WO2024104461A1

WO2024104461A1 - 一种大型船舶安全监管系统

Info

Publication number: WO2024104461A1
Application number: PCT/CN2023/132323
Authority: WO
Inventors: 鲁嘉俊; 戴文伯; 王柳艳; 徐婷; 季明; 许墅; 沈彦超; 王伟; 许幼成; 杜一鸣
Original assignee: 中交疏浚技术装备国家工程研究中心有限公司
Priority date: 2023-11-17
Filing date: 2023-11-17
Publication date: 2024-05-23

Abstract

一种大型船舶安全监管系统，用于实现船员监管和船舶安全监管，其中船员监管包括船员多层舱内实时位置监控和船员健康数据监测，船舶安全监管包括船舶海况预警警报、船舶设备运行状况监控、船舶航行/施工全过程监管及船舶远程指导。基于模型分类的混合自适应压缩技术和模糊神经网络的数据传输链路智能优选技术进行船、岸间的数据传输，同时实现大型船舶实时安全监测管理和船舶远程作业分析指导，针对大型船舶多层舱内的船员位置和健康安全状态进行实时监控管理，可提供船舶人员多层舱内的实时位置监控、轨迹跟踪、体温监测、睡眠监测、运动监测、血压监测等健康参数监测，并具备一键报警、安全电子围栏、误闯危险区域等报警功能。

Description

一种大型船舶安全监管系统

技术领域

本发明涉及船舶安全管理领域，特别涉及一种大型船舶安全监管系统。

背景技术

大型工程船舶施工现场的地质、水文和气候环境复杂，面临风浪流等多项水域自然环境因素的动态变化影响，安全风险突出，传统的船舶安全监管技术方法的实时性、稳定性和可靠性难以保证，大型船舶的安全监控管理存在短板。大型船舶结构普遍为钢制结构，船体坚硬，船舶空间相对封闭且狭小，传统的定位系统无法有效实时追踪大型船舶多层舱内船舶人员的实时位置。船员在施工作业中，存在通讯不畅、缺乏精确的实时舱内定位和一键电子报警功能，缺少安全电子围栏的设置和误闯危险区域的警报。船员长期处于“四高两缺一多”(高温、高湿、高盐、高辐射和缺土、缺水、多突风)的恶劣环境，工作任务繁重、环境单调，其身体健康状况容易受不同程度的影响，可能存在血压上升、睡眠障碍、体温不稳、心率不齐等各种健康问题。船上环境复杂，一般的陆用健康监测系统难以在高温、高湿且剧烈摇晃的大型施工船舶中有效使用，在长期航行过程中，船员可以获取的医疗资源有限，可能导致船员在发生慢性病变的中间过程中，错失了最佳治疗时间。

发明内容

为了解决上述问题，本发明提出了一种大型船舶安全监管系统。该系统应用于大型船舶复杂环境，针对船员实时舱内位置进行监控，并对船舶安全和船员健康进行全面防范管理。

本发明技术方案如下：

技术方案一

一种应用于船岸间的数据传输方法，先后基于模型分类的混合自适应压缩技术和基于模糊神经网络的数据传输链路智能优选技术来实现。

所述基于模型分类的混合自适应压缩技术，用于对数据进行压缩：首先建立多分类器进行分类，分类模型的输入层、输出层如下：

输入层＝{数据波动频率，数据类型}

输出层＝{0,1,2,3}

其中，输入层的数据波动频率指采集到数据的波动频率，数据类型是指船舶数据、船员数据、水文数据、气象数据、海况数据；

分类模型根据输入自动选择输出，具体表现为：

S1：适用于船舶抛锚停工场景下，数据波动频率无波动时，输出结果倾向为0；

S2：数据波动频率缓慢(数值在100秒及以上时间只有±3％以内波动)、数据类型为船舶数据、水文数据时，输出结果倾向为1；

S3：数据波动频率较慢(数值在30秒及以上时间无变化)，且数据类型为气象数据、海况数据时，输出结果倾向为2；

S4：针对除S1、S2或S3的其他大部分的情形，倾向输出结果为3；

根据模型的输出结果{0,1,2,3}自动选择压缩方法。

具体为：

S1：当输出为0时，采用的压缩方法：动态设置时间窗口大小W_t，利用时间窗口分割数据，得到N组数据，保留前N-1组数据的第一个数据点，和第N组数据的最后一个数据点，实现高效压缩；

S2：当输出为1时，采用的压缩方法：将一个相同值的连续串用其值和串长(重复的个数)的数对二元组来替代，解压缩时根据字符及连续相同字符的个数可恢复至原来的数据；

S3：当输出为2时，采用的压缩方法为以下四个步骤：

步骤31：在采集的数据输入流中读取一个字符，进入步骤32；

步骤32：如果当前编码在字典中，则把当前编码的第一个字符作为当前字符串的后缀，如果当前字符串不在字典中，就把它加入到字典中，然后把当前编码作为字符串的前缀，转到步骤34；

步骤33：如果当前编码不在字典中，就把前缀的第一个字符作为后缀，把字符串加入到字典中，用当前串的编码作前缀，转到步骤34；

步骤34：把前缀放到输出流，转到步骤31；

S4：当输出为3时，采用基于均方误差的旋转门压缩算法(Mean-based Spinning Door Transformation,简称MSDT)；

该方法为改进的旋转门(Spinning Door Transformation，简称SDT)压缩方法；

传统的SDT算法不仅压缩率高，而且压缩和解压时间都很短，但是当被压缩的数据具有很大的测量误差或噪声时，SDT算法得到的数据压缩率大大下降。为减少测量噪声对数据压缩的影响，本发明开创一种基于均方误差的旋转门压缩算法(Mean-based Spinning Door Transformation,简称MSDT)。MSDT算法在继承SDT算法优势的同时，降低了测量误差对压缩的影响。MSDT运用均方误差作为算法中的精度指标，算法考虑总的解压缩误差的约束，而非约束中每个测试值的解压缩误差，算法具体包含以下七个步骤：

步骤41：(t₀,y₀)是上一个存储点，Δ是压缩偏差参数，k^upper和k^lower分别是上一个存储点和新接收测试点之间斜率的上、下限。

初始化a＝0,b＝0,c＝0,k^upper＝+∞，k^lower＝-∞；

步骤42：当接收到新测点(t,y)，计算

步骤43：如果k^lower＜k＜k^upper,转到步骤45继续，否则，执行下一步；

步骤44：该点未通过压缩测试，被存储并被用作新的上一个存储点，然后重新初始化三个参数a,b,c：
a＝τ²
b＝-2kτ²
c＝k²τ²-Δ²

这里，τ和k的值利用新的上一个存储点进行计算，然后转到步骤46继续；

步骤45：迭代计算a,b,c：

步骤46：如果b²-4ac≤0,该点未通过压缩测试，被存储并将其作为新的上一个存储点，然后转到步骤41继续压缩数据；

步骤47：计算上限k^upper和下限k^lower：

然后，转到步骤42继续压缩数据。

所述基于模糊神经网络的数据传输链路智能优选技术，实现船、岸两端移动通信链路和卫星宽带链路的自动切换。基于模糊神经网络的数据传输链路智能优选技术根据当前网络参数计算并选择最优链路进行传输，以适应不同的施工环境，能在尽量降低成本的同时增加传输稳定性。

基于模糊神经网络的数据传输链路智能优选技术的初始输入为{网络链路的接收信号强度RSS、带宽、负载、延时、信噪比、通信费用}，最终输出为{移动通信，卫星宽带}。基于模糊神经网络的数据传输链路智能优选技术包含六层设计，分别为输入层、模糊化层、模糊规则层、模糊决策层、解模糊层和输出层，具体为：

输入层：输入层设置六个输入参数，所述六个输入参数为网络链路属性参数，分别为接收信号强度RSS、网络链路带宽、负载、延时、信噪比、通信费用；

模糊化层：根据隶属度函数将从输入层接收到的网络链路属性参数模糊化，得到模糊集合，网络链路的接收信号强度RSS、带宽、负载、延时、信噪比和通信费用被映射成为{低，中，高}的模糊集合；

模糊规则层：用来计算候选链路的优劣等级，利用神经网络将候选链路等级划分为{极好，较好，可以，不好，较差，极差}六大类；

模糊决策层：利用神经网络分类器搭建六输入、六输出的神经网络架构。给定含N个初始训练样本的数据集{X,Y}＝{(x_i,y_m)|i,m＝1,2,....,6,X∈R⁶,Y∈R⁶}，设计神经网络的训练过程公式如下：

其中x_i代表输入值，L为隐藏层神经元个数，w_j代表输入层神经元连接第j个隐藏层神经元的权值，B_j代表第j个隐藏层神经元连接输出层神经元的权值，g_j()代表激活函数，b_j代表隐藏层偏置，N代表样本个数，y_i代表输出值；

神经网络分类的输入层向量和输出层向量分别为：

输入层＝{RSS、带宽、负载、延时、信噪比、通信费用}

输出层＝{极好，较好，可以，不好，较差，极差}

解模糊层：模糊决策层将候选链路等级的自然语言变量定义为{极好，较好，可以，不好，较差，极差}，解模糊层将自然语言模糊集合转化为精确数值用于后续的比较。

解模糊化的计算公式如下：

其中p取值在[1,2],μ(x)表示隶属度函数，c和σ分别为隶属函数的中心和标准差。S_l表示链路最终得分；

输出层：在获得的各个链路的得分值之后进行比较，选取S_l中的最高值，并自动切换到得分最高的链路(移动通信链路或卫星宽带链路)进行数据传输。

基于模糊神经网络的数据传输链路智能优选技术选取具有最大链路得分值的候选链路，在减少计算开销的情况下提高链路选择结果的准确性，使得系统能够始终实时地自动根据当前网络参数计算并选择最优链路进行传输，以适应不同的施工环境。

技术方案二

一种大型船舶安全监管系统，用于实现船员监管和船舶安全监管,其中，船员监管包括船员实时舱内位置监控、船员健康数据监测，船舶安全监管包括船舶海况预警警报、船舶设备运行状况监控、船舶航行/施工全过程监管、船舶远程指导。

与现有技术相比，本发明具有如下优点和有益效果：

本发明创造基于模型分类的混合自适应压缩技术和基于模糊神经网络的数据传输链路智能优选技术实现船、岸间数据高效可靠传输，同时实现大型船舶实时安全监测管理和船舶远程作业分析指导，针对大型船舶多层舱内的船员位置和健康安全状态进行实时监控管理，可提供船舶人员多层舱内的实时位置监控、轨迹跟踪、体温监测、睡眠监测、运动监测、血压监测等健康参数监测，并具备一键报警、安全电子围栏、误闯危险区域等报警功能。

附图说明

图1为本发明一种大型船舶安全监管系统的系统功能图；

图2为本发明一种大型船舶安全监管系统的信号流程图；

图3为基于模糊神经网络的数据传输链路智能优选算法的系统组成图；

图4为实施例基于神经网络将候选链路等级划分的分类结果图；

图5为神经网络结构图；

图6为采用基于模型分类的混合自适应压缩技术前后的属性对比图；

图7为大型船舶虚拟现实远程交互平台；

图8为大型船舶实船的三维重现船舶状况示例。

具体实施方式

有别于传统商业数据，海上船舶数据存在其特殊性：(1)信号字节长度固定；(2)信号常按一定差值连续变化；(3)信号具备容差性，能够对其有损压缩；(4)信号实时产生，序列短，体量大，携带时间纬度特征。为了有效使用船载磁盘存储和减少船岸两端传输的数据量，需要对历史数据进行压缩，同时力求极高的压缩速度及高压缩比。

为了突破水上施工海量数据的传输受限难题，本发明研发了基于模型分类的混合自适应压缩技术，运算量小，可以跟踪过程趋势变化进行滚动压缩，压缩比高达24:1。

目前大型船舶主要采用卫星宽带或陆地移动基站信号进行数据传输。前者覆盖广，但费用昂贵，且带宽受限；后者覆盖范围主要为距离陆地基站数十公里以内，通常价格低廉，且网络带宽相对较高。在目前普遍使用的依靠单一通信制式进行数据传输的船舶通信系统中，通常会发生通信不稳定的问题。如何在恶劣环境影响下最大程度地保障通信的可靠性，同时保持传输速率是海上数据传输是本领域现阶段存在的痛点、难点。

为此本发明开发基于模糊神经网络的数据传输链路智能优选技术以实现船、岸间数据高效可靠传输。其利用链路并行传输策略，自动根据当前网络状况选择最优网络传输数据，当网络状况发生变化时，通过自动切换机制选择多种网络中较好的优质网络，以适应不同的通信环境，在尽量降低成本的同时增加传输稳定性。

上述基于模型分类的混合自适应压缩技术压缩存储之后，进一步基于模糊神经网络的数据传输链路智能优选技术在船、岸两端进行数据传输。两算法技术先后相配合下，整个方案极好地克服了海上船舶特殊环境下完成数据在船、岸间高效、可靠、低成本的传输。

下面将结合具体实施例及其附图对本申请提供的技术方案作进一步说明。结合下面说明，本申请的优点和特征将更加清楚。

如图1所示，一种大型船舶安全监管系统，可用于实现船员监管和船舶安全监管。其中，船员监管包括船员实时舱内位置监控、船员健康数据监测，船舶安全监管包括船舶海况预警警报、船舶设备运行状况监控、船舶航行/施工全过程监管、船舶远程指导。

如图2所示，该系统的软硬件模块包括：蓝牙信标M1、集船员位置管理及船员健康管理的可穿戴式终端设备M2、蓝牙网关M3、红外热成像人脸识别测温设备M4、数据动态分析模块M5、警示模块M6、人为审核端M7、大型船舶安全监管系统终端M8、实时指导模块M9和船舶信息数据库M10。所述数据动态分析模块M5、警示模块M6、人为审核端M7运行于船端服务器，所述大型船舶安全监管系统终端M8、实时指导模块M9运行于岸端服务器，所述船舶信息数据库M10，运行于云端服务器。上述各个模块之间的信号传输如图2所示。

蓝牙信标M1：蓝牙信标M1和集船员位置管理及船员健康管理的可穿戴式终端设备M2配合使用，实现大型船舶多层舱内船员实时定位。针对大型船舶设计的蓝牙信标功耗低，支持超过四年的超长续航，适用于大型船舶室内和室外露天环境。蓝牙信标部署在特定需要定位的区域(船员房间、工作甲板、餐厅等)，固定在远离墙角和障碍物的位置，为保证定位精度，各个蓝牙信标水平间距均匀控制在2m。

集船员位置管理及船员健康管理的可穿戴式终端设备M2：集船员位置管理及船员健康管理的可穿戴式终端设备M2配戴在每位船员身上，用于获取船员健康监测信息和实时位置，并通过蓝牙网关M3将体征数据回传数据动态分析模块M5。集船员位置管理及船员健康管理的可穿戴式终端设备M2包括智能手环、智能背心、头戴设备等，船员穿戴时不影响日常作业和生活，且能在船舶摇摆和强噪音环境下正常使用。该设备具有穿透能力强、传输距离远等技术特点，信号可穿越大型船舶多层舱的厚重钢板，可以实时监测船员的位置信息、心率信息、体温信息、血压信息、血氧信息、运动信息、睡眠信息等健康信息。通过该设备收集的船员的身体健康数据和定位数据采用无线终端的模式传输至数据动态分析模块M5。

蓝牙网关M3：分为大型船舶室内和室外蓝牙网关。具体为：

(1)船舶室内的蓝牙网关采用嵌入式整机式设计，内嵌高性能wifi模块、以太网模块以及蓝牙收发模块，可穿透大型船舱内钢板，满足数据传输需求。

(2)船舶室外设计的蓝牙网关具备防尘、防水、防雷、坚固耐用等特点，适用于特定大型船舶室外场景，支持POE供电。通过蓝牙网关组成扫描矩阵，并经POE供电或连接至交换机，将扫描到的蓝牙标签信号传输到船端服务器的数据动态分析模块M5。

红外热成像人脸识别测温设备M4：运用非接触全幅人体测温方式对人体表面温度进行远距离非接触性测温，利用高清像素网络摄像机采集高清人脸图像，并配套使用动态人脸识别算法智能识别船员身份和姓名，实现动态、高速、多人脸检测、抓拍和识别。船员通过时，设备自动生成实时动态热像图，利用热像图实时记录通过船员及体温，实现船舶复杂环境下的船员远距离、大面积检测、多人同时快速体温筛选，测温快、精度高、覆盖全。同时配合大型船舶多层舱内船员实时位置，追踪人员行进轨迹，特别是疑似发热人员的活动轨迹，快速定位，对通行人员、通行数据、体温异常人员数据等全局管控。红外热成像人脸识别测温设备监测的数据传输至数据动态分析模块M5。

数据动态分析模块M5：数据动态分析模块对船员数据和船舶数据进行统计分析。船员数据包含船舶人员的身体健康数据和实时舱内位置数据，针对不同时段监测的船员数据进行动态统计分析。系统通过对船员的动态实时监测，保证船员的安全位置及身体健康。数据动态分析模块可定期自动生成船员身体健康状况数据周报或月报并反馈船舶人员。船舶数据由传感器自动采集并采用无线传输方式实时传送至数据动态分析模块。船舶数据包括船舶航行/施工全过程的数据、特定船舶生产状态和设备运行状态的数据，以及船舶周边海况信息数据。数据动态分析模块将不同的国家和地区船舶的施工状况、设备运行状况、海事警报和海洋环境安全因素进行集中监控分析。

警示模块M6：警示模块根据数据动态分析模块M5的数据分析，提供船舶和船员实时报警。船舶报警涉及远程船舶的实时安全监控、安全检查和安全管理，包含提供实时船舶预警警报(如船舶倾斜超限、船舶吃水异常、关键设备运行异常等现象)和实时海事警告(台风、暴雨、大风消息等)。船员报警包括主动报警和被动报警。主动报警指船员主动触发集船员位置管理及船员健康管理的可穿戴式终端设备的SOS按键，主动发出告警并在终端实时显示告警的标签、人员及实时舱内位置。被动报警指体温、睡眠、运动、血压、心率、血氧等健康数据异常警报，以及船员进入/离开/滞留非访问区域或特定区域，误闯危险区域报警。

人为审核端M7：人为审核端针对异常数据进行人为审核，如在人为审核端输入单个或整批船员的健康数据区域，当监测值超出预设阈值时发出警报至警示模块。通过管理人员人工核查或派人员上船稽查，进一步核实数据动态分析模块中监测异常的数据，保证监测数据的合理性和真实性。大型船舶安全监管系统终端M8：大型船舶安全监管系统终端包括船舶管理子系统和船员管理子系统，提供岸端管理者查看并管理船舶信息、船员信息。

其中船舶管理子系统实现对船舶安全生产活动的记录、取证、报警等安全管理功能。利用多维信息融合技术、HTML5及WebGL(Web Graphics Library)技术将施工现场船舶数据通过互联网发布，实现海洋环境工况、船舶状态、特殊作业生产状态、船舶设备位置及运行状态的全面监控。结合数据走势图、多倍速的历史回放功能，提供简便的数据信息共享服务，实现远程的施工监控、船机运行监控和故障诊断，可及时调整作业方案，实现远程决策。

船员管理子系统通过给大型船舶作业人员配备可穿戴式终端设备来实现对作业人员的位置管理，实时监控管理船员室内位置、轨迹跟踪，具备一键报警、安全电子围栏、误闯危险区域报警功能。通过在后台管理中设置电子围栏和SOS一键紧急报警，对非访问区域或特定区域进行电子围栏设置，进入/离开/滞留时系统立即告警，保障人员及区域安全。系统同时实现对大型船舶作业人员的基本信息的管理维护、健康状况信息管理等，提供体温监测、睡眠监测、运动监测、血压监测等健康参数监测服务，具备体温筛查及警报，辅助疫情期间的船员管理和疫情追溯。

大型船舶安全监控系统在线实时采集船舶周围环境信息、重大施工装备施工状态信息、人员健康信息等海量数据。本发明基于模型分类的混合自适应压缩技术对数据进行压缩。首先建立多分类器进行分类，分类模型的输入层、输出层如下：

输入层＝{数据波动频率，数据类型}

输出层＝{0,1,2,3}

其中，输入层的数据波动频率指采集到数据的波动频率，数据类型是指船舶数据、船员数据、水文数据、气象数据、海况数据等。

分类模型根据输入自动选择输出，具体表现为：

S1：数据波动频率无波动时(此时对应的场景往往为船舶抛锚、停工等)，输出结果倾向为0。

S2：数据波动频率缓慢(数值在100秒及以上时间只有±3％以内波动)、数据类型为船舶数据、水文数据时，输出结果倾向为1。

S3：数据波动频率较慢(数值在30秒及以上时间无变化)、数据类型为气象数据、海况数据时，输出结果倾向为2。

S4：针对除S1、S2、S3的其他情形，倾向输出结果为3。分类模型大部分情况输出结果为3。

根据模型的输出结果{0,1,2,3}自动选择压缩方法，具体为：

S1：当输出为0时，采用的压缩方法：动态设置时间窗口大小W_t，利用时间窗口分割数据，得到N组数据，保留前N-1组数据的第一个数据点，和第N组数据的最后一个数据点，实现高效压缩。

S2：当输出为1时，采用的压缩方法：将一个相同值的连续串用其值和串长(重复的个数)的数对二元组来替代，解压缩时根据字符及连续相同字符的个数可恢复至原来的数据。

S3：当输出为2时，采用的压缩方法为以下四个步骤：

步骤31：在采集的数据输入流中读取一个字符，进入步骤32。

步骤32：如果当前编码在字典中，则把当前编码的第一个字符作为当前字符串的后缀，如果当前字符串不在字典中，就把它加入到字典中，然后把当前编码作为字符串的前缀，转到步骤34。

步骤33：如果当前编码不在字典中，就把前缀的第一个字符作为后缀，把字符串加入到字典中，用当前串的编码作前缀，转到步骤34。

步骤34：把前缀放到输出流，转到步骤31。

S4：当输出为3时，采用改进的旋转门(Spinning Door Transformation，简称SDT)压缩方法。传统的SDT算法不仅压缩率高，而且压缩和解压时间都很短，但是当被压缩的数据具有很大的测量误差或噪声时，SDT算法得到的数据压缩率大大下降。为减少测量噪声对数据压缩的影响，本发明开创一种基于均方误差的旋转门压缩算法(Mean-based Spinning Door Transformation,简称MSDT)，MSDT算法在继承SDT算法优势的同时，降低了测量误差对压缩的影响。MSDT运用均方误差作为算法中的精度指标，算法考虑总的解压缩误差的约束，而非约束中每个测试值的解压缩误差，算法具体包含以下七个步骤：

初始化a＝0,b＝0,c＝0,k^upper＝+∞，k^lower＝-∞；

步骤42：当接收到新测点(t,y)，计算

步骤45：迭代计算a,b,c：

步骤47：计算上限k^upper和下限k^lower：

然后，转到步骤42继续压缩数据。

为了应对海上特殊通信环境，本发明首先采用基于模型分类的混合自适应压缩技术，一方面经压缩仅用较低的带宽实现大量数据传输的需求，另一方面算法运算量小，且可跟踪过程趋势变化。接着，压缩后的数据采用基于模糊神经网络的数据传输链路智能优选技术进行传输。

如图6所示，经多次实测，基于模型分类的混合自适应压缩技术，压缩比可达24:1，压缩比效率提升18％以上。

数据经基于模型分类的混合自适应压缩技术压缩存储之后，采用基于模糊神经网络的数据传输链路智能优选技术进行传输。

在船、岸两端数据传输过程中，移动通信具有成本低、带宽高的优点，但网络覆盖范围不大；而卫星宽带的覆盖范围广，但成本很高，所以推广应用难。为此本发明开辟基于模糊神经网络的数据传输链路智能优选技术，实现船、岸两端移动通信链路和卫星宽带链路的自动切换。基于模糊神经网络的数据传输链路智能优选技术根据当前网络参数计算并选择最优链路进行传输，以适应不同的施工环境，能在尽量降低成本的同时增加传输稳定性。

模糊决策层：利用神经网络分类器搭建六输入、六输出的神经网络架构(见图5)。给定含N个初始训练样本的数据集{X,Y}＝{(x_i,y_m)|i,m＝1,2,....,6,X∈R⁶,Y∈R⁶}，设计神经网络的训练过程公式如下：

神经网络分类的输入层向量和输出层向量分别为：

输入层＝{RSS、带宽、负载、延时、信噪比、通信费用}

输出层＝{极好，较好，可以，不好，较差，极差}

解模糊化的计算公式如下：

实时指导模块M9：实时指导模块提供大型船舶远程作业的可视化分析和施工指导，并基于虚拟现实技术三维重现大型船舶状况。通过数据动态分析模块M5实时统计分析船舶的安全状态、生产状态和设备的运行状态，可远程实时查看和管理大型船舶施工工艺参数，并根据实际工程等动态综合状态提供远程施工指导和建议。建立实船数据与仿真数据数字孪生映射模型，利用半物理仿真的施工三维远程交互平台实现对大型船舶航行/生产全过程的综合数值模拟仿真和船舶场景复现。船舶数字孪生远程操控突破时间和空间限制，实现专家在岸端即可指导现场船舶作业，基于孪生体模型和真实物理空间的作业数据可视化、远程视频融合和实时影像融合等技术，实现远程指导的“量化传达”，专家查看历史数据的可视化分析和回放结果，提供专家通过手势、图画、文字等特色的互动指导功能。通过资深技术人员可视化的施工指导有效解决现场急难险重问题,有力支撑大型船舶重大工程项目。

图7为大型船舶虚拟现实远程交互平台，通过半物理仿真的施工三维远程交互平台实现对大型船舶航行/生产全过程的综合数值模拟仿真和船舶场景复现。

利用孪生体模型和真实物理空间的作业数据可视化、远程视频融合和实时影像融合等技术可三维重现船舶状况，作为示例如图8所示。

船舶信息数据库M10：将大量船舶信息、船员不同状况的身体数据和实时位置数据储存至信息数据库内，实现对船舶及其人员的历史数据回溯。系统针对每艘船舶和每位船员分别建立独立的档案。在大型船舶有联网情况下，由船端服务器向岸端服务器推送数据，从而同步船上服务器的数据，并进行数据查看。通过配置HTTP推送路径方式，由本地服务器(岸端服务器)同步推送至云端服务器，实现船、岸、云端信息同步。

上述描述仅是对本申请较佳实施例的描述，并非是对本申请范围的任何限定。任何熟悉该领域的普通技术人员根据上述揭示的技术内容做出的任何变更或修饰均应当视为等同的有效实施例，均属于本申请技术方案保护的范围。

Claims

一种大型船舶安全监管系统，其特征在于，用于实现船员监管和船舶安全监管,其中，所述船员监管包括船员实时舱内位置监控、船员健康数据监测，所述船舶安全监管包括船舶海况预警警报、船舶设备运行状况监控、船舶航行/施工全过程监管、船舶远程指导。
如权利要求1所述的大型船舶安全监管系统，其特征在于，

具体的，该系统包括：蓝牙信标、集船员位置管理及船员健康管理的可穿戴式终端设备、蓝牙网关、红外热成像人脸识别测温设备、数据动态分析模块、警示模块、人为审核端、大型船舶安全监管系统终端、实时指导模块和船舶信息数据库；

所述数据动态分析模块、警示模块、人为审核端运行于船端服务器；

所述大型船舶安全监管系统终端、实时指导模块运行于岸端服务器；

所述船舶信息数据库运行于云端服务器。
如权利要求2所述的大型船舶安全监管系统，其特征在于，

所述蓝牙信标和集船员位置管理及船员健康管理的可穿戴式终端设备配合使用，实现大型船舶多层舱内船员实时定位；

所述蓝牙信标部署在规划所需定位的区域，并固定在远离墙角和障碍物的位置；所述集船员位置管理及船员健康管理的可穿戴式终端设备配戴在船员身上，用于获取船员数据包括船员健康监测信息和实时位置信息，并通过蓝牙网关将数据信息回传数据动态分析模块；

所述红外热成像人脸识别测温设备，运用非接触全幅人体测温方式对人体表面温度进行远距离非接触性测温，利用高清像素网络摄像机采集高清人脸图像，并配套使用动态人脸识别算法智能识别船员身份和姓名，实现动态、高速、多人脸检测、抓拍和识别；监测的数据传输至数据动态分析模块；

所述数据动态分析模块，对船员数据和船舶数据进行统计分析；

所述警示模块根据数据动态分析模块的数据分析，提供船舶和船员实时报警；

所述人为审核端针对异常数据进行人为审核，当监测值超出预设阈值时发出警报至警示模块；通过管理人员人工核查或派人员上船稽查，进一步核实数据动态分析模块中监测异常的数据，保证监测数据的合理性和真实性；

所述大型船舶安全监管系统终端包括船舶管理子系统和船员管理子系统，提供岸端管理者查看并管理船舶信息、船员信息；

所述实时指导模块提供大型船舶远程作业的可视化分析和施工指导，并基于虚拟现实技术三维重现大型船舶状况；

所述船舶信息数据库，用于存储大量船舶信息、船员不同状况的身体数据和实时位置数据，实现对船舶及其人员的历史数据回溯。
如权利要求2或者3所述的大型船舶安全监管系统，其特征在于，所述蓝牙网关，分为船舶室内和室外蓝牙网关，具体为：

船舶室内的蓝牙网关采用嵌入式整机式设计，内嵌wifi模块、以太网模块以及蓝牙收发模块，能穿透大型船舱内钢板，满足数据传输需求；

船舶室外设计的蓝牙网关具备防尘、防水、防雷、坚固耐用的特点，适用于特定大型船舶室外场景，支持POE供电；通过蓝牙网关组成扫描矩阵，并经POE供电或连接至交换机，将扫描到的蓝牙标签信号传输到数据动态分析模块。
如权利要求2所述的大型船舶安全监管系统，其特征在于，所述数据动态分析模块：

船员数据包含船舶人员的身体健康数据和实时舱内位置数据，针对不同时段监测的船员数据进行动态统计分析；系统通过对船员的动态实时监测，保证船员的安全位置及身体健康；同时，数据动态分析模块定期自动生成船员身体健康状况数据报告并反馈船舶人员；

船舶数据包括船舶航行/施工全过程的数据、特定船舶生产状态和设备运行状态的数据，以及船舶周边海况信息数据；船舶数据由传感器自动采集并采用无线传输方式实时传送至数据动态分析模块；数据动态分析模块将不同的国家和地区船舶的施工状况、设备运行状况、海事警报和海洋环境安全因素进行集中监控分析。
如权利要求2所述的大型船舶安全监管系统，其特征在于，所述警示模块：

船舶报警涉及远程船舶的实时安全监控、安全检查和安全管理，包含提供实时船舶预警警报和实时海事警告；

船员报警包括主动报警和被动报警；主动报警指船员主动触发集船员位置管理及船员健康管理的可穿戴式终端设备的SOS按键，主动发出告警并在终端实时显示告警的标签、人员及实时舱内位置；被动报警指体温、睡眠、运动、血压、心率、血氧这类健康数据异常警报，以及船员进入/离开/滞留非访问区域或特定区域，误闯危险区域报警。
如权利要求2所述的大型船舶安全监管系统，其特征在于，所述大型船舶安全监管系统终端：

其船舶管理子系统实现对船舶安全生产活动的记录、取证、报警安全管理功能；利用多维信息融合技术、HTML5及WebGL技术将施工现场船舶数据通过互联网发布，实现海洋环境工况、船舶状态、特殊作业生产状态、船舶设备位置及运行状态的全面监控；结合数据走势图、多倍速的历史回放功能，提供简便的数据信息共享服务，实现远程的施工监控、船机运行监控和故障诊断，及时调整作业方案，实现远程决策；

其船员管理子系统通过给大型船舶作业人员配备可穿戴式终端设备来实现对作业人员的位置管理，实时监控管理船员室内位置、轨迹跟踪，具备一键报警、安全电子围栏、误闯危险区域报警功能；通过在后台管理中设置电子围栏和SOS一键紧急报警，对非访问区域或特定区域进行电子围栏设置，进入/离开/滞留时系统立即告警，保障人员及区域安全；系统同时实现对大型船舶作业人员的基本信息的管理维护、健康状况信息管理等，提供体温监测、睡眠监测、运动监测、血压监测服务，具备体温筛查及警报，辅助疫情期间的船员管理和疫情追溯。
如权利要求2所述的大型船舶安全监管系统，其特征在于，基于模型分类的混合自适应压缩技术对数据进行压缩：首先建立多分类器进行分类，分类模型的输入层、输出层如下：
输入层＝{数据波动频率，数据类型}
输出层＝{0,1,2,3}

其中，输入层的数据波动频率指采集到数据的波动频率，数据类型是指船舶数据、船员数据、水文数据、气象数据、海况数据；

分类模型根据输入自动选择输出，具体表现为：

S1：适用于船舶抛锚停工场景下，数据波动频率无波动时，输出结果倾向为0；

S2：数据波动频率缓慢即数值在100秒及以上时间只有±3％以内波动、数据类型为船舶数据、水文数据时，输出结果倾向为1；

S3：数据波动频率较慢即数值在30秒及以上时间无变化，且数据类型为气象数据、海况数据时，输出结果倾向为2；

S4：针对除S1、S2或S3的其他大部分的情形，倾向输出结果为3；

根据模型的输出结果{0,1,2,3}自动选择压缩方法，具体为：

S1：当输出为0时，采用的压缩方法：动态设置时间窗口大小W_t，利用时间窗口分割数据，得到N组数据，保留前N-1组数据的第一个数据点，和第N组数据的最后一个数据点，实现高效压缩；

S2：当输出为1时，采用的压缩方法：将一个相同值的连续串用其值和串长的数对二元组来替代，解压缩时根据字符及连续相同字符的个数可恢复至原来的数据；

S3：当输出为2时，采用的压缩方法为以下四个步骤：

步骤31：在采集的数据输入流中读取一个字符，进入步骤32；

步骤32：如果当前编码在字典中，则把当前编码的第一个字符作为当前字符串的后缀，如果当前字符串不在字典中，就把它加入到字典中，然后把当前编码作为字符串的前缀，转到步骤34；

步骤33：如果当前编码不在字典中，就把前缀的第一个字符作为后缀，把字符串加入到字典中，用当前串的编码作前缀，转到步骤34；

步骤34：把前缀放到输出流，转到步骤31；

S4：当输出为3时，采用基于均方误差的旋转门压缩算法(Mean-based Spinning Door Transformation,简称MSDT)；算法具体包含以下七个步骤：

步骤41：(t₀,y₀)是上一个存储点，Δ是压缩偏差参数，k^upper和k^lower分别是上一个存储点和新接收测试点之间斜率的上、下限；

初始化a＝0,b＝0,c＝0,k^upper＝+∞，k^lower＝-∞；

步骤42：当接收到新测点(t,y)，计算

步骤43：如果k^lower＜k＜k^upper,转到步骤45继续，否则，执行下一步；

步骤44：该点未通过压缩测试，被存储并被用作新的上一个存储点，然后重新初始化三个参数a,b,c：
a＝τ²
b＝-2kτ²
c＝k²τ²-Δ²

这里，τ和k的值利用新的上一个存储点进行计算，然后转到步骤46继续；

步骤45：迭代计算a,b,c：

步骤46：如果b²-4ac≤0,该点未通过压缩测试，被存储并将其作为新的上一个存储点，然后转到步骤41继续压缩数据；

步骤47：计算上限k^upper和下限k^lower：

然后，转到步骤42继续压缩数据。
如权利要求1所述的大型船舶安全监管系统，其特征在于，船、岸两端数据传输独创基于模糊神经网络的数据传输链路智能优选技术，实现船、岸两端移动通信链路和卫星宽带链路的自动切换；基于模糊神经网络的数据传输链路智能优选技术根据当前网络参数计算并选择最优链路进行传输，以适应不同的施工环境，能在尽量降低成本的同时增加传输稳定性；

基于模糊神经网络的数据传输链路智能优选技术的初始输入为{网络链路的接收信号强度RSS、带宽、负载、延时、信噪比、通信费用}，最终输出为{移动通信，卫星宽带}；基于模糊神经网络的数据传输链路智能优选技术包含六层设计，分别为输入层、模糊化层、模糊规则层、模糊决策层、解模糊层和输出层，具体为：

输入层：输入层设置六个输入参数，所述六个输入参数为网络链路属性参数，分别为接收信号强度RSS、网络链路带宽、负载、延时、信噪比、通信费用；

模糊化层：根据隶属度函数将从输入层接收到的网络链路属性参数模糊化，得到模糊集合，网络链路的接收信号强度RSS、带宽、负载、延时、信噪比和通信费用被映射成为{低，中，高}的模糊集合；

模糊规则层：用来计算候选链路的优劣等级，利用神经网络将候选链路等级划分为{极好，较好，可以，不好，较差，极差}六大类；

模糊决策层：利用神经网络分类器搭建六输入、六输出的神经网络架构；给定含N个初始训练样本的数据集{X,Y}＝{(x_i,y_m)|i,m＝1,2,....,6,X∈R⁶,Y∈R⁶}，设计神经网络的训练过程公式如下：

其中x_i代表输入值，L为隐藏层神经元个数，w_j代表输入层神经元连接第j个隐藏层神经元的权值，B_j代表第j个隐藏层神经元连接输出层神经元的权值，g_j()代表激活函数，b_j代表隐藏层偏置，N代表样本个数，y_i代表输出值；

神经网络分类的输入层向量和输出层向量分别为：

输入层＝{RSS、带宽、负载、延时、信噪比、通信费用}

输出层＝{极好，较好，可以，不好，较差，极差}

解模糊层：模糊决策层将候选链路等级的自然语言变量定义为{极好，较好，可以，不好，较差，极差}，解模糊层将自然语言模糊集合转化为精确数值用于后续的比较；

解模糊化的计算公式如下：

其中p取值在[1,2],μ(x)表示隶属度函数，c和σ分别为隶属函数的中心和标准差，S_l表示链路最终得分；

输出层：在获得的各个链路的得分值之后进行比较，选取S_l中的最高值，并自动切换到得分最高的链路进行数据传输。

基于模糊神经网络的数据传输链路智能优选技术选取具有最大链路得分值的候选链路，在减少计算开销的情况下提高链路选择结果的准确性，使得系统能够始终实时地自动根据当前网络参数计算并选择最优链路进行传输，以适应不同的施工环境。
如权利要求2所述的大型船舶安全监管系统，其特征在于，所述船舶信息数据库：

系统针对每艘船舶和每位船员分别建立独立的档案数据；在大型船舶有联网情况下，由船端服务器向岸端服务器推送数据，从而同步船上服务器的数据，并进行数据查看；通过配置HTTP推送路径方式，由本地服务器同步推送至云端服务器，实现船、岸、云端信息同步。