成游艇异常状态监测。

发明内容

为了解决上述技术问题，本发明的目的在于提供基于物联网的游艇异常状态智能监测方法及系统，所采用的技术方案具体如下：

第一方面，本发明实施例提供了基于物联网的游艇异常状态智能监测方法，该方法包括以下步骤：

采集游艇的横滚角度数据；根据各横滚角度数据的采集时间得到各周期序列；

根据各周期序列中数据变化得到各周期的极值；根据各周期的极值变化得到各周期的平均倾斜度；根据各周期最值及平均倾斜度得到各周期的波动幅变程度；

根据各周期相邻两个极值点之间的时间间隔得到各周期的波动频变程度；根据各周期的波动幅变程度和波动频变程度得到各周期的海浪波动特征值；将各周期的海浪波动特征值组成的序列作为海浪波动特征序列；将海浪波动特征序列等分得到各特征分序列；根据各特征分序列中数据变化得到自适应平滑系数；根据自适应平滑系数结合指数滑动平均法得到当前时间段的预测值；根据当前时间段的海浪波动特征值的实际值及预测值之间的差异得到异常状态，完成游艇异常检测。

优选的，所述根据各横滚角度数据的采集时间得到各周期序列的具体步骤为：

将各横滚角度数据组成的序列作为横滚角度数据序列；将相等时间间隔作为一个周期；将横滚角度数据序列按各数据采集时间所在周期进行划分得到各周期序列。

优选的，所述根据各周期序列中数据变化得到各周期的极值，具体包括：

构建各周期序列的横滚角度波形图，将波形图中峰值作为各周期的极大值，将波形图中谷值作为各周期的极小值。

优选的，所述各周期的平均倾斜度为各周期的极大值均值与各周期的极小值均值的差值。

优选的，所述根据各周期最值及平均倾斜度得到各周期的波动幅变程度，具体包括：

计算各周期的最大值与最小值的差值，将所述差值及各周期的平均倾斜度的和值作为各周期的波动幅变程度。

优选的，所述根据各周期相邻两个极值点之间的时间间隔得到各周期的波动频变程度的方法为：

将各周期相邻两个极值点之间的时间间隔平方的均值作为各周期的波形变化规律度，将各周期极值点个数与波形变化规律度作为各周期的波动频变程度。

优选的，所述各周期的海浪波动特征值为各周期的波动幅变程度与波动频变程度的乘积。

优选的，所述根据各特征分序列中数据变化得到自适应平滑系数的方法为：

计算海浪波动特征序列中所有数据的熵，将各特征分序列中相邻两个元素的差值的均值作为各特征分序列差异值，计算各特征分序列差异值之间的差值，将所述差异值之间的差值及所述熵的归一化乘积作为自适应平滑系数。

优选的，所述根据当前时间段的海浪波动特征值的实际值及预测值之间的差异得到异常状态，具体为：根据预测值设定正常范围，将海浪波动特征值的实际值超出正常范围时的状态作为异常状态。

第二方面，本发明实施例还提供了基于物联网的游艇异常状态智能监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

本发明实施例至少具有如下有益效果：

本发明是一种基于物联网的游艇异常状态智能监测方法，根据游艇陀螺仪传感器测得的横滚角度数据，采集游艇摇晃幅度数据，使用EMA算法结合历史数据，对当前时间段进行预测，根据预测值和实际值的差异来判断游艇是否存在异常，解决了游艇驾驶员会受个人状态影响导致判断失误的问题，为游艇及乘员的安全提供了更高保障。

为避免了EMA算法中，平滑系数过小或过大导致预测值不准确的问题，本发明通过对历史时间段的数据分析游艇摇晃幅度与频率变化，构建各周期的海浪波动特征值，根据前后两个时间区间的海浪波动特征值之间的差异，自适应获取平滑系数，根据平滑系数完成EMA算法预测，在历史时间段的海浪波动特征值变化较大的情况下，可对临近数据赋予较大的权重，使预测值更快适应上一个周期的波动变化，使其预测值更准确，提高EMA算法的准确性，具有较高游艇异常状态监测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术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发明的一些实施例，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它附图。

图1为本发明一个实施例提供的基于物联网的游艇异常状态智能监测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于物联网的游艇异常状态智能监测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于物联网的游艇异常状态智能监测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于物联网的游艇异常状态智能监测方法的步骤流程图，该方法包括以下步骤：

步骤S001，采集游艇的横滚角度数据。

游艇在海上航行时，海上环境复杂多变，这会导致游艇出现各种异常状态，其中由于过大的风浪、船体破损、游艇触礁等都会导致游艇出现异常倾斜的情况，本发明对游艇的异常倾斜状态进行智能监测。其中，游艇船身倾斜角度可以使用游艇自带陀螺仪传感器进行测量，通过陀螺仪传感器的横滚角度进行体现，横滚角度是描述船舶绕航向轴旋转的角度，当船舶发生横滚时，船体会向一侧倾斜，船舶的一侧升高，而另一侧下沉，横滚角度通常以船体向右倾斜为正值，向左倾斜为负值。

因此本发明在游艇驾驶舱内安装光纤陀螺仪传感器，对光纤陀螺仪传感器获取的游艇横滚角度数据进行采集，并通过物联网技术传输到服务器中进行处理。其中，横滚角度数据的采集时间及采集容量实施者可自行设定，本实施例将采集时间设定为采集最新的时间段内的数据，采集容量为/>个，采集时间间隔即为/>秒，并将采集横滚角度数据按采集时间先后进行排列。至此得到游艇的横滚角度数据序列。

步骤S002，根据游艇的横滚角度数据序列中数据变化得到海浪波动特征序列，根据海浪波动特征序列自适应获取平滑系数。

本发明的目的是基于物联网技术，对游艇的异常状态进行智能监测，由物联网得到当前时刻游艇最新的时间段内的横滚角度数据，其中，将0时刻表示为当前时刻，60时刻表示为历史时刻中距当前时刻相隔60min的时刻，并将横滚角度数据序列分成2个区间，/>时间段为当前时间段，并获取当前时间段的横滚角度数据序列；/>时间段为历史时间段，并获取历史时间段的横滚角度数据序列。由于海上游艇的横滚角度数据主要受海浪的影响，因此本发明采用游艇的横滚角度数据构建海浪波动特征值，对历史时间段内的海浪波动特征数据，预测当前时间段内的大致海浪波动特征数据，将预测得到的海浪波动特征数据与实际得到的当前时间段内海浪波动特征数据进行比较，判断当前时刻游艇的状态是否出现异常。

将历史时间段内的横滚角度数据组成的序列平均划分成59个分序列，每个分序列具有游艇/>时间段内的横滚角度数据，将每经过/>时间段记为一个周期，则每个分序列记为各周期序列。由于游艇行驶在海上，海上具有较多的风浪，海浪会导致游艇左右摇摆，船身晃动发生倾斜，但是海浪与海浪之间是具有一定的时间间隔，船体会由于重力作用回落，在一个周期内上述情况会重复多次，导致船身发生多次晃动。当周期序列中各横滚角度/>时，表示游艇向右倾斜；而当/>时，表示游艇向左倾斜。游艇在海上航行时，在一个周期内游艇船身不断晃动，产生的横滚角度数据不断进行上下波动，即游艇横滚角度/>的数值可能大于0，也可能小于0。

获取各周期序列中的最大值与最小值，计算各周期的最大倾斜幅度：

式中，为第/>个周期的最大倾斜幅度，/>为第/>个周期序列中的最大横滚角度，为第/>个周期序列中的最小横滚角度。各周期内横滚角度数据的最大值和最小值之间差距越大，说明各周期的最大倾斜幅度越大，海浪导致的游艇晃动幅度越大，游艇的总晃动幅度越大。

在一个周期内，由于较多的海浪，导致游艇产生较多的横滚角度波动数据。如从船体受到从左边来的海浪，海浪刚到来时，游艇逐渐向右倾斜，当海浪过去后，船体受重心影响，船体开始回落并逐渐向左倾斜，此过程中，在游艇逐渐向右倾斜时，游艇的横滚角度数据逐渐增大，在下一个海浪没有到来之前，游艇回落，船体左倾，横滚角度数据从正值逐渐减小变为负值，且由于惯性影响，游艇右倾的程度越大，回落时左倾程度越大，从而在游艇持续受到海浪冲击时，游艇的横滚角度数据呈现随时间变化而不断上下波动的情况。因此将历史时间段中每个周期内的横滚角度序列进行绘图，将时间作为横坐标，将横滚角度作为纵坐标，得到各周期的横滚角度波形图，横滚角度波形图中的各个峰值即为各周期所包含的极大值，各个谷值即为各周期所包含的极小值，图中的各极大值即为每次游艇右倾的最大角度，各极小值即为每次游艇左倾的最大角度。获取每个周期的横滚角度波形图中各极大值与极小值，将极大值组成的序列作为极大值序列，将极小值组成的序列作为极小值序列，据此构建各周期的平均倾斜度，表达式为：

式中，为第/>个周期的平均倾斜度，/>为第/>个周期极大值序列中元素个数，/>为第/>个周期极小值序列中元素个数，/>为第/>个周期极大值序列中第/>个横滚角度极大值，/>为第/>个周期极小值序列中第/>个横滚角度极小值。其中/>、/>均不为0。各周期内的游艇平均右倾程度及平均左倾程度越大，横滚角度极大值均值与极小值均值的差值越大，说明各周期的平均倾斜度越大，游艇在各周期内的整体晃动情况越剧烈。

在各周期内，游艇的横滚角度数据会不断波动变化，各周期的横滚角度波动情况可以由各周期的横滚角度波形图中最大倾斜幅度及平均倾斜度体现，据此构建各周期的波动幅变程度的表达式为：

式中，为第/>个周期的波动幅变程度，/>为第/>个周期序列的最大倾斜幅度，为第/>个周期的平均倾斜度，/>及/>为权重，需要说明的是，/>及/>实施者可自行设定，本实施例将/>的值设定为0.3，将/>的值设定为0.7。由于最大倾斜幅度/>为各周期内的右倾程度最大值和左倾程度最大值的差值，只考虑了两个数据的数值情况，受意外情况影响的可能性较大，因此应该赋给较小权重；而各周期内的平均倾斜度/>为各周期内的极大值均值与极小值均值的差值，相对考虑到了整个周期内的数据变化，因此应该赋给较大权重。各周期内，最大倾斜波动幅度/>越大，说明各周期内游艇左倾及右倾的最大角度越大，波浪导致的游艇晃动幅度越大；各周期的平均倾斜度/>越大，说明各周期内游艇整体晃动幅度越大，倾斜波动幅度变化越大，各周期的波动幅变程度越大。

对各周期的横滚角度波形图中波形的变化频率进行分析，波形的变化频率可以反映各周期内的横滚角度数据波动变化频繁性，即可以反映各周期内游艇受海浪影响的晃动频率是否频繁，由此构建各周期内晃动频率的规律性获取各周期内风浪危险指数，具体为，首先获取每个周期的横滚角度波形图中的极值点，并获取各极值点的数据采集时间，根据相邻两个极值点之间的时间间隔计算各周期的波形变化规律度：

式中，为第/>个周期的波形变化规律度，/>为第/>个周期的横滚角度波形图中的极值点个数，/>为第/>个周期的横滚角度波形图中第/>个极值点与第/>个极值点的采集时间的差值，/>为第/>个周期的横滚角度波形图中第/>个极值点与第/>个极值点的采集时间的差值，即相邻两个极值点之间的时间间隔。其中/>。相邻两个极值点之间的时间间隔的差别越小，/>越小，游艇晃动越剧烈，受风浪影响的危险程度越高；相邻两个极值点之间的时间间隔的差别越大，/>越大，说明游艇晃动越缓慢、规律，相对游艇受到的危险程度越低。

进一步的，得到各周期内游艇横滚角度数据的波动频变程度：

式中，为第/>个周期的波动频变程度，/>为第/>个周期的波形变化规律度，/>为第/>个周期的横滚角度波形图中的极值点个数。一个周期内极值点个数越多，说明波形图中数据变化越快，游艇晃动频率越快，风浪对游艇影响越大；/>越小，游艇晃动越不规律；综上，/>越大，游艇受风浪影响的危险程度越高。

其中横滚角度数据的最大值与最小值反应各周期内数据波动的最大幅度，数据的极大值与极小值反应各周期内数据波动的平均幅度，各周期内的数据波动幅度越大，游艇每次倾斜程度越大；同时各周期的横滚角度波形图中的极值点个数与相邻两个极值点之间的间隔表示各周期内波动变化的频率特征，个数越多，间隔越短，说明各周期波动变化越频繁、频率变化程度越大，该游艇的倾斜变化越多、越快，各周期的海浪波动特征值越大。

因此，由各周期的波动幅变程度和波动频变程度/>，得到各周期的海浪波动特征值/>为：

式中，为第/>个周期的海浪波动特征值，/>为第/>个周期的波动幅变程度，/>为第/>个周期内游艇横滚角度数据的波动频变程度。各周期的波动幅变程度、波动频变程度越大，说明各周期的海浪波动特征值越大。

通过上述方式获取各周期的海浪波动特征值。将历史时间段中各周期的海浪波动特征值组成的序列进行如下处理：在历史时间段内可得到59个周期的海浪波动特征值，将其按照时间发生的先后顺序(从60时刻到1时刻)，对各周期的海浪波动特征值进行排序，得到海浪波动特征序列，记为/>，将海浪波动特征序列等分成两个分序列，具体为，第一特征分序列/>，第二特征分序列/>。

对于各特征分序列，计算各周期的特征值与对应前一周期的特征值之间的差值绝对值，同时，计算海浪波动特征序列中所有数据的熵，记为，使用以上指标构建波动校正因子/>：

式中，为波动校正因子，/>为海浪波动特征序列中所有数据的熵，/>为第一特征分序列的差异值；/>为第二特征分序列的差异值，/>为各分序列中元素个数，本发明中/>，/>、/>分别为海浪波动特征序列中第/>个、第/>个特征值，/>为归一化函数。/>越大，说明各周期比前一周期的特征值越大，分序列波动差值的均值越大；/>越大，说明海浪波动特征序列中后半部分数据与前半部分数据波动程度的差异越大，整个序列的数据变化越不平缓；/>越大，说明整个序列的数据越混乱。采用指数滑动平均法（EMA）对当前时间段的数据进行预测时，海浪波动特征序列中数值越混乱，同时前后部分的数据差异越大，越应看重临近数据，对预测时刻的临近数据赋予较大的权重，即波动校正因子/>越大。游艇受海浪影响较大，海浪的起伏程度及冲击频率逐渐改变时，应该加大EMA算法的平滑系数，使其可以更快的适应临近时刻的海浪变化，使预测值更接近实际值，即取较大波动校正因子。

为自适应获取指数滑动平均法（EMA）的平滑系数，对波动因子/>进行如下调整：

式中，为调整后的平滑系数，/>为波动校正因子，/>及/>为限制因子，需要说明的是，/>及/>的值实施者可自行设定，本实施例将/>及/>分别设定为0.2和0.8。

步骤S003，根据平滑系数结合指数滑动平均法对当前时间段的海浪波动特征值进行预测，根据预测值进行游艇异常状态检测。

根据上述所得的自适应平滑系数，使用EMA算法对前59个周期的海浪波动特征值进行处理，预测第60个周期（当前时间段/>）的海浪波动特征值，预测值记为/>，同时将第60个周期的海浪波动特征值的实际值/>为/>。在海上，海浪之间的强度、频率是变化的，但是大多都是具有先兆的，即前一个较短时间周期（1min）的海浪比较小，下个周期的海浪通常不会比前一个高出太多，但是如果船体出现破损、触礁等异常状态，此时游艇的横滚角度数据和海浪波动特征值/>会具有较大变化。因此通过比较实际观测值与EMA预测值之间的差异，判断游艇是否存在异常情况，如果实际观测值明显偏离EMA预测值，可能表明当前船体存在异常。具体的，将/>时的状态作为正常状态，若/>，则说明当前时刻的实际值/>与预测值/>差距较小，属于正常误差，游艇并没有出现异常状态；反之，则说明当前时刻船体可能存在破损、触礁等异常状态，此时系统自动发出警报或提醒，通知相关人员进行及时处理。

综上所述，本发明实施例提供了基于物联网的游艇异常状态智能监测方法，根据游艇陀螺仪传感器测得的横滚角度数据，采集游艇摇晃幅度数据，使用EMA算法结合历史数据，对当前时间段进行预测，根据预测值和实际值的差异来判断游艇是否存在异常，解决了游艇驾驶员会受个人状态影响导致判断失误的问题。

为避免了EMA算法中，平滑系数过小或过大导致预测值不准确的问题，本实施例通过对历史时间段的数据分析游艇摇晃幅度与频率变化，构建各周期的海浪波动特征值，根据前后两个时间区间的海浪波动特征值之间的差异，自适应获取平滑系数，根据平滑系数完成EMA算法预测，在历史时间段的海浪波动特征值变化较大的情况下，可对临近数据赋予较大的权重，使预测值更快适应上一个周期的波动变化，使其预测值更准确，提高EMA算法的准确性，具有较高游艇异常状态监测精度。

基于与上述方法相同的发明构思，本发明实施例还提供了基于物联网的游艇异常状态智能监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于物联网的游艇异常状态智能监测方法中任意一项所述方法的步骤。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.基于物联网的游艇异常状态智能监测方法，其特征在于，该方法包括以下步骤：

采集游艇的横滚角度数据；根据各横滚角度数据的采集时间得到各周期序列；

根据各周期序列中数据变化得到各周期的极值；根据各周期的极值变化得到各周期的平均倾斜度；根据各周期序列中数据的最大值、最小值及平均倾斜度得到各周期的波动幅变程度；

根据各周期相邻两个极值点之间的时间间隔得到各周期的波动频变程度；根据各周期的波动幅变程度和波动频变程度得到各周期的海浪波动特征值；将各周期的海浪波动特征值组成的序列作为海浪波动特征序列；将海浪波动特征序列等分得到各特征分序列；根据各特征分序列中数据变化得到自适应平滑系数；根据自适应平滑系数结合指数滑动平均法得到当前时间段的预测值；根据当前时间段的海浪波动特征值的实际值及预测值之间的差异得到异常状态，完成游艇异常检测；

所述根据各横滚角度数据的采集时间得到各周期序列的具体步骤为：将各横滚角度数据组成的序列作为横滚角度数据序列；将相等时间间隔作为一个周期；将横滚角度数据序列按各数据采集时间所在周期进行划分得到各周期序列；

所述根据各周期序列中数据变化得到各周期的极值，具体包括：构建各周期序列的横滚角度波形图，将波形图中峰值作为各周期的极大值，将波形图中谷值作为各周期的极小值；

所述各周期的平均倾斜度为各周期的极大值均值与各周期的极小值均值的差值；

所述根据各周期序列中数据的最大值、最小值及平均倾斜度得到各周期的波动幅变程度，具体包括：计算各周期序列中数据的最大值与最小值的差值，将所述差值及各周期的平均倾斜度的和值作为各周期的波动幅变程度；

所述根据各周期相邻两个极值点之间的时间间隔得到各周期的波动频变程度的方法为：将各周期相邻两个极值点之间的时间间隔平方的均值作为各周期的波形变化规律度，将各周期极值点个数与波形变化规律度之比作为各周期的波动频变程度；

所述各周期的海浪波动特征值为各周期的波动幅变程度与波动频变程度的乘积；

所述根据各特征分序列中数据变化得到自适应平滑系数的方法为：计算海浪波动特征序列中所有数据的熵，将各特征分序列中相邻两个元素的差值的均值作为各特征分序列差异值，计算各特征分序列差异值之间的差值，将所述差异值之间的差值及所述熵的归一化乘积作为自适应平滑系数；

所述根据当前时间段的海浪波动特征值的实际值及预测值之间的差异得到异常状态，具体为：根据预测值设定正常范围，将海浪波动特征值的实际值超出正常范围时的状态作为异常状态。

2.基于物联网的游艇异常状态智能监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。