CN117198031A - 一种基于安全包络策略的平台状态监测预警方法 - Google Patents

Abstract

本申请涉及数字数据处理技术领域，特别涉及一种基于安全包络策略的平台状态监测预警方法，包括：先根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，以进一步计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度，再确认目标检测时刻对应的环境数据异常序列与状态数据异常序列，并且构建目标检测时刻对应的综合异常系数，最后将目标检测时刻对应的综合异常系数与预先构建的预测模型输出标准异常系数进行比对，确定目标检测时刻对应的船舶平台状态是否进入预警状态，相对于传统船舶平台的状态监测方式，提高了监测的准确性，以实现及时预警。

Description

一种基于安全包络策略的平台状态监测预警方法

技术领域

本申请涉及数字数据处理技术领域，特别涉及一种基于安全包络策略的平台状态监测预警方法。

背景技术

平台状态监测，是指针对船舶平台的状态监测，而船舶平台是指一种专门用于水上运输、作业或其他用途的水面浮动设备。平台状态监测可以具体例如为船舶航向监测、船舶触底监测、船舶侧翻监测等多种监测项目。

传统对于船舶平台的状态监测，是通过多种传感器进行数据采集获取船舶平台的数据信息，将多种船舶平台的数据信息进行数据处理与数据融合，以根据融合之后的数据进行安全包络图的构建，最终基于安全包络图分析得到船舶平台的状态。而传统基于安全包络图分析以进行船舶平台的状态监测方法，因多种船舶平台的数据信息存在数据上的互相干扰与抵消，造成船舶平台的状态监测的准确性较低，进一步导致监测成本较高。

发明内容

鉴于以上内容，有必要提供一种基于安全包络策略的平台状态监测预警方法，相对于传统的船舶平台的状态监测方式，提高了船舶平台的状态监测的准确性，以实现及时状态预警，进一步降低监测成本。

本申请第一方面提供一种基于安全包络策略的平台状态监测预警方法，应用于船舶平台状态预警领域，所述系统包括：根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，其中，所述环境数据序列与状态数据序列分别包括预设数量的环境数据子序列与状态数据子序列；基于所述环境数据子序列与状态数据子序列对应的主序列，计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度；通过所述环境数据序列与状态数据序列，以及环境数据异常置信度与状态数据异常置信度，确认目标检测时刻对应的环境数据异常序列与状态数据异常序列；基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数；将所述目标检测时刻对应的综合异常系数与预先构建的预测模型输出的目标检测时刻对应的标准异常系数进行比对，判断目标检测时刻对应的船舶平台状态是否为预警状态。

在其中一种实施例中，所述根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，其中，所述环境数据序列与状态数据序列分别包括预设数量的环境数据子序列与状态数据子序列，具体包括：将历史安全时间段对应的初始环境数据组与初始状态数据组进行标准正态分布处理，确认预设数量的初始环境数据组与初始状态数据组分别对应的标准环境数据组与标准状态数据组；通过预设时间序列分析算法将历史安全时间段对应的标准环境数据组与标准状态数据组进行处理，确认依照时序排列的预设数量的环境数据子序列与状态数据子序列；基于所述依照时序排列的预设数量的环境数据子序列与状态数据子序列，构建历史安全时间段对应的环境数据序列与状态数据序列。

在其中一种实施例中，所述将历史安全时间段对应的初始环境数据组进行标准正态分布处理，确认预设数量的初始环境数据组对应的标准环境数据组与标准状态数据组，具体包括：

其中，为第/>个初始环境数据组对应的标准环境数据组，/>第/>个初始环境数据组/>为第/>个初始环境数据组的数据平均值，/>为第/>个初始环境数据组的数据标准差。

在其中一种实施例中，所述通过预设时间序列分析算法将历史安全时间段对应的标准环境数据组进行处理，确认依照时序排列的预设数量的环境数据子序列，具体包括：

其中，为第/>时刻对应的环境数据子序列，/>为第/>个初始环境数据组对应的标准环境数据组的第/>个子单元在第/>时刻的数据值，/>为第/>个初始环境数据组对应的标准环境数据组的子单元数量，/>为初始环境数据组的数量。

在其中一种实施例中，所述基于所述环境数据子序列与状态数据子序列对应的主序列，计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度，具体包括：根据所述环境数据子序列与状态数据子序列对应的主序列的数据均值与数据标准方差，计算所述环境数据子序列与状态数据子序列对应的高斯函数值；将预设置信度调节因子与所述环境数据子序列与状态数据子序列对应的高斯函数值分别做差计算，确认环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度。

在其中一种实施例中，所述根据所述环境数据子序列对应的主序列的数据均值与数据标准方差，计算所述环境数据子序列对应的高斯函数值，具体包括：

其中，为第/>个初始环境数据组对应的环境数据子序列对应的高斯函数值/>为第/>个初始环境数据组对应的环境数据子序列对应的主序列的数据均值/>为第/>个初始环境数据组对应的环境数据子序列对应的数据标准方差，/>为第/>个初始环境数据组对应的环境数据子序列对应的数据值；

在其中一种实施例中，所述将预设置信度调节因子与所述环境数据子序列对应的高斯函数值分别做差计算，确认环境数据子序列对应的环境数据异常置信度，具体包括：

其中，为第/>个初始环境数据组对应的环境数据子序列对应的环境数据异常置信度/>为预设置信度调节因子/>为第/>个初始环境数据组对应的环境数据子序列对应的高斯函数值。在其中一种实施例中，所述通过所述环境数据序列，以及环境数据异常置信度，确认目标检测时刻对应的环境数据异常序列，具体包括：

其中，为目标检测时刻/>对应的环境数据异常序列，/>为历史安全时间段对应的环境数据序列，/>为第/>个初始环境数据组对应的环境数据子序列对应的环境数据异常置信度，/>第/>个初始环境数据组在目标检测时刻/>对应的环境数据组。

在其中一种实施例中，所述基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数，具体包括：

其中，为目标检测时刻/>对应的初始综合异常系数/>为目标检测时刻/>对应的环境数据异常序列，/>为目标检测时刻/>对应的状态数据异常序列，/>为目标检测时刻对应的时刻值，/>为目标检测时刻/>对应的综合异常系数，/>为目标检测时刻/>对应的船舶平台推进器的使用率。

在其中一种实施例中，所述将所述目标检测时刻对应的综合异常系数与预先构建的预测模型输出的目标检测时刻对应的标准异常系数进行比对，确定目标检测时刻对应的船舶平台状态是否进入预警状态，具体包括：将所述历史安全时间段对应的初始环境数据组与初始状态数据组输入至预先构建的预测模型，获取目标检测时刻对应的标准异常系数；当所述目标检测时刻对应的综合异常系数大于目标检测时刻对应的标准异常系数，确定所述目标检测时刻对应的船舶平台状态进入预警状态；当所述目标检测时刻对应的综合异常系数小于或等于目标检测时刻对应的标准异常系数，确定所述目标检测时刻对应的船舶平台状态为非预警状态。

本申请实施例通过先根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，其中，所述环境数据序列与状态数据序列分别包括预设数量的环境数据子序列与状态数据子序列，然后基于所述环境数据子序列与状态数据子序列对应的主序列，计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度，再通过所述环境数据序列与状态数据序列，以及环境数据异常置信度与状态数据异常置信度，确认目标检测时刻对应的环境数据异常序列与状态数据异常序列，并且基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数，最后将所述目标检测时刻对应的综合异常系数与预先构建的预测模型输出的目标检测时刻对应的标准异常系数进行比对，判断目标检测时刻对应的船舶平台状态是否为预警状态。通过结合历史安全时间段对应的初始环境数据组与初始状态数据组，综合确认目标检测时刻对应的综合异常系数，以判断目标检测时刻对应的船舶平台状态是否为预警状态，相对于传统的船舶平台的状态监测方式，提高了船舶平台的状态监测的准确性，以实现及时状态预警，进一步降低监测成本。

附图说明

图1是本申请实施例的一种基于安全包络策略的平台状态监测预警方法的流程示意图。

图2是本申请实施例的一种基于安全包络策略的平台状态监测预警方法的静态安全包络示意图。

图3是本申请实施例的一种基于安全包络策略的平台状态监测预警方法的第一子流程示意图。

图4是本申请实施例的一种基于安全包络策略的平台状态监测预警方法的第二子流程示意图。

图5是本申请实施例的一种基于安全包络策略的平台状态监测预警方法的第三子流程示意图。

具体实施方式

在本申请实施例的描述中，“示例性”、“或者”、“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性”、“或者”、“例如”等词旨在以具体方式呈现相关概念。

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申请中的技术领域的技术人员通常理解的含义相同。本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。应理解，本申请中除非另有说明，“/”表示或的意思。例如，A/B可以表示A或B。本申请中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B三种情况。“至少一个”是指一个或者多个。“多个”是指两个或多于两个。例如，a、b或c中的至少一个，可以表示：a，b，c，a和b，a和c，b和c，a、b和c七种情况。

另外需要说明的是，本申请的说明书和权利要求书及附图中的术语“第一”、“第二”是用于部别类似的对象，而不是用于描述特定的顺序或先后次序。本申请实施例中公开的方法或流程图所示出的方法，包括用于实现方法的一个或多个步骤，在不脱离权利要求的范围的情况下，多个步骤的执行顺序可以彼此互换，其中某些步骤也可以被删除。

本申请实施例首先提出一种基于安全包络策略的平台状态监测预警方法，应用于船舶平台状态预警领域，参考附图1，所述方法包括：

S101、根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，其中，所述环境数据序列与状态数据序列分别包括预设数量的环境数据子序列与状态数据子序列。

本发明的一种具体的实现场景为，根据船舶在运行过程中的运行状态与环境状态进行危险监测，以船舶的触底危险为具体示例，对海底地形进行实时或定期监测和测量，同时，使用各类传感器获取对应时刻的风速、风向、海水流速、流向、浪高等环境数据，而后，结合船舶本身的速度、吃水量等状态数据，形成环境数据序列与状态数据序列，进而基于环境数据序列与状态数据序列通过本方案的方法实现触底监测。

当然，本发明还可以应用于多种其他船舶平台的监测项目中，例如航行平稳性监测、航向一致性监测等多种，对此不做限制。

其中，历史安全时间段，是指船舶平台处在安全工作的情况下的数据采集时间段。所述初始环境数据组，是指由多个维度的环境数据构成的数据组，所述多个维度的环境数据可以包括风速、风向、海水流速、流向、浪高等环境数据。也即所述环境数据是指除船舶平台自身参数有关的其他可能影响船舶平台状态的客观数据。所述初始状态数据组，是指由多个维度的状态数据构成的数据组，所述状态数据包括当前速度、艏向角、横倾角、纵倾角等状态数据。也即所述状态数据是指与船舶平台自身参数有关的可能影响船舶平台状态的参数数据。所述环境数据序列，是指将历史安全时间段对应的初始环境数据组进一步分析与处理得到与时间相关的数据序列。所述状态数据序列，是指将历史安全时间段对应的初始状态数据组进一步分析与处理得到与时间相关的数据序列。进一步，所述环境数据序列是经一系列的去除干扰，抵消或者冗余特征等操作得到的数据序列，以提高数据质量，减少数据的冗余性。所述环境数据序列包括预设数量的环境数据子序列，是指环境数据序列依照时间顺序排列的最大数据组成单元，所述状态数据序列包括预设数量的状态数据子序列，是指状态数据序列依照时间顺序排列的最大数据组成单元。

需要说明的是，本实施例所提到的船舶平台，是指在水面上行驶的船舶，即是用于运输人员、货物、设备等，或执行特定任务的船舶。船舶平台可以根据不同的用途、结构和尺寸进行分类。具体常见的船舶平台类型可为：

1）货船：主要用于运输货物，包括散货船、集装箱船、油轮等。

2）客船：主要用于运输乘客，包括轮渡、游轮等。

3）渔船：用于捕捞和养殖海洋生物。

4）工程船：用于执行特定工程任务，如挖泥船、起重船等。

5）军事船舶：用于执行军事任务，如航空母舰、驱逐舰、护卫舰、潜艇等。

6）科研船：用于进行海洋科学研究，如海洋调查船、极地科考船等。

7）救生船：用于进行海上救援、打捞等任务。

针对不同的船舶平台类型，适应性地调整有关船舶平台数据的采集方式，具体可根据实际情况自行调整，本案不对每种船舶平台类型的数据采集方式进行进一步限定。

需要说明的是，所述历史安全时间段对应的初始环境数据组与初始状态数据组，是通过使用多个传感器进行数据采集以进一步处理获得的。例如，使用位置传感器，实时采集船舶平台的实际位置信息，当前速度和方向信息；姿态传感器实时采集船舶的艏向角、横倾角和纵倾角信息；桩腿传感器采集桩腿的状态信息，下方长度，是否触底，是否故障；环境传感器实时采集风速，风向，海水流速，流速方向，浪高等环境因素。然后对传感器获取的每个单维数据使用中值滤波算法进行滤波，最后再进行数据计算与分析，得到最终的历史安全时间段对应的初始环境数据组与初始状态数据组。

需要解析的是，中值滤波算法是一种常用的数字信号处理和图像处理技术，主要用于消除噪声、平滑数据和保护边缘信息。中值滤波是一种非线性滤波方法，其基本原理是用信号或图像中一定邻域内的中值替代中心点的值。中值滤波算法具有较强的抗脉冲噪声能力，且不易产生滤波后的图像或信号畸变中值滤波算法的基本步骤包括：1.确定滤波窗口的大小和形状。对于一维信号，滤波窗口通常为奇数长度的滑动窗口；对于二维图像，滤波窗口可以是矩形、圆形或其他形状的邻域。2.将滤波窗口放置在信号或图像的起始位置。3.计算滤波窗口内的所有值的中值。中值是将数据按大小排序后位于中间位置的值。对于偶数个数据，中值通常定义为中间两个值的平均值。4.用计算得到的中值替换滤波窗口中心点的值。5.将滤波窗口沿信号或图像移动一个单位，重复步骤3和4，直到滤波窗口到达信号或图像的末尾。具体滤波过程参照上述步骤代入即可，本案不作进一步限定。

S102、基于所述环境数据子序列与状态数据子序列对应的主序列，计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度。

其中，环境数据子序列对应的主序列，是指对所述环境数据子序列影响最大的组成单元，状态数据子序列对应的主序列，是指对所述状态数据子序列影响最大的组成单元，例如，将状态数据子序列的组成单元进行排序，通过将奇异值越大的组成单元其位次越靠前，也即对原序列的贡献值越大，越靠后的序列以噪声占比越大。环境数据异常置信度，是指当前环境数据组是否为异常的信任程度，状态数据异常置信度，是指当前状态数据组是否为异常的信任程度。

需要说明的是，环境数据异常置信度与状态数据异常置信度是一个衡量概率预测的可靠性或确定性的度量。环境数据异常置信度与状态数据异常置信度也即用于描述对某一预测结果、参数估计或假设检验的信任程度。环境数据异常置信度与状态数据异常置信度的取值范围通常在0到1之间，值越接近1，表示对预测结果或参数估计的信任程度越高，值越接近0，表示信任程度越低。

S103、通过所述环境数据序列与状态数据序列，以及环境数据异常置信度与状态数据异常置信度，确认目标检测时刻对应的环境数据异常序列与状态数据异常序列。

其中，在获取到所述环境数据序列与状态数据序列，以及环境数据异常置信度与状态数据异常置信度之后，根据预设的计算规则，计算目标检测时刻对应的环境数据异常序列与状态数据异常序列。所述目标检测时刻对应的环境数据异常序列，是指目标检测时刻对应的船舶平台环境的异常变化情况对应的数据序列，目标检测时刻对应的状态数据异常序列，是指目标检测时刻对应的船舶平台自身状态的异常变化情况对应的数据序列。举个例子，当目标检测时刻对应的环境为狂风暴雨的环境，会导致目标检测时刻对应的环境数据异常序列的某个环境数据值增大，且还可能因狂风暴雨的环境，导致状态数据的波动，比如船体倾斜时其横倾角过大，同时造成状态数据异常序列的某个状态数据增大。

需要说明的是，目标检测时刻对应的环境数据异常序列与状态数据异常序列，是综合了历史安全时间段对应的初始环境数据组与初始状态数据组分析计算的相关参数，以及根据分别对应的主序列计算得到的环境数据异常置信度与状态数据异常置信度，融合得到的有关环境数据与状态数据对应的环境数据异常序列与状态数据异常序列，用于后续判定目标检测时刻对应的船舶平台状态是否为预警状态。需要说明的是，当所述目标检测时刻对应的环境数据异常序列与状态数据异常序列越大时，目标检测时刻对应的船舶平台状态越可能为异常状态，则需要进行对应的预警动作。

S104、基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数。

其中，在获取到所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率之后，根据预设的构建规则，进行目标检测时刻对应的综合异常系数的构建。所述目标检测时刻对应的综合异常系数，是指用于判定目标检测时刻的船舶平台状态是否为异常状态的衡量系数。

需要说明的是，在获取到多个目标检测时刻对应的综合异常系数之后，可根据多个目标检测时刻对应的综合异常系数与时间的关系，画出综合异常系数关于时间的静态安全包络图。如图2所示，图2是本申请实施例的一种基于安全包络策略的平台状态监测预警方法的静态安全包络示意图，静态安全包络是一种用于描述物体在静止状态下稳定性的概念。在船舶工程领域，静态安全包络主要用于评估船舶在静止状态下的稳定性，以确保船舶在各种工况下具有良好的稳定性能。举个例子，在静态安全包络图通常通过绘制右舷倾斜角度与船舶的恢复力之间的关系曲线来表示。在这个曲线图中，船舶在不同倾斜角度下的恢复力可以反映其稳定性能。恢复力是指船舶在受到外力作用下发生倾斜时，由于浮力和重力之间的作用产生的使船舶恢复原状的力。则可根据静态安全包络图的形状和特点，可以评估船舶的稳定性能。一般来说，静态安全包络越宽，船舶的稳定性能越好。当船舶受到外力作用，如风浪、货物移动等，导致倾斜时，具有良好稳定性能的船舶能够更快地恢复到平衡状态。

进一步的，在船舶设计和建造过程中，静态安全包络是一个重要的考虑因素。通过优化船舶的结构、船型、船舶重心位置等因素，可以提高船舶的稳定性能，降低船舶在恶劣环境下发生倾覆的风险。此外，船舶在运营过程中，也需要根据静态安全包络来制定合理的货物装载、船舶修整等操作规程，以确保船舶的安全运行。

S105、将所述目标检测时刻对应的综合异常系数与预先构建的预测模型输出的目标检测时刻对应的标准异常系数进行比对，判断目标检测时刻对应的船舶平台状态是否为预警状态。

其中，通过预先构建的预测模型对所述目标检测时刻的船舶平台状态进行预测，得到目标检测时刻对应的标准异常系数，再将目标检测时刻对应的综合异常系数与标准异常系数进行比对，根据比对结果，判定目标检测时刻对应的船舶平台状态是否为预警状态。也即，当目标检测时刻对应的综合异常系数大于标准异常系数，则判定目标检测时刻对应的船舶平台状态为异常状态，进行预警状态这一动作。当目标检测时刻对应的综合异常系数小于或等于标准异常系数，则判定目标检测时刻对应的船舶平台状态为正常状态，则无需进行预警状态这一动作。

本申请实施例通过先根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，其中，所述环境数据序列与状态数据序列分别包括预设数量的环境数据子序列与状态数据子序列，然后基于所述环境数据子序列与状态数据子序列对应的主序列，计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度，再通过所述环境数据序列与状态数据序列，以及环境数据异常置信度与状态数据异常置信度，确认目标检测时刻对应的环境数据异常序列与状态数据异常序列，并且基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数，最后将所述目标检测时刻对应的综合异常系数与预先构建的预测模型输出的目标检测时刻对应的标准异常系数进行比对，确定目标检测时刻对应的船舶平台状态是否进入预警状态。通过结合历史安全时间段对应的初始环境数据组与初始状态数据组，综合确认目标检测时刻对应的综合异常系数，以判断目标检测时刻对应的船舶平台状态是否为预警状态，相对于传统的船舶平台的状态监测方式，提高了船舶平台的状态监测的准确性，以实现及时状态预警，进一步降低监测成本。

在本申请的一种实施例中，并参阅图3，S101、所述根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，其中，所述环境数据序列与状态数据序列分别包括预设数量的环境数据子序列与状态数据子序列，具体包括：

S201、将历史安全时间段对应的初始环境数据组与初始状态数据组进行标准正态分布处理，确认预设数量的初始环境数据组与初始状态数据组分别对应的标准环境数据组与标准状态数据组。

其中，所述历史安全时间段对应的初始环境数据组与初始状态数据组，分别包括预设数量的环境数据子序列与状态数据子序列，而预设数量的环境数据子序列与状态数据子序列单位均不统一，则需要将预设数量的环境数据子序列与状态数据子序列单位进行统一，以供后续进一步计算分析。

需要说明的是，计算预设数量的初始环境数据组与初始状态数据组分别对应的标准环境数据组与标准状态数据组的逻辑相同，则此处以计算标准环境数据组为例进行解析说明，所述将历史安全时间段对应的初始环境数据组进行标准正态分布处理，确认预设数量的初始环境数据组对应的标准环境数据组，具体包括：

其中，为第/>个初始环境数据组对应的标准环境数据组，/>第/>个初始环境数据组/>为第/>个初始环境数据组的数据平均值，/>为第/>个初始环境数据组的数据标准差。

S202、通过预设时间序列分析算法将历史安全时间段对应的标准环境数据组与标准状态数据组进行处理，确认依照时序排列的预设数量的环境数据子序列与状态数据子序列。

其中，在得到所述预设数量的初始环境数据组与初始状态数据组分别对应的标准环境数据组与标准状态数据组之后，依照预设时间序列分析算法对标准环境数据组与标准状态数据组进行处理，得到依照时序排列的预设数量的环境数据子序列与状态数据子序列。所述预设时间序列分析算法可为SSA奇异谱分析算法。

需要说明的是，所述SSA奇异谱分析是一种用于时间序列分析的非参数统计方法。它通过将时间序列数据分解为多个成分，包括趋势、周期性、噪声等，从而揭示数据的内在结构和特征。SSA奇异谱分析在许多领域都有广泛的应用，如气候变化、经济预测、信号处理等。奇异谱分析的基本步骤如下：1.嵌入：将原始时间序列数据转换为一个矩阵，通过滑动窗口的方法提取数据中的局部特征。这个矩阵被称为轨迹矩阵。2.奇异值分解（SVD）：对轨迹矩阵进行奇异值分解，得到奇异值和奇异向量。奇异值表示数据中的主要成分，奇异向量表示相应成分的空间结构。3.分组：根据奇异值的大小和奇异向量的特征，将相似的成分进行分组。这些分组可以用于表示数据中的不同模式，如趋势、周期性等。4.重构：将分组后的成分进行重构，得到表示各种模式的时间序列数据。这些重构后的时间序列可以用于分析数据的内在结构和特征，以及进行预测和控制。具体计算过程代入上述算法步骤即可，本案不作进一步限定。

具体的，计算所述依照时序排列的预设数量的环境数据子序列与状态数据子序列的逻辑相同，本实施例以计算依照时序排列的预设数量的环境数据子序列为例进行展开说明，所述通过预设时间序列分析算法将历史安全时间段对应的标准环境数据组进行处理，确认依照时序排列的预设数量的环境数据子序列，具体包括：

其中，为第/>时刻对应的环境数据子序列，/>为第/>个初始环境数据组对应的标准环境数据组的第/>个子单元在第/>时刻的数据值，/>为第/>个初始环境数据组对应的标准环境数据组的子单元数量，/>为初始环境数据组的数量。

S203、基于所述依照时序排列的预设数量的环境数据子序列与状态数据子序列，构建历史安全时间段对应的环境数据序列与状态数据序列。

其中，在得到所述依照时序排列的预设数量的环境数据子序列与状态数据子序列之后，根据时间顺序的排列，构建历史安全时间段对应的环境数据序列与状态数据序列。

在本申请的一种实施例中，参照附图4，S102、所述基于所述环境数据子序列与状态数据子序列对应的主序列，计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度，具体包括：

S301、根据所述环境数据子序列与状态数据子序列对应的主序列的数据均值与数据标准方差，计算所述环境数据子序列与状态数据子序列对应的高斯函数值。

其中，所述环境数据子序列与状态数据子序列因进行SSA奇异谱分析算法计算得到预设数量的组成单元，而对所述环境数据子序列与状态数据子序列影响程度最大的组成单元即为环境数据子序列与状态数据子序列对应的主序列。

具体的，因计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度逻辑相同，则以计算环境数据子序列对应的环境数据异常置信度为例进行展开说明，所述根据所述环境数据子序列对应的主序列的数据均值与数据标准方差，计算所述环境数据子序列对应的高斯函数值，具体包括：

其中，为第/>个初始环境数据组对应的环境数据子序列对应的高斯函数值/>为第/>个初始环境数据组对应的环境数据子序列对应的主序列的数据均值/>为第/>个初始环境数据组对应的环境数据子序列对应的数据标准方差，/>为第/>个初始环境数据组对应的环境数据子序列对应的数据值。

S302、将预设置信度调节因子与所述环境数据子序列与状态数据子序列对应的高斯函数值分别做差计算，确认环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度。

其中，在得到所述环境数据子序列与状态数据子序列对应的高斯函数值之后，将两者分别与预设置信度调节因子作差计算，得到环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度。

具体的，所述将预设置信度调节因子与所述环境数据子序列对应的高斯函数值分别做差计算，确认环境数据子序列对应的环境数据异常置信度，具体包括：

其中，为第/>个初始环境数据组对应的环境数据子序列对应的环境数据异常置信度/>为预设置信度调节因子/>为第/>个初始环境数据组对应的环境数据子序列对应的高斯函数值。

在本申请的一种实施例中，S103、所述通过所述环境数据序列，以及环境数据异常置信度，确认目标检测时刻对应的环境数据异常序列，具体包括：

其中，为目标检测时刻/>对应的环境数据异常序列，/>为历史安全时间段对应的环境数据序列，/>为第/>个初始环境数据组对应的环境数据子序列对应的环境数据异常置信度，/>第/>个初始环境数据组在目标检测时刻/>对应的环境数据组，/>为初始环境数据组的数量。

需要说明的是，初始环境数据组的数量为，环境数据异常置信度/>，若目标检测时刻/>对应的船舶平台处在安全范围内，且检测的环境数据无异常，无异常的数据点其环境异常置信度/>低，导致权重/>约等于0，目标检测时刻/>对应的环境数据异常序列/>约等于历史安全时间段对应的环境数据序列/>，即对历史安全时间段对应的环境数据序列/>影响不大。但是当观测的某个数据为异常数据时（例如风速非常大），其环境数据异常置信度/>较大接近于1，权重/>较大，造成目标检测时刻/>对应的环境数据异常序列/>增加。

需要说明的是，当所述目标检测时刻对应的环境数据异常序列/>越大时，目标检测时刻对应的船舶平台状态越可能为异常状态，则越可能需要进行预警操作。

在本申请的一种实施例中，S104、所述基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数，具体包括：

其中，在得到所述基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列之后，先根据所述环境数据异常序列与状态数据异常序列与标检测时刻对应的时刻值，计算目标检测时刻对应的初始综合异常系数，再基于目标检测时刻对应的船舶平台推进器的使用率作为计算参数，计算目标检测时刻对应的综合异常系数。

具体的，所述基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数，具体包括：

/>

其中，为目标检测时刻/>对应的初始综合异常系数/>为目标检测时刻/>对应的环境数据异常序列，/>为目标检测时刻/>对应的状态数据异常序列，/>为目标检测时刻对应的时刻值，/>为目标检测时刻/>对应的综合异常系数，/>为目标检测时刻/>对应的船舶平台推进器的使用率。

需要说明的是，当所述目标检测时刻对应的综合异常系数/>越大时，目标检测时刻对应的船舶平台状态越可能为异常状态，则越可能需要进行预警操作。

在本申请的一种实施例中，参照附图5，S105、所述将所述目标检测时刻对应的综合异常系数与预先构建的预测模型输出的目标检测时刻对应的标准异常系数进行比对，确定目标检测时刻对应的船舶平台状态是否进入预警状态，具体包括：

S401、将所述历史安全时间段对应的初始环境数据组与初始状态数据组输入至预先构建的预测模型，获取目标检测时刻对应的标准异常系数。

其中，所述预先构建的预测模型可以是使用Prophet算法构建的Prophet模型。所述Prophet算法的主要步骤如下：

1.趋势建模：Prophet算法采用分段线性回归模型或逻辑增长模型来描述时间序列的长期趋势。通过自动检测趋势变化点，可以适应数据中的趋势变化。

2.季节性建模：Prophet算法使用傅里叶级数来描述时间序列的季节性成分。通过调整傅里叶级数的阶数和周期，可以捕捉数据中的不同尺度的季节性变化。

3.节假日建模：Prophet算法允许用户自定义节假日和事件，以描述时间序列中的特殊影响因素。通过为节假日和事件设置影响范围和强度，可以提高预测的准确性。

4.参数估计：Prophet算法采用贝叶斯优化方法来估计模型参数。通过最大化后验概率，可以得到合适的模型参数。

5.预测：基于估计的模型参数，可以对未来的时间序列数据进行预测。Prophet算法还提供了预测区间的估计，以表示预测的不确定性。

具体构建过程参照上述步骤代入数据即可，本案不作进一步限定。

S402、当所述目标检测时刻对应的综合异常系数大于目标检测时刻对应的标准异常系数，确定所述目标检测时刻对应的船舶平台状态进入预警状态；

S403、当所述目标检测时刻对应的综合异常系数小于或等于目标检测时刻对应的标准异常系数，确定所述目标检测时刻对应的船舶平台状态为非预警状态。

具体的，当所述目标检测时刻对应的综合异常系数大于目标检测时刻对应的标准异常系数时，说明目标检测时刻对应的船舶平台状态为异常状态，需要进入预警状态以进行警报，通知工作人员进行对应调整。当所述目标检测时刻对应的综合异常系数小于或等于目标检测时刻对应的标准异常系数时，说明目标检测时刻对应的船舶平台状态为正常状态，此时的船舶平台状态较安全，无需警报。

本申请实施例通过先根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，其中，所述环境数据序列与状态数据序列分别包括预设数量的环境数据子序列与状态数据子序列，然后基于所述环境数据子序列与状态数据子序列对应的主序列，计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度，再通过所述环境数据序列与状态数据序列，以及环境数据异常置信度与状态数据异常置信度，确认目标检测时刻对应的环境数据异常序列与状态数据异常序列，并且基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数，最后将所述目标检测时刻对应的综合异常系数与预先构建的预测模型输出的目标检测时刻对应的标准异常系数进行比对，确定目标检测时刻对应的船舶平台状态是否进入预警状态。通过结合历史安全时间段对应的初始环境数据组与初始状态数据组，综合确认目标检测时刻对应的综合异常系数，以判断目标检测时刻对应的船舶平台状态是否为预警状态，相对于传统的船舶平台的状态监测方式，提高了船舶平台的状态监测的准确性，以实现及时状态预警，进一步降低监测成本。附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将本申请上述的实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。

Claims (10)

1.一种基于安全包络策略的平台状态监测预警方法，应用于船舶平台状态预警领域，其特征在于，所述方法包括：

根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，其中，所述环境数据序列与状态数据序列分别包括预设数量的环境数据子序列与状态数据子序列；

基于所述环境数据子序列与状态数据子序列对应的主序列，计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度；

通过所述环境数据序列与状态数据序列，以及环境数据异常置信度与状态数据异常置信度，确认目标检测时刻对应的环境数据异常序列与状态数据异常序列；

基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数；

将所述目标检测时刻对应的综合异常系数与预先构建的预测模型输出的目标检测时刻对应的标准异常系数进行比对，确定目标检测时刻对应的船舶平台状态是否进入预警状态。

2.根据权利要求1所述的基于安全包络策略的平台状态监测预警方法，其特征在于，所述根据历史安全时间段对应的初始环境数据组与初始状态数据组，构建历史安全时间段对应的环境数据序列与状态数据序列，其中，所述环境数据序列与状态数据序列分别包括预设数量的环境数据子序列与状态数据子序列，具体包括：

将历史安全时间段对应的初始环境数据组与初始状态数据组进行标准正态分布处理，确认预设数量的初始环境数据组与初始状态数据组分别对应的标准环境数据组与标准状态数据组；

通过预设时间序列分析算法将历史安全时间段对应的标准环境数据组与标准状态数据组进行处理，确认依照时序排列的预设数量的环境数据子序列与状态数据子序列；

基于所述依照时序排列的预设数量的环境数据子序列与状态数据子序列，构建历史安全时间段对应的环境数据序列与状态数据序列。

3.根据权利要求2所述的基于安全包络策略的平台状态监测预警方法，其特征在于，所述将历史安全时间段对应的初始环境数据组进行标准正态分布处理，确认预设数量的初始环境数据组对应的标准环境数据组，具体包括：

其中，为第/>个初始环境数据组对应的标准环境数据组，/>为第/>个初始环境数据组，为第/>个初始环境数据组的数据平均值，/>为第/>个初始环境数据组的数据标准差。

4.根据权利要求3所述的基于安全包络策略的平台状态监测预警方法，其特征在于，所述通过预设时间序列分析算法将历史安全时间段对应的标准环境数据组进行处理，确认依照时序排列的预设数量的环境数据子序列，具体包括：

其中，为第/>时刻对应的环境数据子序列，/>为第/>个初始环境数据组对应的标准环境数据组的第/>个子单元在第/>时刻的数据值，/>为第/>个初始环境数据组对应的标准环境数据组的子单元数量，/>为初始环境数据组的数量。

5.根据权利要求4所述的基于安全包络策略的平台状态监测预警方法，其特征在于，所述基于所述环境数据子序列与状态数据子序列对应的主序列，计算环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度，具体包括：

根据所述环境数据子序列与状态数据子序列对应的主序列的数据均值与数据标准方差，计算所述环境数据子序列与状态数据子序列对应的高斯函数值；

将预设置信度调节因子与所述环境数据子序列与状态数据子序列对应的高斯函数值分别做差计算，确认环境数据子序列与状态数据子序列对应的环境数据异常置信度与状态数据异常置信度。

6.根据权利要求5所述的基于安全包络策略的平台状态监测预警方法，其特征在于，所述根据所述环境数据子序列对应的主序列的数据均值与数据标准方差，计算所述环境数据子序列对应的高斯函数值，具体包括：

其中，为第/>个初始环境数据组对应的环境数据子序列对应的高斯函数值/>为第/>个初始环境数据组对应的环境数据子序列对应的主序列的数据均值/>为第/>个初始环境数据组对应的环境数据子序列对应的数据标准方差，/>为第/>个初始环境数据组对应的环境数据子序列对应的数据值。

7.根据权利要求6所述的基于安全包络策略的平台状态监测预警方法，其特征在于，所述将预设置信度调节因子与所述环境数据子序列对应的高斯函数值分别做差计算，确认环境数据子序列对应的环境数据异常置信度，具体包括：

其中，为第/>个初始环境数据组对应的环境数据子序列对应的环境数据异常置信度，为预设置信度调节因子，/>为第/>个初始环境数据组对应的环境数据子序列对应的高斯函数值。

8.根据权利要求7所述的基于安全包络策略的平台状态监测预警方法，其特征在于，所述通过所述环境数据序列，以及环境数据异常置信度，确认目标检测时刻对应的环境数据异常序列，具体包括：

其中，为目标检测时刻/>对应的环境数据异常序列，/>为历史安全时间段对应的环境数据序列，/>为第/>个初始环境数据组对应的环境数据子序列对应的环境数据异常置信度，第/>个初始环境数据组在目标检测时刻/>对应的环境数据组，/>为初始环境数据组的数量。

9.根据权利要求8所述的基于安全包络策略的平台状态监测预警方法，其特征在于，所述基于所述目标检测时刻对应的环境数据异常序列与状态数据异常序列，以及船舶平台推进器的使用率，构建目标检测时刻对应的综合异常系数，具体包括：

其中，为目标检测时刻/>对应的初始综合异常系数，/>为目标检测时刻/>对应的环境数据异常序列，/>为目标检测时刻/>对应的状态数据异常序列，/>为目标检测时刻/>对应的时刻值，/>为目标检测时刻/>对应的综合异常系数，/>为目标检测时刻/>对应的船舶平台推进器的使用率。

10.根据权利要求9所述的基于安全包络策略的平台状态监测预警方法，其特征在于，所述将所述目标检测时刻对应的综合异常系数与预先构建的预测模型输出的目标检测时刻对应的标准异常系数进行比对，确定目标检测时刻对应的船舶平台状态是否进入预警状态，具体包括：

将所述历史安全时间段对应的初始环境数据组与初始状态数据组输入至预先构建的预测模型，获取目标检测时刻对应的标准异常系数；

当所述目标检测时刻对应的综合异常系数大于目标检测时刻对应的标准异常系数，确定所述目标检测时刻对应的船舶平台状态进入预警状态；

当所述目标检测时刻对应的综合异常系数小于或等于目标检测时刻对应的标准异常系数，确定所述目标检测时刻对应的船舶平台状态为非预警状态。