青岛儒海船舶股份有限公司、长沙理工大学 | 大模型赋能的船舶智能运维方法

在全球航运业蓬勃发展的当下，船舶数量持续攀升，航线日益复杂，传统船舶运维模式弊端尽显。其高度依赖人工经验，导致运维效率低下，故障排查耗时费力；故障响应迟缓，往往错失最佳维修时机，造成严重损失；高昂的人力成本、备件库存成本及非计划停机成本，极大压缩了航运企业利润空间。据行业数据显示，超70%的航运企业因传统运维问题，年均运维成本涨幅超15%。

在此背景下，本项目聚焦前沿科技，全力构建船舶智能运维方法。本项目提出一种多模态大模型赋能的船舶智能运维方案。通过创新性地融合船舶传感器时序数据、维修记录文本、专家知识等多源异构信息，构建船舶设备健康状态全方位感知能力。系统采用深度学习方法实现设备故障的早期精准预测与诊断，并结合强化学习与运筹学优化理论，动态生成最优维护策略。最终形成覆盖"数据采集-智能分析-决策执行"全流程的船舶智能运维解决方案，实现从"被动维修"到"主动预测"、从"经验驱动"到"数据驱动"的运维模式变革，显著提升船舶运行安全性，降低运维成本，为我国航运业智能化升级提供关键技术支撑。

1、设计理念

以解决传统船舶运维痛点为核心，为核心设计理念。通过多模态数据深度融合，构建船舶全生命周期健康画像，打破传统运维“经验依赖”困境；依托先进智能算法，实现故障精准预测与运维策略动态优化，让决策从“被动响应”转向“主动预防”；通过系统分层架构设计与实船场景验证，打造适配船舶复杂作业环境、覆盖“数据采集-智能分析-决策执行”全流程的智能运维体系，推动船舶运维从经验驱动向数据智能驱动转型。

2、核心技术路线

项目总体技术路线如下图1所示，具体方案如下：

图1 项目总体技术路径

（1）通过多模态数据采集（涵盖公司采集、政府共享、产业链交换以及社会化采购的船舶运行、设备状态、环境等数据），运用数据清洗、标准化、质量管控流程，结合基于注意力机制的特征融合策略（如文本特征BERT提取、时序特征LSTM提取及专家知识图谱补充），构建高质量船舶多模态健康数据集，为智能运维提供数据基础。

（2）基于多模态数据集，搭建融合ViT（视觉Transformer）、BERT（双向编码器表示）的多模态大模型基础结构，分别构建健康状态评估（实时数据输入输出健康分数）、故障诊断与分类（实时/历史数据输入输出故障类型）、剩余寿命预测（实时/历史数据输入输出剩余寿命与故障类型）模型；引入编码语言模型MLM、对比学习构建正负样本对、参数微调等技术优化模型，结合运维学、强化学习等理论，实现预测性维护策略生成与故障根因分析。

3、模型和工具

（1）数据处理工具：Python数据科学库（Pandas、NumPy）实现数据清洗与特征工程；Docker容器化技术保障多环境数据处理一致性。

（2）模型训练工具：依托TensorFlow、PyTorch深度学习框架，搭建分布式训练平台，加速模型迭代；运用MLflow进行模型版本管理与实验追踪。

（3）系统交互工具：采用Tableau、ECharts构建可视化看板，实时呈现设备健康状态、故障预警等信息；开发移动端APP（Flutter跨平台框架），支持运维人员“随时随地查数据、收预警”。

4、系统架构

（1）感知层

在船舶动力舱、甲板设备、导航系统等关键位置，部署振动、温度、压力、油耗等多类型传感器，搭配船载边缘采集终端，实时捕捉设备运行数据；通过5G/卫星通信链路，构建“船端-云端”数据通道，保障数据“实时上传、低延迟传输”。

（2）开展多源异构数据采集与处理，通过数据清洗、标准化、质量管理流程，结合多模态特征融合策略（注意力机制、多特征提取融合），构建船舶多模态健康数据集，为模型训练与分析提供高质量数据。

（3）搭建船舶运维大模型，包含健康状态评估、故障诊断与分类、剩余寿命预测等子模型，基于ViT、BERT等技术构建多模态基础结构，通过编码语言模型、对比学习等优化模型性能，实现设备状态智能分析与预测。

（4）建立智能运维平台，输出预测性维护策略（生成最优维修计划）、运维策略优化（融合免疫算法、运算法则等）、知识驱动决策（故障根因分析与方案推荐），为船舶运维全流程提供智能决策支持。