基于集团云PaaS服务的智能船舶岸端协同研发方法及系统与流程

本发明涉及绿色智能船舶，具体涉及一种基于集团云paas服务的智能船舶岸端协同研发方法及系统。

背景技术：

1、绿色智能船舶研发过程中，存在技术开发周期长、过程复杂、涉及方多、绿色技术应用效果反馈久等突出问题。行业前期侧重船端数字化服务、实船数据船岸同步及存储服务，未能充分利用现有智能船舶技术基础支撑设计、建造、装备和运营全环节技术迭代，缺乏统一的研发体系指引智能船舶系统安全、高效、智能开发。同时，多源数据壁垒未打破、模型协同低效、数据共享安全与标准化不足，导致研发资源浪费、协同效率低下，制约了绿色智能船舶技术的工程化应用与产业化推广。

2、现有船舶岸端相关解决方案主要包括独立岸端数据存储系统、单一功能数据处理工具、分散式数据共享平台三类，各方案存在显著技术缺陷，具体如下：

3、独立岸端数据存储系统：仅能实现船舶数据的简单接收与存储，缺乏数据治理、质量监控等核心功能，数据标准化程度低，无法直接用于研发分析；与船端传输协议适配性差，数据传输效率低、安全性不足；存储架构固定，难以应对海量船舶数据的存储需求。

4、单一功能数据处理工具：聚焦数据清洗、能效分析等单一环节，功能碎片化，无法实现数据汇聚、处理、仿真、应用的全流程闭环；不支持多源数据融合处理，模型与算法封闭，无法与其他研发工具协同联动，研发效率低下。

5、分散式数据共享平台：采用简单文件传输或数据库对接方式实现数据共享，缺乏统一的接口标准与安全机制；数据格式不统一，共享过程中易出现数据失真；无精细化权限管理与加密传输机制，数据安全难以保障；未建立数据共享机制，无法界定数据所有权与使用权限，易引发利益纠纷。

6、因此，亟需一种能够有效解决上述问题，实现绿色智能船舶岸端全流程协同研发的方法及系统，可以整合多源数据、实现模型协同、保障数据安全共享，并形成研发迭代闭环，支撑绿色智能船舶技术的快速迭代与产业化推广。

技术实现思路

1、为解决现有绿色智能船舶岸端协同研发中存在的数据治理薄弱、协同不足、共享不畅及弹性不足等问题，本发明提供了一种基于集团云paas服务的智能船舶岸端协同研发方法，该方法能够整合船端测点数据与岸端补充数据，实现数据标准化治理、多学科协同仿真及智能应用开发，并形成迭代优化闭环，具有协同效率高、数据质量可靠、工程化适配性好等特点。本发明还涉及一种基于集团云paas服务的智能船舶岸端协同研发系统。

2、本发明的技术方案如下：

3、一种基于集团云paas服务的智能船舶岸端协同研发方法，其特征在于，包括以下步骤：

4、数据接入汇聚步骤：依托集团云paas服务提供的网络和随业务负载动态弹性伸缩的存储资源，采用mqtt协议实时接收至少一艘绿色智能船舶上传的船端测点数据，同时获取岸端补充数据；将所述船端测点数据和岸端补充数据统一汇聚至集团云paas服务的存储资源，形成多源异构原始数据集；

5、多源数据标准化与质量治理步骤：按照船舶数据通用国际标准制定统一数据通道id编码规则，通过统一数据通道id编码规则对所述多源异构原始数据集进行统一命名与格式规范处理，生成规范化原始数据；并基于所述多源异构原始数据集对每条船舶及该船舶上的每台设备，统计其应接收的测点总数与实际接收到的测点数，根据实际接收到的船舶测点数和应接收的船舶测点数计算出船舶数据完整度，并根据实际接收到的设备测点数和应接收的设备测点数计算出设备数据完整度，基于船舶数据完整度和设备数据完整度构建双维度数据质量监测体系；通过双维度数据质量监测体系对所述规范化原始数据进行数据质量标准监测，并对不符合预设质量标准的数据，依次执行数据清洗、数据修剪、数据同步及数据加工处理，输出处理后的标准化数据；

6、协同仿真与知识驱动步骤：依托集团云paas服务的弹性算力资源，构建存储有多格式模型算法文件的文件管理体系，所述多格式模型算法文件包括多个船舶系统仿真模型，所述船舶系统仿真模型包括船体流体模型、主机性能模型、尾气处理模型、航行控制模型；并为每个模型算法文件分配唯一的文件标识符；对从预先获取的历史故障数据中提取的故障现象、故障原因及处置措施，采用故障树分析方法进行结构化建模，构建包含故障节点、原因节点、症状节点及其因果关系的船舶知识图谱；再根据所述文件标识符从所述模型算法文件管理体系中读取目标模型算法文件；根据所述统一数据通道id编码规则所表征的物理测点位置与信号类型，将所述标准化数据中的各数据字段与所述目标模型算法文件中对应物理测点的输入变量进行关联绑定，形成仿真任务实例；基于所述仿真任务实例执行多个船舶系统仿真模型协同仿真，并在仿真过程中调用所述船舶知识图谱对异常仿真结果进行归因推理，输出仿真结果数据；

7、岸端智能应用开发与迭代闭环步骤：基于所述标准化数据和所述仿真结果数据，开发包括船舶能效分析、性能预估、航次管理及船载设备远程运维的智能应用；并将所述智能应用在运行过程中产生的反馈数据反向回流至集团云paas服务中包括存储资源和弹性算力资源的资源池，所述反馈数据包括模型仿真误差、能效预测偏差及数据质量监测结果；利用所述模型仿真误差修正所述模型算法文件的模型参数，利用所述能效预测偏差触发所述智能应用的增量学习或模型重训练，利用所述数据质量监测结果更新所述双维度数据质量监测体系的监测规则或优化所述统一数据通道id编码规则，形成数据处理与应用优化的迭代闭环。

8、优选地，在所述协同仿真与知识驱动步骤之后，还包括数据共享步骤：

9、采用restful api模式与mqtt模式，将所述标准化数据和所述仿真结果数据对外共享；所述restful api模式结合token身份认证、基于角色的权限管理及调用监控，确保只有授权用户能访问特定船舶或特定模型的标准化数据及仿真报告；所述mqtt模式制定topic命名规则、访问授权策略、服务质量使用原则及数据包大小限制，实时推送标准化数据流及仿真结果中的关键预警信息；同时配置认证接口、定制化数据共享接口、标准化数据通道接口、标准化时序数据接口及定制化数据推送接口，并结合aes加密传输与防火墙隔离保障数据安全。

10、优选地，所述多源数据标准化与质量治理步骤中，所述双维度数据质量监测体系的具体构建方式为：预先设定船舶级完整度阈值和设备级完整度阈值；当某条船舶的船舶数据完整度低于所述船舶级完整度阈值时，标记该船舶为数据缺失高风险对象；当某台设备的设备数据完整度低于所述设备级完整度阈值时，标记该设备为数据异常优先排查对象；并基于标记结果动态调整后续数据清洗、数据修剪、数据同步及数据加工处理的执行优先级。

11、优选地，所述协同仿真与知识驱动步骤中，所述船舶知识图谱的归因推理具体包括：在执行多个船舶系统仿真模型联合仿真的过程中，实时监测各仿真模型的中间输出结果，当任一中间输出结果超出预设安全阈值时，将该超出预设安全阈值的中间输出结果标记为异常仿真结果，并提取所述异常仿真结果对应的故障现象作为查询条件；基于所述查询条件，在所述船舶知识图谱中匹配与该查询条件具有相同或相似故障现象的故障节点；沿匹配到的故障节点的因果关系反向追溯原因节点，得到导致所述异常仿真结果的候选故障原因列表及各候选故障原因的置信度评分；将所述候选故障原因列表及置信度评分作为仿真结果数据。

12、优选地，所述协同仿真与知识驱动步骤中，将所述标准化数据中的各数据字段与所述目标模型算法文件中对应物理测点的输入变量进行关联绑定的具体实现方式为：根据所述文件标识符从所述模型算法文件管理体系中读取目标模型算法文件并执行加载操作；执行加载操作后，建立统一数据通道id编码与所述目标模型算法文件中输入变量的映射配置表，所述映射配置表以所述统一数据通道id编码为键、以所述目标模型算法文件中输入变量的内存地址为值；根据所述统一数据通道id编码规则所表征的物理测点位置与信号类型，将所述标准化数据中的各数据字段，依据所述映射配置表写入所述目标模型算法文件中对应输入变量的内存地址，从而完成关联绑定，形成仿真任务实例。

13、优选地，所述岸端智能应用开发与迭代闭环步骤中，所述增量学习的具体方式为：以所述能效预测偏差超过预设偏差阈值的历史时段数据作为增量样本，采用在线梯度下降算法更新所述智能应用中船舶能效分析模型的权重参数，且不重新加载全量历史训练数据；

14、所述模型重训练的具体方式为：当所述能效预测偏差连续超过预设偏差阈值的累计时长达到预设重训练触发条件时，重新加载全量历史训练数据及新增数据，对所述智能应用中的能效分析模型进行完整训练，更新全部模型参数。

15、优选地，所述岸端智能应用开发与迭代闭环步骤中，所述模型仿真误差的计算方式为：选取同一时间窗口内的仿真结果数据与所述标准化数据，计算两者的均方根误差；当所述均方根误差连续n个时间窗口超过预设误差阈值时，判定为需要修正模型参数，n为大于等于3的正整数。

16、优选地，所述数据接入汇聚步骤中，所述船端测点数据包括主机转速、燃油消耗、尾气排放参数、航行姿态及设备运行温度，所述岸端补充数据包括ais数据、气象数据、历史模型数据、算法参数数据以及故障知识库数据；

17、和/或，所述多源数据标准化与质量治理步骤中，所述统一数据通道id编码规则包括规则版本号、模型版本号、功能设备标识、属性标签及备注信息；所述统一命名与格式规范处理包括原始信号清单检查、数据模型构建、功能设备匹配、属性标签选择、二次功能匹配、信号唯一性检查、跨船命名统一性检查及编码生成与绑定；所述数据清洗包括剔除异常值和填补缺失值，所述数据修剪包括去除冗余字段，所述数据同步包括统一时间戳，所述数据加工包括格式转换和单位统一。

18、一种基于集团云paas服务的智能船舶岸端协同研发系统，其特征在于，包括依次连接的数据接入汇聚模块、多源数据标准化与质量治理模块、协同仿真与知识驱动模块以及岸端智能应用开发与迭代闭环模块，

19、所述数据接入汇聚模块，依托集团云paas服务提供的网络和随业务负载动态弹性伸缩的存储资源，采用mqtt协议实时接收至少一艘绿色智能船舶上传的船端测点数据，同时获取岸端补充数据；将所述船端测点数据和岸端补充数据统一汇聚至集团云paas服务的存储资源，形成多源异构原始数据集；

20、所述多源数据标准化与质量治理模块，按照船舶数据通用国际标准制定统一数据通道id编码规则，通过统一数据通道id编码规则对所述多源异构原始数据集进行统一命名与格式规范处理，生成规范化原始数据；并基于所述多源异构原始数据集对每条船舶及该船舶上的每台设备，统计其应接收的测点总数与实际接收到的测点数，根据实际接收到的船舶测点数和应接收的船舶测点数计算出船舶数据完整度，并根据实际接收到的设备测点数和应接收的设备测点数计算出设备数据完整度，基于船舶数据完整度和设备数据完整度构建双维度数据质量监测体系；通过双维度数据质量监测体系对所述规范化原始数据进行数据质量标准监测，并对不符合预设质量标准的数据，依次执行数据清洗、数据修剪、数据同步及数据加工处理，输出处理后的标准化数据；

21、所述协同仿真与知识驱动模块，依托集团云paas服务的弹性算力资源，构建存储有多格式模型算法文件的文件管理体系，所述多格式模型算法文件包括多个船舶系统仿真模型，所述船舶系统仿真模型包括船体流体模型、主机性能模型、尾气处理模型、航行控制模型；并为每个模型算法文件分配唯一的文件标识符；对从预先获取的历史故障数据中提取的故障现象、故障原因及处置措施，采用故障树分析方法进行结构化建模，构建包含故障节点、原因节点、症状节点及其因果关系的船舶知识图谱；再根据所述文件标识符从所述模型算法文件管理体系中读取目标模型算法文件；根据所述统一数据通道id编码规则所表征的物理测点位置与信号类型，将所述标准化数据中的各数据字段与所述目标模型算法文件中对应物理测点的输入变量进行关联绑定，形成仿真任务实例；基于所述仿真任务实例执行多个船舶系统仿真模型协同仿真，并在仿真过程中调用所述船舶知识图谱对异常仿真结果进行归因推理，输出仿真结果数据；

22、所述岸端智能应用开发与迭代闭环模块，基于所述标准化数据和所述仿真结果数据，开发包括船舶能效分析、性能预估、航次管理及船载设备远程运维的智能应用；并将所述智能应用在运行过程中产生的反馈数据反向回流至集团云paas服务中包括存储资源和弹性算力资源的资源池，所述反馈数据包括模型仿真误差、能效预测偏差及数据质量监测结果；利用所述模型仿真误差修正所述模型算法文件的模型参数，利用所述能效预测偏差触发所述智能应用的增量学习或模型重训练，利用所述数据质量监测结果更新所述双维度数据质量监测体系的监测规则或优化所述统一数据通道id编码规则，形成数据处理与应用优化的迭代闭环。

23、优选地，在所述协同仿真与知识驱动模块之后，还包括数据共享模块：

24、采用restful api模式与mqtt模式，将所述标准化数据和所述仿真结果数据对外共享；所述restful api模式结合token身份认证、基于角色的权限管理及调用监控，确保只有授权用户能访问特定船舶或特定模型的标准化数据及仿真报告；所述mqtt模式制定topic命名规则、访问授权策略、服务质量使用原则及数据包大小限制，实时推送标准化数据流及仿真结果中的关键预警信息；同时配置认证接口、定制化数据共享接口、标准化数据通道接口、标准化时序数据接口及定制化数据推送接口，并结合aes加密传输与防火墙隔离保障数据安全。

25、本发明的有益效果为：

26、本发明提供的一种基于集团云paas服务的智能船舶岸端协同研发方法，通过标准化数据体系、弹性架构设计、协同仿真机制与安全共享技术，实现岸端全流程协同研发。先依托集团云paas服务提供的网络和存储资源，利用mqtt协议实时接收船端测点数据并获取岸端补充数据，汇聚为多源异构原始数据集，这一数据接入机制打破了传统研发中船岸数据割裂的信息孤岛状态，通过建立统一的数据汇聚通道，解决了绿色智能船舶研发数据来源单一、更新滞后的问题，为后续全链路研发分析提供了高时效性的数据基础。集团云paas服务的存储资源可随业务负载动态弹性伸缩，解决了传统固定存储架构下，船舶海量时序测点数据峰值接入时存储空间不足、业务低负载阶段存储资源闲置浪费的技术缺陷，可随船舶接入数量、数据上报频次动态调配存储容量，在保障海量船岸异构数据稳定持久化存储的同时，大幅提升云资源利用率，降低船舶协同研发的基础设施部署与运维成本。

27、然后，基于船舶数据通用国际标准制定统一数据通道id编码规则，对多源异构原始数据集进行统一命名与格式规范处理，生成规范化原始数据，实现了多源异构数据的标准化表征，有效解决了数据壁垒与理解偏差问题，大幅提升了数据完整度，为后续全链路数据处理提供了统一的语义基础，且适配不同船型与设备的协同需求。在此基础上，构建了基于“船舶级完整度”与“设备级完整度”的双维度数据质量监测体系。该体系通过预设的阈值动态标记“数据缺失高风险对象”与“数据异常优先排查对象”，并据此指导后续的数据清洗、修剪、同步及加工处理。这种精细化的治理机制，将传统的“被动式”数据纠错转变为主动式的“预防-修正”闭环，显著提升了数据的可信度与可用性；同时，这一特定的质量监测机制通过船舶级和设备级两个维度的完整度计算，实现了从宏观到微观的精细化数据质量管控。特别是通过数据清洗剔除异常值、填补缺失值，以及通过数据同步统一时间戳，从根本上保障了后续仿真计算与模型训练的数值准确性和稳定性。

28、进一步地，本发明依托集团云paas服务的弹性算力资源构建了存储多格式模型算法文件的文件管理体系，为每个模型算法文件分配唯一的文件标识符，并将从历史故障数据中提取的故障现象、故障原因及处置措施，采用故障树分析方法进行结构化建模，构建包含故障节点、原因节点、症状节点及其因果关系的船舶知识图谱。这种将模型算法文件管理与知识图谱技术相结合的特定架构，实现了研发资产的统一管理和知识复用。再根据文件标识符读取目标模型算法文件并执行加载操作，根据统一数据通道id编码规则所表征的物理测点位置与信号类型，将标准化数据中的各数据字段与目标模型算法文件中对应物理测点的输入变量进行精准关联绑定（建立id编码与内存地址的映射），形成仿真任务实例。这一绑定机制实现了标准化数据与仿真模型之间的自动化对接，无需人工干预，大幅提升了协同仿真效率。基于仿真任务实例执行多个船舶系统仿真模型（船体流体、主机性能等模型）协同仿真，并在仿真过程中调用船舶知识图谱对异常仿真结果进行归因推理，使得仿真过程中出现的异常能够被及时诊断并追溯原因节点，有效将故障诊断时间从数小时缩短至分钟级，显著提升了研发测试的效率与准确性，大幅减少了重复性工作，缩短了研发周期，为模型改进提供了量化依据。

29、在此基础上，本发明基于处理后的标准化数据和仿真结果数据，开发包括船舶能效分析、性能预估、航次管理及设备远程运维的智能应用，覆盖了绿色智能船舶研发与运营的全场景。更重要的是，本发明建立了全链路的迭代闭环：将智能应用在运行过程中产生的反馈数据（包括模型仿真误差、能效预测偏差、数据质量监测结果）反向回流至集团云paas服务中包括存储资源和弹性算力资源的资源池，模型仿真误差用于修正模型算法文件的模型参数，能效预测偏差用于触发智能应用的增量学习或模型重训练，数据质量监测结果用于更新双维度数据质量监测体系的监测规则或优化数据通道id编码规则。这一迭代闭环机制使得模型能够随着船舶状态的演变和市场环境的变化而持续自适应优化，打破了传统研发中“开发-部署-等待反馈-再开发”的低效模式，实现了持续自进化的协同研发体系。

30、本发明的核心在于构建了一套“多源数据汇聚接入 + 标准化数据质量治理 + 知识驱动的协同仿真 + 智能应用开发 + 迭代优化闭环”的完整协同研发体系，彻底克服了现有独立岸端数据存储系统、单一功能数据处理工具和分散式数据共享平台在处理绿色智能船舶岸端协同研发时的局限性，实现全流程高运转低阻碍的协同开发模式。具体包括以下几个方面：

31、1）打破多源数据壁垒：本发明通过mqtt协议实时接收船端测点数据并获取岸端补充数据，将多源数据汇聚为多源异构原始数据集，实现了船端与岸端数据的统一汇聚，为后续标准化治理和协同仿真提供了完整的数据基础，解决了传统方案中数据分散、难以整合的问题。

32、2）构建标准化数据治理体系：本发明按照船舶数据通用国际标准制定统一数据通道id编码规则，对多源异构原始数据集进行统一命名与格式规范处理，并通过构建“船舶+设备”双维度数据质量监测体系对数据进行质量监控和清洗加工，这一标准化治理体系确保了数据的一致性、完整性和可用性，量化了数据的完整度与可信度，且通过动态调整数据清洗与加工的优先级，确保了输入数据的高质量，为后续高精度仿真提供了可靠的数据支撑。

33、3）实现知识驱动的协同仿真：本发明构建了模型算法文件管理体系，为每个模型算法文件分配唯一的文件标识符，实现了模型资产的版本控制、权限管理和全生命周期追溯。同时构建船舶知识图谱，通过故障树分析将故障现象、故障原因及处置措施结构化存储。此外，在仿真过程中调用知识图谱对异常结果进行归因推理，实现了仿真与知识的深度融合，提升了协同仿真的智能化水平。不同于传统的单一功能工具或黑盒模型，本发明创新性地利用知识图谱中的因果关系进行异常归因推理，当仿真出现异常（如主机性能下降）时，系统能自动关联“燃油滤器堵塞”、“喷油嘴磨损”等潜在原因并给出置信度，实现了从“现象描述”到“根因定位”的技术跨越，大幅降低了对专家经验的依赖。

34、4）形成智能应用与迭代闭环：本发明基于标准化数据和仿真结果数据开发多类智能应用，并将应用运行产生的反馈数据反向回流至集团云paas服务的资源池，用于修正模型参数、触发增量学习、更新监测规则或优化编码规则。这一迭代闭环机制使得本研发方案具备了持续学习和自我进化的能力，能够适配不同船型、不同海况下的船舶研发场景需求，显著提升了预测的准确性和时效性，大幅缩短了技术迭代周期，提升了协同研发效率。

35、综上所述，本发明将上述多源数据汇聚接入、标准化数据质量治理、知识驱动协同仿真、智能应用开发和迭代优化闭环五种机制有机整合，形成了完整的协同研发技术体系。这种多机制协同架构不仅显著提升了绿色智能船舶研发的协同效率和数据质量，还具备良好的自适应能力，能够适配氨燃料船舶、智能能效系统等新型研发需求，推动船舶工业高端化、智能化、绿色化转型。

36、进一步地，本发明采用restful api与mqtt双传输模式能够实现标准化数据、仿真结果的双向共享交互，兼顾批量结构化数据调取与实时流式数据推送两类业务场景，适配船舶协同研发过程中不同类型的数据交互需求。在restful api传输链路中引入token身份认证、基于角色的权限管理及调用监控机制，能够精准约束不同研发主体的数据访问范围，仅授权用户可查看指定船舶、指定模型对应的业务数据与仿真报告，有效规避数据越权访问、随意泄露的安全风险；mqtt链路通过规范topic命名规则、访问授权策略、服务质量适用原则以及数据包大小限制，既保障海量测点数据流、仿真预警信息的低时延稳定推送，也可安全接收外部下发的仿真调度指令，实现上下游业务双向可控交互。通过统一配置认证、数据共享、时序传输、消息推送多类标准化接口，可快速对接多方研发业务系统，降低跨主体系统集成对接的开发成本；搭配aes加密传输与防火墙隔离的双重防护手段，从传输链路、网络边界层面构建安全防护体系，全方位保障船岸多源研发数据在双向共享交互过程中的传输安全，解决了传统船舶研发数据共享方式单一、权限管控缺失、交互安全性弱、多方系统对接繁琐的技术弊端，在实现高效协同数据交互的同时筑牢数据安全防护屏障。

37、本发明还涉及一种基于集团云paas服务的智能船舶岸端协同研发系统，该系统与上述的基于集团云paas服务的智能船舶岸端协同研发方法相对应，可理解为是一种实现上述基于集团云paas服务的智能船舶岸端协同研发方法的系统，包括依次连接的数据接入汇聚模块、多源数据标准化与质量治理模块、协同仿真与知识驱动模块以及岸端智能应用开发与迭代闭环模块，各模块相互协同工作，通过对船端测点数据和岸端补充数据进行汇聚，解决了多源数据壁垒问题。通过标准化治理和数据质量监测，解决了数据标准化程度低和质量不可控问题。通过模型算法文件管理和知识图谱构建，实现了模型资产管理和知识驱动的协同仿真。通过智能应用开发和反馈数据反向输入，形成了迭代优化闭环。各模块相互衔接、层层递进，构建了从数据接入到迭代优化的全链路协同研发体系。