论文部分内容阅读
摘 要：在新时代信息技术和制造业全球化深度整合的行业发展变革大趋势下，推进我国船舶配套产业智能化的转型升级，对于打造具有竞争力的国产船舶配套品牌产品，实现我国交通强国、海洋强国战略具有重要的意义。本文在分析船舶配套设备智能运维概念的基础上，系统介绍了智能运维的核心技术，分析了智能节点和大数据的应用模式，最后基于工业物联网架构，提出了面向船舶机舱设备安全的应用案例，并讨论了多种运维模式下的船用配套设备的应用前景。
关键词：智能辅机;船用设备;智能运维;物联网
0 引 言
船舶配套设备以其量大、面广、高技术和高附加值的特点，成为海洋工程以及高技术船舶的重要组成部分。船舶的核心配套设备一般包括船舶的主要动力装置，即船舶的驱动主机，以传统的涡轮柴油机为主;辅助船舶驱动的其他动力装置，包括船舶发电机组以及配电系统;各类辅机，包括锚机、舵机、各类风机、泵机、制水机、分油机等设备。自“十一五”以来，政府和行业都开始加大对自主生产配套设备的研发投入，行业得到了快速发展，产业体系不断完善，重点船用设备及核心部件研制取得了突破，产业规模也大幅度提升，本土配套设备的装船能力得到不断提高。但与发达国家的配套设备产业的发展水平相比，我国的船用配套设施的发展还较为滞后，船舶配套设施产业还迫切地需要通过对设备进行智能化和生产技术创新的能力提高，来推动船舶配套设施产业的转型和升级，以实现我国造船强国的战略目标。
国内船舶配套设备产业现状[1]：核心设备的配套体系不健全，缺乏战略引领，市场竞争力不强;研发设备的投入资源不足，新技术研发所需要的知识积累不够;工程整体解决能力不足，产品竞争力不强;产品服务能力不足，远程运维相关技术发展不够成熟，由此带来的运维成本高。因此，国内船舶配套设备迫切地需要通过对智能化的技术的应用，来解决产品质量以及技术积累问题，以保障产品一次性顺利交付、提高产品的可靠性;针对产品的核心竞争力不足这一问题，减少产品的设计成本，缩短产品的制造周期，以提高产品的维护效率;在新规范的要求下满足对产品绿色、安全、环保的需求;减轻国内生产劳动力的瓶颈，减少在设备制造时产生的人工成本;降低设备的运营成本压力，研制低人工需求、低能源消耗、高效率的设备;满足在新形势下对高端、个性化产品的需求，提供包括设备的集成、安装交付以及运维保障服务在内的整体解决方案。本文从IOT以及远程运维角度，主要分析智能运维技术及其在船舶配套设备领域的应用前景。
1 智能运维研究
1.1 智能运维概念
运维[2]主要指的是技术行业运营维护者根据其业务需求对信息、网络以及服务进行规划，通过对网络的监控、事件预警、业务调度、排障升级等方式，使其服务状况保持长期、稳定、可用的状态。早期的管理运维工作大多数是由专门的运维人员进行手工操作完成，这样的运维模式不仅效率低下，在运维过程中也消耗了许多人力资源;利用机械工具的优点来进行大规模和小批量化的自动化运维，能够很好地减少在运维过程中对人力物料资源的成本消耗，从而降低了运维过程中的操作风险，提高了运维效率。然而，目前自动化运维的本质仍然是一种将人与自动化工具紧密結合在一起的运维模式，受限于对人类自身的生理极限和认知局限，这种运维模式无法持续地面向规模庞大并且复杂性高的系统提供高质量的运维服务。在这一背景下，智能运维应运而生。
智能运维这一概念最初是由Gartner提出，它的目标是将利用人工智能的科技融入运维系统中，以互联网、云计算以及机器学习等智能化技术作为运维管理的基础，从多种数据源中收集海量数据信息（包括业务数据、系统信息、网络信息日志等）进行实时或远程离线分析，通过其主动性、人性化和动态的可视化特点，增强了传统运维的能力。智能运维能快捷地对海量数据进行分析和处理，并且能够得到有效的运维判断和决策，执行自动化脚本来实现系统的全局智能化运维，能有效地对大规模系统进行运维。
1.2 智能运维核心技术
智能运维管理就是基于机器学习等人工智能算法，分析和挖掘运维中的大数据，并且充分地利用各类自动化工具来作出运维决策。因此，智能化运维技术主要组成部分有运维大数据平台、智能分析和决策的组件以及自动化的工具。
（1）运维大数据平台
运维大数据管理平台是专门用于系统实现对管理过程中的运维数据进行实时采集、处理、存储、展示的统一平台。采集的运维数据包含监控系统数据、日志和系统配置数据信息等;按照目前大数据平台的整体架构，运维大数据管理平台主要由数据采集层、数据信息存储管理层、数据处理分析和信息建模管理层、展示层等5个部分组成。
（2）智能分析决策组件
智能化的运维系统组件是利用人工智能运维算法，根据具体的运维使用场景、运维业务的规则或专家运维经验等因素来设计构建的运维系统组件，类似于传统应用程序中的API或者公共数据库，它具有可被重复使用、能够不断变化演进、易于理解的基本特点。智能运维的各个组件按照其功能结构类型可大致分为两大类，分别是运维知识图谱类，即通过多种运维算法来对运维历史信息资料进行分析挖掘，从而通过计算分析得出智能运维主体的各类属性信息画像和活动规律，以及各运维主体之间的相互关系，形成一个运维主体知识信息图谱的运维组件;以及动态决策类，即在已经深入分析挖掘好的运维主体知识信息图谱的基础上，利用实时监测的运维数据作出动态决策，最终形成运维战略决策数据库。
（3）自动化工具
自动化的运维工具是一种以一个确定逻辑为基础的运维工具，对技术系统进行诸如运行过程中的控制、监测、重启、回滚、版本变更、流量控制管理等一系列的操作，是对技术系统进行运维的手段，用以保障和维护技术系统的安全、稳定、可靠地运行。自动化工具是人类进行自动化运维的结果和产物，也是人类在智能运维组件作出决策后，实施具体的运维操作必须要依赖的工具。 2 基于边缘节点的分布式智能运维
边缘计算节点天然具有设备近端优势，设备运维数据首先汇聚到边缘节点进行初步处理和存储，实时响应并诊断前端设备健康状况，形成健康评价指标，并通过加密方式与云端平台进行数据交互[3]。
智能运维与传统的运维模式不同，它并不是对单一设备或是通过单一手段或途径来进行运维，而是协调各个影响因素，包括电力影响、网络因素、数据结构、事件管理以及行业应用等多方面影响进行运维。在技术层面上通过对边缘能力进行协同，以充分挖掘边缘计算的潜力，可实现大规模的数据协同、智能化的协同、应用和管理的协同、业务管理协同，扩展到专业运维领域，可以归纳出三大要素，包括电力智能感知运维，即通过硬件检测手段对设备的电流电压状态进行检测，从而对设备的供电健康状况进行判断;网络智能感知运维，即对设备的在线状态进行检测以确定网络的联通状态：姿态智能感知运维，即对设备正常态和实时姿态的对比分析得到姿态偏离度，从而对故障进行预警。基于边缘节点的分布式运维过程可以概括为事件驱动型闭环运维，即事件感知、事件预警、事件定位以及事件完结。
事件感知，即在设备出现异常情况时，将异常情况主动上报至云端或者通过上位机对设备的巡检来发现需要运维的事件;通过设备运行过程中的异常事件监测、发生故障时的错误决策以及对事件评价指标的预测来对时序数据的异常情况进行自动监测发现，从而在构成复杂的环境中提前发现潜在的故障以及风险，以提高系统在应对多重异构环境时的故障检测能力。
事件预警，即在实现智能运维的过程中主动进行运维事故预警;为有效地提高预警的效率，预警可以划分为几个等级，错误预警、故障预警、提示预警和人工预警等几个级别，云端可以根据需要进行分类并且自动提取出所需要的预防和警示等级，针对不同的预警级别采取相应的应对方案。
事件定位，即对设备运行过程中可能产生的电力系统故障，网络阻塞以及设备的姿态偏离进行排查，利用设备常态查询、状态关联查询以及故障的根因查询，在运维大数据库中进行相应的对比分析，从而快速的定位到设备故障的原因。
事件完结，在感知、预警以及定位到运维事件之后，基于智能运维知识库，将对应的解决方案和经验推送给运维人员。闭环运维模式如图1所示。
边缘节点在智能运维中最大的优势是其具有天然分布式特征，拥有强大的虚拟化能力，可以实时响应并实时处理突发运维事件。将船舶配套设备作为边缘节点构建远程运维系统，可以充分发挥边缘计算技术的近端优势，快速识别并诊断设备状态，降低集成系统状态数据存储和传输压力。为形成船舶配套边缘节点，对数据采集系统提出了更高的要求，结合智能船舶实践和相关调研结果，数据采集系统应满足以下一般性技术要求：数据采集系统的主要功能包括数据的采集、处理、存储及上传和系统配置。
其中，数据采集功能可采集传感器输出信号并将其转换为物理量及相关信息数字参数，应适用于船舶机舱设备状态数据采集，安装在机舱设备上的多种传感器按照规定测量间隔和采样频率获取机舱设备的原始振动、温度、压力信息;应能适用不同传感器的多种有线/无线通信方式，并支持模拟量/开关量的采集与处理;数据采集系统应能适应于电压（±5 V或±12 V）、电流（4～20 mA）信号的高速采样，最高采样频率不低于8 kHz;针对不同状态参数的采集，数据采集系统应能配置为同步采集;数据采集功能转换原始传感器信号形成的物理量及相关信息数字参数包括：数字化数据、时序数据/时间基准数据（通常参考 UTC或地方时区）、数据质量指标（例如好、差、未知、检查中等）。
数据处理方面，在完成数据采样之后，数据处理功能可执行信号处理，如滤波、开窗、FFT等;执行同步或非同步平均;执行算法计算;执行特征提取等处理操作。
在数据存储以及上传方面，数据采集系统可保存采集数据（按时间保存或根据存储空间大小循环覆盖保存），并通过以太网、Wi-Fi网络上传采集数据。数据存储上传应满足以下要求：系统应设置足够容量的存储单元/服务器/数据库，实现数据的存储、备份与管理，应能保存至少一个检验周期的数据（船端保存至少5 a，建立数据备份机制）;针对隐私问题，任何对状态数据的查看、获取、存储与使用应事先得到船东的许可与授权。
关于系统配置，数据采集系统应满足：可通过软件方式，對关键系统参数（如采样频率、采样间隔、采样时间长度、数据分析方式（数据处理）等进行配置）;可通过软件系统设置登录权限;可通过软件系统进行网络参数配置等要求。
3 基于大数据流式结构的船舶运维模式
在大型船舶的自动化运维管理系统中，传感器实时地采集和处理数据，由于传统的单中心数据处理架构所能达到的处理速度并不能满足实时处理数据的要求，因此数据处理的架构应由单中心架构向着更加多中心架构的方向发展。流式架构[4]采用了统一调度、分布式计算的方式，对采集得到的数据按照不同类型进行分类存储，通过负载均衡算法对数据进行统一的任务调度，实现了对计算资源的有效利用。一种基于流式结构的运维模式如图2所示。
基于大数据流式结构的运维模式包含数据采集、流式处理以及自动运维应用3个模块：
（1）数据采集模块
数据采集模块将通过传感器或者是监控系统采集得到的数据通过无线网络（4 G或5 G）或专有WiFi 局域网传输到事先指定的并行文件系统地址中，并行文件系统对接收到的文件日期及其相应的存储空间进行监控，如果有新增数据传输则在系统新生成一条数据日志并提交，该日志描述了新接收到的数据是否已经被处理，若这些数据已经处理完毕，则进行删除。
（2）流式处理模块
该模块用于检测文件系统中各数据所对应的日志，首先按照键值信息对日志进行查找，如果这些数据未被处理则将其中的数据所对应的地址信息自动提取出来，在该系统中一个完整的数据可能分成若干子数据从而存在于不同的并行文件地址中，因此在获取完整的一个文件地址时，子进程将会被挂起直到将所有的数据已经读取完毕并且被重新复位。在对数据进行处理完毕后，将经过处理后得到的结果一一保存到Hive数据库中，为上层调用做准备。 （3）自动运维应用模块
运维应用模块需要通过中间接口JDBC调用处理Hive数据库，同时通过B/S架构[4]提供交互式的接口查询，其中B/S 架构为浏览器-服务器模式，对数据的读取、查询、展示及字段的设置提供接口。
利用航运大数据技术，可以实现对设备运行状态以及能效管理分析：借鉴国外有关船舶大数据路标这一研究成果，能够长期持续有效地对船舶运行过程中设备工作状态的数据进行评估测试，从而对其运行状态进行判别。获取运行状态之后结合其本身的运行特性，能够对设备的故障进行预防报警，从而保障船舶设备日常维护的及时开展，并降低运维管理成本，提高设备运行的安全性。另外，针对设备在运行过程中产生的大量数据，例如航速，功率等，利用大数据清洗筛选，对数据进行分类提取，挖掘数据的相关性，并对关联性进行分析，从而对缺失的数据进行推算并可校正失真数据。将得到的数据进行转换运算，分析船舶运行过程中航速以及功率信息，得到能效营运指数，从而为航运能效管理、海事核查以及监测提供数据支持。以船舶附加气体节能装置为例，利用航运大数据，可获得装置在运行过程中有关航速以及功率数据信息，并在修正过程中避免来自海上环境因素的影响，从而更加真实有效地对装置运行之后对船舶能效控制效果进行评价分析。
船舶结构复杂度及动力系统的监控范围的不断扩大，使需要处理的数据种类越来越多，利用上述的运维结构将传统的单中心处理模式变为多中心并行化处理，能够大大降低数据处理所需要的时间。
4 基于物联网和工业云的远程运维系统
在上述远程运维模式分析的基础上，面向设备的安全管理，基于物联网和工业云的远程运维系统体系架构[5]，设计了一套机舱设备远程运维系统，如图3所示。该系统主要包括物联网感知层、数据传输层、云平台层和应用层。系统功能的实现借助了信息采集技术、网络技术、中间件技术、云计算技术以及一些公共技术的支持。系统通过船舶机舱设备上的传感器对设备信息进行采集，通过3G/4G网络接入互联网，将数据传输至云平台进行数据的分析处理，并通过应用接口程序进行岸端操作。
（1）物联网感知层
物联网感知层是系统的物理最底层，在船舶设备远程运维系统中，该层主要由数据采集、舵机状态监测和轴系振动监测系统组成，如图4所示。通过各类传感器，对船舶设备的状态信息进行实时采集，通过现场总线将数据汇集到船上集成平台并通过通信网关进行数据上传。
（2）数据传输层
通过建立高效、高可靠的数据传输系统，将传感器采集到的船端设备数据传输到工业云计算中心的数据收集集群，并存入云端数据库中。
（3）云平台层
主要在云端服务器（计算/存储/网络）的基础上对由物联网感知层现场采集得到的各类数据进行分析处理，并构建基于智能云服务的IOT设备管理平台。船舶设备远程运维系统中，通过物联网平台对船舶设备的各项信息进行采集并上传至云端，构建数据统一的平台，即航运数据中台。
数据中台主要由数据服务、数据引入、数据处理、存储以及智能分析五个部分组成。其中，数据服务是指用于处理云托管数据存储基础结构中数据虚拟化编程逻辑的Web服务，能够使用户远程按需访问数据。主要包括API生命周期管理，即监督API程序从生成、发布、订阅/取消订阅到执行的过程;托管API服务，旨在通过策略保护API，将API进行分组管理、监视以及流量分析;数据推送服务，允许应用程序异步与用户代理通信。
数据引入则是将数据从各种源传输到存储介质中，组织可以对注入的数据进行访问、使用以及分析，数据引入的目标通常是用来进行操作数据存储、数据仓库、数据集市、数据库或文档的存储。主要包括设备运行过程中日志数据的收集、获取和导入从船舶传感器或其他相关渠道接收的视频和图像等媒体数据、以自动方式对多个文件进行批量上传。
数据的处理，包括将原始数据转换为机器可读形式、通过系统和内存传输数据到输出设备以输出数据的格式转换;任何使用计算机或设备对数据执行操作均可被定义为数据处理。
数据存储是一个持续存储数据集合的存储库，它为存储的每个不同数据实体创建数据存储，并允许用户以应用程序所需要的格式进行数据的插入、更新、查询以及删除。
智能分析则是利用复杂的技术和工具对数据进行自主或半自主检查，以便发现更深入的见解或做出预测。
（4）应用层
主要是通过PC客户端、WEB客户端、手机APP等形式提供设备实时状态监测服务、运行统计分析服务、故障/异常工况报警服务、设备故障率分布分析服务、在线故障诊断服务、实时视频监控服务，等等。
在本章所介绍的系统中，通过航运数据中台进行收集，处理以及分析得到的数据，通过不同种类的API接口传输给前端进行应用开发，能够实现在PC端或手机APP端对船舶舵机状态的实时监控（见图5）、运行趋势分析（见图6）和设备故障的预警、报警等服务。
上述远程运维系统将物联网、工业云等技术相结合，通过对设备状态的实时监测与分析，实现对设备的远程诊断与维护，从而降低了设备运维成本，并通过各类传感器装置，实现了预防式维护。
5 結 论
本文介绍了几种应用了新技术的运维模式：利用大数据流式结构对数据并行化处理，降低了处理时间，提高了数据实时处理分析的可行性;采用分布式边缘节点，利用边缘节点的近端优势，对收集到的数据进行边缘计算，实现对突发运维事件的实时分析和处理;最后面向舵机等机舱设备，采用工业物联网，利用传感器实时采集设备状态信息，借助岸基数据中台，完成了设备状态信息的远程监测和趋势预测，提供了一种船舶设备的岸基远程运维的应用方法。
从应用前景分析，在对数据进行采集时，在船用设备上安装传感装置，达到对设备状态信息的实时采集，便于监测与维护，同时利用历史日志信息，在一定程度上能够实现对故障的预防以及突发事件的快速处理;对数据进行处理时，利用大数据流式结构并行处理，实现多中心数据分析处理，减少处理时间，降低运维成本。与此同时，结合边缘计算技术，将数据在近设备端先行处理，对数据进行清洗筛选，减少汇入云端的数据量，提高数据的处理速度，降低因云端收集数据冗余而带来的成本。
参考文献
[1] 汤敏，李沨，曾力，华霖. 船舶配套设备智能化发展战略研究[J]. 中国工程科学，2019（6）：22-26.
[2] 陈林博，何支军，颜挺进，等. 智能运维发展史及核心技术研究[EB/OL]. https：//www.sohu.com/a/322100594_411876.
[3] 朱述宝，修科鼎. 基于边缘节点的分布式智能运维研究[C]. 第十五届中国智能交通年会科技论文集：2020年2卷.深圳：电子工业出版社，2020. pp：632-639.
[4] 杨丽. 大数据与 B/S 技术在船舶自动运维系统中的应用[J] .舰船科学技术，2018（8A）：115-117.
[5] 张勤刚，姚衡，赵虹，张少民，沈加海. 基于物联网和工业云的纺织机械远程运维系统运用[J]. 机电信息， 2018（27）：61-62.
基金项目：国家重点研发计划项目（2019YFB1600600），高技术船舶科研项目（工信部重装函[2020]313号：CJ02N20）
关键词：智能辅机;船用设备;智能运维;物联网
0 引 言
船舶配套设备以其量大、面广、高技术和高附加值的特点，成为海洋工程以及高技术船舶的重要组成部分。船舶的核心配套设备一般包括船舶的主要动力装置，即船舶的驱动主机，以传统的涡轮柴油机为主;辅助船舶驱动的其他动力装置，包括船舶发电机组以及配电系统;各类辅机，包括锚机、舵机、各类风机、泵机、制水机、分油机等设备。自“十一五”以来，政府和行业都开始加大对自主生产配套设备的研发投入，行业得到了快速发展，产业体系不断完善，重点船用设备及核心部件研制取得了突破，产业规模也大幅度提升，本土配套设备的装船能力得到不断提高。但与发达国家的配套设备产业的发展水平相比，我国的船用配套设施的发展还较为滞后，船舶配套设施产业还迫切地需要通过对设备进行智能化和生产技术创新的能力提高，来推动船舶配套设施产业的转型和升级，以实现我国造船强国的战略目标。
国内船舶配套设备产业现状[1]：核心设备的配套体系不健全，缺乏战略引领，市场竞争力不强;研发设备的投入资源不足，新技术研发所需要的知识积累不够;工程整体解决能力不足，产品竞争力不强;产品服务能力不足，远程运维相关技术发展不够成熟，由此带来的运维成本高。因此，国内船舶配套设备迫切地需要通过对智能化的技术的应用，来解决产品质量以及技术积累问题，以保障产品一次性顺利交付、提高产品的可靠性;针对产品的核心竞争力不足这一问题，减少产品的设计成本，缩短产品的制造周期，以提高产品的维护效率;在新规范的要求下满足对产品绿色、安全、环保的需求;减轻国内生产劳动力的瓶颈，减少在设备制造时产生的人工成本;降低设备的运营成本压力，研制低人工需求、低能源消耗、高效率的设备;满足在新形势下对高端、个性化产品的需求，提供包括设备的集成、安装交付以及运维保障服务在内的整体解决方案。本文从IOT以及远程运维角度，主要分析智能运维技术及其在船舶配套设备领域的应用前景。
1 智能运维研究
1.1 智能运维概念
运维[2]主要指的是技术行业运营维护者根据其业务需求对信息、网络以及服务进行规划，通过对网络的监控、事件预警、业务调度、排障升级等方式，使其服务状况保持长期、稳定、可用的状态。早期的管理运维工作大多数是由专门的运维人员进行手工操作完成，这样的运维模式不仅效率低下，在运维过程中也消耗了许多人力资源;利用机械工具的优点来进行大规模和小批量化的自动化运维，能够很好地减少在运维过程中对人力物料资源的成本消耗，从而降低了运维过程中的操作风险，提高了运维效率。然而，目前自动化运维的本质仍然是一种将人与自动化工具紧密結合在一起的运维模式，受限于对人类自身的生理极限和认知局限，这种运维模式无法持续地面向规模庞大并且复杂性高的系统提供高质量的运维服务。在这一背景下，智能运维应运而生。
智能运维这一概念最初是由Gartner提出，它的目标是将利用人工智能的科技融入运维系统中，以互联网、云计算以及机器学习等智能化技术作为运维管理的基础，从多种数据源中收集海量数据信息（包括业务数据、系统信息、网络信息日志等）进行实时或远程离线分析，通过其主动性、人性化和动态的可视化特点，增强了传统运维的能力。智能运维能快捷地对海量数据进行分析和处理，并且能够得到有效的运维判断和决策，执行自动化脚本来实现系统的全局智能化运维，能有效地对大规模系统进行运维。
1.2 智能运维核心技术
智能运维管理就是基于机器学习等人工智能算法，分析和挖掘运维中的大数据，并且充分地利用各类自动化工具来作出运维决策。因此，智能化运维技术主要组成部分有运维大数据平台、智能分析和决策的组件以及自动化的工具。
（1）运维大数据平台
运维大数据管理平台是专门用于系统实现对管理过程中的运维数据进行实时采集、处理、存储、展示的统一平台。采集的运维数据包含监控系统数据、日志和系统配置数据信息等;按照目前大数据平台的整体架构，运维大数据管理平台主要由数据采集层、数据信息存储管理层、数据处理分析和信息建模管理层、展示层等5个部分组成。
（2）智能分析决策组件
智能化的运维系统组件是利用人工智能运维算法，根据具体的运维使用场景、运维业务的规则或专家运维经验等因素来设计构建的运维系统组件，类似于传统应用程序中的API或者公共数据库，它具有可被重复使用、能够不断变化演进、易于理解的基本特点。智能运维的各个组件按照其功能结构类型可大致分为两大类，分别是运维知识图谱类，即通过多种运维算法来对运维历史信息资料进行分析挖掘，从而通过计算分析得出智能运维主体的各类属性信息画像和活动规律，以及各运维主体之间的相互关系，形成一个运维主体知识信息图谱的运维组件;以及动态决策类，即在已经深入分析挖掘好的运维主体知识信息图谱的基础上，利用实时监测的运维数据作出动态决策，最终形成运维战略决策数据库。
（3）自动化工具
自动化的运维工具是一种以一个确定逻辑为基础的运维工具，对技术系统进行诸如运行过程中的控制、监测、重启、回滚、版本变更、流量控制管理等一系列的操作，是对技术系统进行运维的手段，用以保障和维护技术系统的安全、稳定、可靠地运行。自动化工具是人类进行自动化运维的结果和产物，也是人类在智能运维组件作出决策后，实施具体的运维操作必须要依赖的工具。 2 基于边缘节点的分布式智能运维
边缘计算节点天然具有设备近端优势，设备运维数据首先汇聚到边缘节点进行初步处理和存储，实时响应并诊断前端设备健康状况，形成健康评价指标，并通过加密方式与云端平台进行数据交互[3]。
智能运维与传统的运维模式不同，它并不是对单一设备或是通过单一手段或途径来进行运维，而是协调各个影响因素，包括电力影响、网络因素、数据结构、事件管理以及行业应用等多方面影响进行运维。在技术层面上通过对边缘能力进行协同，以充分挖掘边缘计算的潜力，可实现大规模的数据协同、智能化的协同、应用和管理的协同、业务管理协同，扩展到专业运维领域，可以归纳出三大要素，包括电力智能感知运维，即通过硬件检测手段对设备的电流电压状态进行检测，从而对设备的供电健康状况进行判断;网络智能感知运维，即对设备的在线状态进行检测以确定网络的联通状态：姿态智能感知运维，即对设备正常态和实时姿态的对比分析得到姿态偏离度，从而对故障进行预警。基于边缘节点的分布式运维过程可以概括为事件驱动型闭环运维，即事件感知、事件预警、事件定位以及事件完结。
事件感知，即在设备出现异常情况时，将异常情况主动上报至云端或者通过上位机对设备的巡检来发现需要运维的事件;通过设备运行过程中的异常事件监测、发生故障时的错误决策以及对事件评价指标的预测来对时序数据的异常情况进行自动监测发现，从而在构成复杂的环境中提前发现潜在的故障以及风险，以提高系统在应对多重异构环境时的故障检测能力。
事件预警，即在实现智能运维的过程中主动进行运维事故预警;为有效地提高预警的效率，预警可以划分为几个等级，错误预警、故障预警、提示预警和人工预警等几个级别，云端可以根据需要进行分类并且自动提取出所需要的预防和警示等级，针对不同的预警级别采取相应的应对方案。
事件定位，即对设备运行过程中可能产生的电力系统故障，网络阻塞以及设备的姿态偏离进行排查，利用设备常态查询、状态关联查询以及故障的根因查询，在运维大数据库中进行相应的对比分析，从而快速的定位到设备故障的原因。
事件完结，在感知、预警以及定位到运维事件之后，基于智能运维知识库，将对应的解决方案和经验推送给运维人员。闭环运维模式如图1所示。
边缘节点在智能运维中最大的优势是其具有天然分布式特征，拥有强大的虚拟化能力，可以实时响应并实时处理突发运维事件。将船舶配套设备作为边缘节点构建远程运维系统，可以充分发挥边缘计算技术的近端优势，快速识别并诊断设备状态，降低集成系统状态数据存储和传输压力。为形成船舶配套边缘节点，对数据采集系统提出了更高的要求，结合智能船舶实践和相关调研结果，数据采集系统应满足以下一般性技术要求：数据采集系统的主要功能包括数据的采集、处理、存储及上传和系统配置。
其中，数据采集功能可采集传感器输出信号并将其转换为物理量及相关信息数字参数，应适用于船舶机舱设备状态数据采集，安装在机舱设备上的多种传感器按照规定测量间隔和采样频率获取机舱设备的原始振动、温度、压力信息;应能适用不同传感器的多种有线/无线通信方式，并支持模拟量/开关量的采集与处理;数据采集系统应能适应于电压（±5 V或±12 V）、电流（4～20 mA）信号的高速采样，最高采样频率不低于8 kHz;针对不同状态参数的采集，数据采集系统应能配置为同步采集;数据采集功能转换原始传感器信号形成的物理量及相关信息数字参数包括：数字化数据、时序数据/时间基准数据（通常参考 UTC或地方时区）、数据质量指标（例如好、差、未知、检查中等）。
数据处理方面，在完成数据采样之后，数据处理功能可执行信号处理，如滤波、开窗、FFT等;执行同步或非同步平均;执行算法计算;执行特征提取等处理操作。
在数据存储以及上传方面，数据采集系统可保存采集数据（按时间保存或根据存储空间大小循环覆盖保存），并通过以太网、Wi-Fi网络上传采集数据。数据存储上传应满足以下要求：系统应设置足够容量的存储单元/服务器/数据库，实现数据的存储、备份与管理，应能保存至少一个检验周期的数据（船端保存至少5 a，建立数据备份机制）;针对隐私问题，任何对状态数据的查看、获取、存储与使用应事先得到船东的许可与授权。
关于系统配置，数据采集系统应满足：可通过软件方式，對关键系统参数（如采样频率、采样间隔、采样时间长度、数据分析方式（数据处理）等进行配置）;可通过软件系统设置登录权限;可通过软件系统进行网络参数配置等要求。
3 基于大数据流式结构的船舶运维模式
在大型船舶的自动化运维管理系统中，传感器实时地采集和处理数据，由于传统的单中心数据处理架构所能达到的处理速度并不能满足实时处理数据的要求，因此数据处理的架构应由单中心架构向着更加多中心架构的方向发展。流式架构[4]采用了统一调度、分布式计算的方式，对采集得到的数据按照不同类型进行分类存储，通过负载均衡算法对数据进行统一的任务调度，实现了对计算资源的有效利用。一种基于流式结构的运维模式如图2所示。
基于大数据流式结构的运维模式包含数据采集、流式处理以及自动运维应用3个模块：
（1）数据采集模块
数据采集模块将通过传感器或者是监控系统采集得到的数据通过无线网络（4 G或5 G）或专有WiFi 局域网传输到事先指定的并行文件系统地址中，并行文件系统对接收到的文件日期及其相应的存储空间进行监控，如果有新增数据传输则在系统新生成一条数据日志并提交，该日志描述了新接收到的数据是否已经被处理，若这些数据已经处理完毕，则进行删除。
（2）流式处理模块
该模块用于检测文件系统中各数据所对应的日志，首先按照键值信息对日志进行查找，如果这些数据未被处理则将其中的数据所对应的地址信息自动提取出来，在该系统中一个完整的数据可能分成若干子数据从而存在于不同的并行文件地址中，因此在获取完整的一个文件地址时，子进程将会被挂起直到将所有的数据已经读取完毕并且被重新复位。在对数据进行处理完毕后，将经过处理后得到的结果一一保存到Hive数据库中，为上层调用做准备。 （3）自动运维应用模块
运维应用模块需要通过中间接口JDBC调用处理Hive数据库，同时通过B/S架构[4]提供交互式的接口查询，其中B/S 架构为浏览器-服务器模式，对数据的读取、查询、展示及字段的设置提供接口。
利用航运大数据技术，可以实现对设备运行状态以及能效管理分析：借鉴国外有关船舶大数据路标这一研究成果，能够长期持续有效地对船舶运行过程中设备工作状态的数据进行评估测试，从而对其运行状态进行判别。获取运行状态之后结合其本身的运行特性，能够对设备的故障进行预防报警，从而保障船舶设备日常维护的及时开展，并降低运维管理成本，提高设备运行的安全性。另外，针对设备在运行过程中产生的大量数据，例如航速，功率等，利用大数据清洗筛选，对数据进行分类提取，挖掘数据的相关性，并对关联性进行分析，从而对缺失的数据进行推算并可校正失真数据。将得到的数据进行转换运算，分析船舶运行过程中航速以及功率信息，得到能效营运指数，从而为航运能效管理、海事核查以及监测提供数据支持。以船舶附加气体节能装置为例，利用航运大数据，可获得装置在运行过程中有关航速以及功率数据信息，并在修正过程中避免来自海上环境因素的影响，从而更加真实有效地对装置运行之后对船舶能效控制效果进行评价分析。
船舶结构复杂度及动力系统的监控范围的不断扩大，使需要处理的数据种类越来越多，利用上述的运维结构将传统的单中心处理模式变为多中心并行化处理，能够大大降低数据处理所需要的时间。
4 基于物联网和工业云的远程运维系统
在上述远程运维模式分析的基础上，面向设备的安全管理，基于物联网和工业云的远程运维系统体系架构[5]，设计了一套机舱设备远程运维系统，如图3所示。该系统主要包括物联网感知层、数据传输层、云平台层和应用层。系统功能的实现借助了信息采集技术、网络技术、中间件技术、云计算技术以及一些公共技术的支持。系统通过船舶机舱设备上的传感器对设备信息进行采集，通过3G/4G网络接入互联网，将数据传输至云平台进行数据的分析处理，并通过应用接口程序进行岸端操作。
（1）物联网感知层
物联网感知层是系统的物理最底层，在船舶设备远程运维系统中，该层主要由数据采集、舵机状态监测和轴系振动监测系统组成，如图4所示。通过各类传感器，对船舶设备的状态信息进行实时采集，通过现场总线将数据汇集到船上集成平台并通过通信网关进行数据上传。
（2）数据传输层
通过建立高效、高可靠的数据传输系统，将传感器采集到的船端设备数据传输到工业云计算中心的数据收集集群，并存入云端数据库中。
（3）云平台层
主要在云端服务器（计算/存储/网络）的基础上对由物联网感知层现场采集得到的各类数据进行分析处理，并构建基于智能云服务的IOT设备管理平台。船舶设备远程运维系统中，通过物联网平台对船舶设备的各项信息进行采集并上传至云端，构建数据统一的平台，即航运数据中台。
数据中台主要由数据服务、数据引入、数据处理、存储以及智能分析五个部分组成。其中，数据服务是指用于处理云托管数据存储基础结构中数据虚拟化编程逻辑的Web服务，能够使用户远程按需访问数据。主要包括API生命周期管理，即监督API程序从生成、发布、订阅/取消订阅到执行的过程;托管API服务，旨在通过策略保护API，将API进行分组管理、监视以及流量分析;数据推送服务，允许应用程序异步与用户代理通信。
数据引入则是将数据从各种源传输到存储介质中，组织可以对注入的数据进行访问、使用以及分析，数据引入的目标通常是用来进行操作数据存储、数据仓库、数据集市、数据库或文档的存储。主要包括设备运行过程中日志数据的收集、获取和导入从船舶传感器或其他相关渠道接收的视频和图像等媒体数据、以自动方式对多个文件进行批量上传。
数据的处理，包括将原始数据转换为机器可读形式、通过系统和内存传输数据到输出设备以输出数据的格式转换;任何使用计算机或设备对数据执行操作均可被定义为数据处理。
数据存储是一个持续存储数据集合的存储库，它为存储的每个不同数据实体创建数据存储，并允许用户以应用程序所需要的格式进行数据的插入、更新、查询以及删除。
智能分析则是利用复杂的技术和工具对数据进行自主或半自主检查，以便发现更深入的见解或做出预测。
（4）应用层
主要是通过PC客户端、WEB客户端、手机APP等形式提供设备实时状态监测服务、运行统计分析服务、故障/异常工况报警服务、设备故障率分布分析服务、在线故障诊断服务、实时视频监控服务，等等。
在本章所介绍的系统中，通过航运数据中台进行收集，处理以及分析得到的数据，通过不同种类的API接口传输给前端进行应用开发，能够实现在PC端或手机APP端对船舶舵机状态的实时监控（见图5）、运行趋势分析（见图6）和设备故障的预警、报警等服务。
上述远程运维系统将物联网、工业云等技术相结合，通过对设备状态的实时监测与分析，实现对设备的远程诊断与维护，从而降低了设备运维成本，并通过各类传感器装置，实现了预防式维护。
5 結 论
本文介绍了几种应用了新技术的运维模式：利用大数据流式结构对数据并行化处理，降低了处理时间，提高了数据实时处理分析的可行性;采用分布式边缘节点，利用边缘节点的近端优势，对收集到的数据进行边缘计算，实现对突发运维事件的实时分析和处理;最后面向舵机等机舱设备，采用工业物联网，利用传感器实时采集设备状态信息，借助岸基数据中台，完成了设备状态信息的远程监测和趋势预测，提供了一种船舶设备的岸基远程运维的应用方法。
从应用前景分析，在对数据进行采集时，在船用设备上安装传感装置，达到对设备状态信息的实时采集，便于监测与维护，同时利用历史日志信息，在一定程度上能够实现对故障的预防以及突发事件的快速处理;对数据进行处理时，利用大数据流式结构并行处理，实现多中心数据分析处理，减少处理时间，降低运维成本。与此同时，结合边缘计算技术，将数据在近设备端先行处理，对数据进行清洗筛选，减少汇入云端的数据量，提高数据的处理速度，降低因云端收集数据冗余而带来的成本。
参考文献
[1] 汤敏，李沨，曾力，华霖. 船舶配套设备智能化发展战略研究[J]. 中国工程科学，2019（6）：22-26.
[2] 陈林博，何支军，颜挺进，等. 智能运维发展史及核心技术研究[EB/OL]. https：//www.sohu.com/a/322100594_411876.
[3] 朱述宝，修科鼎. 基于边缘节点的分布式智能运维研究[C]. 第十五届中国智能交通年会科技论文集：2020年2卷.深圳：电子工业出版社，2020. pp：632-639.
[4] 杨丽. 大数据与 B/S 技术在船舶自动运维系统中的应用[J] .舰船科学技术，2018（8A）：115-117.
[5] 张勤刚，姚衡，赵虹，张少民，沈加海. 基于物联网和工业云的纺织机械远程运维系统运用[J]. 机电信息， 2018（27）：61-62.
基金项目：国家重点研发计划项目（2019YFB1600600），高技术船舶科研项目（工信部重装函[2020]313号：CJ02N20）