船舶是一个庞大的“人-船-海洋”多因素耦合的复杂系统,对于这样庞大、复杂的系统,其监测和预警显得尤为重要。每年大量的船舶海难事故的发生和第四代工业革命的兴起,促使人们迫切地需要设计和开发一种现代化的船舶智能监测与预警平台:通过在船舶关键部位布设传感器,利用通信技术和电子技术完成船载传感器的分布式组网和船舶状态数据的实时采集,应用人工智能技术对采集到的船舶状态数据进行深度学习和在线预警,使得船员在船舶发生异常前,能够提前发现、提前干预和控制,确保船舶的船体健康和航行安全,避免重大海难事故的发生。本文设计开发出一种基于人工智能的船舶智能监测与预警平台。首先,根据船舶监测与预警的数据需求,设计出一种用于统一管理、统一接入、统一组网的传感器节点控制器,完成船舶状态数据的采集;然后,针对采集到的传感器序列数据,提出统计规则、无监督学习和深度学习耦合的综合异常检模型(Comprehensive Outlier Detection Model,CODM),建立了船舶状态异常检测、离线学习和在线预警三维一体的船舶监测预警平台;最后,基于设计的硬件平台和算法平台,设计开发出一套运行在工控机上的船舶监测与预警软件,实现了船舶状态数据采集、存储、监测、预警的全流程。本文的主要创新点和工作如下:(1)在船舶数据采集硬件设计方面:本文开发出的传感器节点控制器创新地将多种通信方式和通信协议集成在一个平台上,搭建的船载传感网具有可裁剪、可扩展、积木式、结构灵活、管理方便的特点。首先,调研分析了船载传感器的种类、工作原理、信号类型、通信接口、供电方式等信息;然后,根据船载传感器的特点,设计开发出传感器节点控制器实现了船舶状态数据的采集;最后,搭建了船载传感器网络,完成了船舶的速度、航向、姿态、位置、温度、压力、气体、电压、电流等参数的实时测量,为船舶智能监测和预警提供数据支撑。(2)在船舶智能预警算法设计方面:本文提出基于综合异常检测模型的船舶状态预警方法,利用集成学习的思想,创新地将多个时间序列异常检测算法进行综合,提高了预警结果的可靠性和鲁棒性。首先,研究了传感器时间序列的特征提取方法,提出基于长短期记忆神经网络(Long Short-Term Memory,LSTM)的残差序列提取方法;然后,研究了基于统计规则、无监督学习和深度学习耦合的综合异常检测模型,该模型同时输出异常判决结果和异常概率;最后,在在线预警的过程中,当判决结果为异常时,平台发出预警信息,提示船员进行船舶检查并采取相应的控制措施。(3)在船舶监测与预警软件设计方面:本文设计开发出一套基于C#的船载监测与预警软件,实现船舶状态数据的采集、存储、监测与预警的全流程。完成了船舶状态的实时监测,实现了船舶航行和船体健康两大的监测和预警模块。实验表明,该平台能够很好的辅助船员,完成船舶状态的实时监测和预警,避免重大海难事故的发生。