1.本说明书涉及船舶设备检查领域，特别涉及一种船舶设备检查管理的方法和系统。
背景技术：2.船舶设备作为船舶上重要的部件，通常根据用途的不同分别安装在不同的位置，并分别由船上相关的不同部门进行管理、维护和使用。船舶设备的运行状态对船舶航行、停泊、装载、运输等需求都起着重大影响。
3.因此，需提供一种船舶设备检查管理的方法和系统，以提高船舶设备的检查管理效率，保证船舶的安全营运。
技术实现要素：4.本说明书实施例之一提供一种船舶设备检查管理的方法。所述方法包括：获取船舶在历史时间段对船舶设备进行检查的历史检查数据、第一天气数据以及历史航行数据；获取所述船舶在目标时间段的航行计划以及第二天气数据；基于风险预测模型对所述历史检查数据、所述第一天气数据、所述历史航行数据、所述航行计划以及所述第二天气数据进行处理，确定所述船舶设备在所述目标时间段的异常风险信息；基于所述异常风险信息，确定在所述目标时间段内对所述船舶设备进行检查的目标检查计划。
5.本说明书实施例之一提供一种船舶设备检查管理的系统，所述系统包括：第一获取模块，用于获取船舶在历史时间段对船舶设备进行检查的历史检查数据、第一天气数据以及历史航行数据；第二获取模块，用于获取所述船舶在目标时间段的航行计划以及第二天气数据；第一确定模块，用于基于风险预测模型对所述历史检查数据、所述第一天气数据、所述历史航行数据、所述航行计划以及所述第二天气数据进行处理，确定所述船舶设备在所述目标时间段的异常风险信息；第二确定模块，用于基于所述异常风险信息，确定在所述目标时间段内对所述船舶设备进行检查的目标检查计划。
6.本说明书实施例之一提供一种船舶设备检查管理的装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述实施例中任一项所述的船舶设备检查管理方法。
7.本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述实施例中任一项所述的船舶设备检查管理的方法。
附图说明
8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其
中：
9.图1是根据本说明书一些实施例所示的船舶设备检查管理系统的应用场景示意图；
10.图2是根据本说明书一些实施例所示的船舶设备检查管理系统的示例性模块图；
11.图3是根据本说明书一些实施例所示的船舶设备检查管理的方法的示例性流程图；
12.图4是根据本说明书一些实施例所示的确定目标检查计划的示例性流程图；
13.图5是根据本说明书一些实施例所示的风险预测模型的示意图；
14.图6是根据本说明书一些实施例所示的判断是否需要对船舶设备进行维修的示例性流程图；
15.图7是根据本说明书一些实施例所示的又一风险预测模型的示意图。
具体实施方式
16.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
17.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
18.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
19.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
20.图1是根据本说明书一些实施例所示的船舶设备检查管理系统的应用场景示意图。
21.在一些实施例中，船舶设备检查与管理系统的应用场景100可以包括处理器110、网络120、存储设备130、终端140以及船舶150。
22.应用场景100可以通过实施本说明书中披露的方法和/或过程确定在目标时间段内对船舶设备进行检查的目标检查计划，从而实现对船舶设备的检查管理，保证船舶正常且安全营运。
23.处理器110可以用于处理来自应用场景100的至少一个组件或外部数据源(如，云数据中心)的数据和/或信息。处理器110可以经由网络120连接到存储设备130、终端140、和/或船舶设备151以访问和/或接收数据和信息。例如，处理器110可以经由网络120接收船
舶设备151的相关信息(例如，船舶的历史航行数据、天气数据、航行计划以及历史检查数据等)。在一些实施例中，处理器110可以是单个处理器，也可以是处理器组。该服务器组可以是集中式或分布式的(例如，处理器110可以是分布式系统)，可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中，处理器110可以本地连接到网络120或者与网络120远程连接。在一些实施例中，处理器110可以在云平台上实施。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
24.网络120可以促进信息和/或数据的交换。在一些实施例中，应用场景100中的一个或以上组件(如，存储设备130、终端设备140、船舶设备151)可以经由网络120将信息和/或数据发送到应用场景100中的另一个组件。网络120可以包括局域网(lan)、广域网(wan)、有线网络、无线网络等或其任意组合。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换点，通过这些网络接入点，应用场景100的一个或多个组件可连接到网络120以交换数据和/或信息。
25.存储设备130可以用于储存数据和/或指令。数据可以包括用户、终端140、船舶设备151等有关的数据。在一些实施例中，存储设备130可以储存处理器110用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。例如，存储设备130可以存储船舶的历史航行数据的相关信息。又例如，存储设备130可以存储一个或多个机器学习模型。在一些实施例中，存储设备130可以是处理器110的一部分。在一些实施例中，存储设备130可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(rom)等或其任意组合。在一些实施例中，存储设备130可在云平台上实现。在一些实施例中，存储设备130可以连接到网络120以与应用场景100的一个或以上组件(例如，处理器110、船舶设备151)通信。
26.终端140可以指用户所使用的一个或多个终端设备或软件。在一些实施例中，用户(如，船长、副船长、综合管理人员、技术专家等)可以是终端140的所有者。在一些实施例中，终端140可以包括移动设备等。在一些实施例中，终端140可以包括信号发送器和信号接收器，被配置为与船舶设备151通信以获取船舶设备检查管理的相关信息。在一些实施例中，终端140可以是固定的和/或移动的。例如，终端140可以直接安装在处理器110和/船舶设备151上，成为处理器110和/或船舶设备151的一部分。再例如，终端140可以是可移动的设备，用户可以携带终端140位于相对于处理器110及船舶设备151的距离较远的位置，终端140可以通过网络120与处理器110连接和/或通信。终端140还可以经由网络120从处理器110接收信息。例如，终端140可以从处理器110接收与船舶设备151有关的相关信息。所确定的一个或以上相关信息可以显示在终端140上。又例如，处理器110可以将基于船舶检查管理的相关信息确定的结果(例如，对船舶设备进行检查的目标检查计划等)发送到终端140。
27.船舶150指能航行或停泊于水域进行运输或作业的交通工具。船舶150上可以包括至少一个船舶设备151。船舶设备151可以指船舶上的设备。船舶设备151可以为船舶提供动力。例如，船舶设备151可以包括但不限于船舶主机、轴系、推进器、传动装置以及发电机组等。
28.图2是根据本说明书一些实施例所示的船舶设备检查管理系统的示例性模块图。
29.在一些实施例中，船舶设备检查管理系统200可以包括第一获取模块210、第二获取模块220、第一确定模块230以及第二确定模块240。
30.第一获取模块210可以用于获取船舶在历史时间段对船舶设备进行检查的历史检查数据、第一天气数据以及历史航行数据。关于历史时间段、船舶设备、历史检查数据、第一天气数据以及历史航行数据的更多内容参见图3及其相关描述，此处不再赘述。
31.第二获取模块220可以用于获取船舶在目标时间段的航行计划以及第二天气数据。关于目标时间段、航行计划以及第二天气数据的更多内容参见图3及其相关描述，此处不再赘述。
32.第一确定模块230可以用于基于风险预测模型对历史检查数据、第一天气数据、历史航行数据、航行计划以及第二天气数据进行处理，确定船舶设备在目标时间段的异常风险信息。关于风险预测模型的更多内容参见图3及其相关描述，此处不再赘述。在一些实施例中，风险预测模型可以包括依次连接的声音嵌入层与异常判断层，第一确定模块230进一步用于：获取船舶设备在历史时间段内的音频数据；基于声音嵌入层对音频数据进行处理，确定船舶设备的音频特征；基于异常判断层对音频数据、历史检查数据、第一天气数据、历史航行数据、航行计划以及第二天气数据进行处理，确定船舶设备在目标时间段的异常风险信息。关于声音嵌入层、异常判断层以及音频数据的更多内容参见图5及其相关描述，此处不再赘述。在一些实施例中，第一天气数据包括第一风浪数据，检查模块风险预测模型包括第一多层感知器、第二多层感知器、向量融合层、性能预测层以及异常判断层，其中，性能预测层为长短期记忆模型；第一确定模块进一步用于：通过第一多层感知器对历史检查数据进行处理，确定船舶设备的第一状态向量；通过第二多层感知器对历史检查数据和第一风浪数据进行处理，确定船舶设备的修正向量；通过向量融合层对第一状态向量和修正向量进行处理，确定船舶设备的第二状态向量；针对目标时间段中每一个目标子时间点，通过性能预测层中的一个输入门对第二状态向量中该目标子时间点的元素和航行向量中该目标子时间点的元素进行处理，确定船舶设备在该目标子时间点的预测性能参数，其中，每一个目标子时间点的航行向量基于第二天气数据以及航行计划确定；通过异常确定层对预测性能参数进行处理，确定船舶设备在目标时间段的异常风险信息。关于第一多层感知器、第二多层感知器、向量融合层、性能预测层以及异常判断层的更多内容参见图7及其相关描述，此处不再赘述。
33.第二确定模块240可以用于基于异常风险信息，确定在目标时间段内对船舶设备进行检查的目标检查计划。关于目标检查计划的更多内容参见图3及其相关描述，此处不再赘述。
34.在一些实施例中，船舶设备检查管理系统200还可以包括第三确定模块250、自动检查模块260以及第四确定模块270。
35.第三确定模块250可以用于基于船舶设备的异常风险信息，确定船舶的船舶风险情况。
36.自动检查模块260可以用于当船舶风险情况满足预设条件时，通过检查装置对船舶设备进行检查以获取船舶设备的自动检查数据。关于自动检查数据的更多内容参见图6及其相关描述，此处不再赘述。
37.第四确定模块270可以用于基于自动检查数据，确定是否需要对船舶设备进行维修。
38.需要注意的是，以上对于船舶设备检查管理系统的应用场景的描述，仅为描述方
便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个组成部分进行任意组合，或者构成子组成部分与其他组成部分连接。在一些实施例中，图1中披露的处理器和存储设备可以是一个组成部分中的不同单元，也可以是一个部分实现上述的两个或两个以上部分的功能。例如，各个组成部分可以共用一个存储单元，各组成部分也可以分别具有各自的存储单元。诸如此类的变形，均在本说明书的保护范围之内。
39.图3是根据本说明书一些实施例所示的船舶设备检查管理的方法的示例性流程图。在一些实施例中，流程300可以由处理器110执行。如图3所示，流程300包括下述步骤：
40.步骤310，获取船舶在历史时间段对船舶设备进行检查的历史检查数据、第一天气数据以及历史航行数据。在一些实施例中，步骤310可以由第一获取模块210执行。
41.船舶设备可以指船舶上与动力相关的设备。例如，船舶上的动力与操控设备。示例性的，船舶设备可以包括主动力装置(例如主机、推进器等)、辅动力装置(例如发电机组、副锅炉等)、其他辅机设备(例如自动化设备等)等。船舶设备的运行状况会受船舶运行流程、风浪变化的影响。在一些实施例中，船舶设备的数量可以是一个，也可以是多个。
42.历史时间段可以指当前时间点之前的历史的某一段时间。例如过去一周的时间段，或过去10天至过去5天的时间段。历史时间段可以包括多个历史子时间点。例如，历史时间段可以是过去5天，该历史时间段可以包括5个历史子时间点，历史子时间点之间的长度为一天。
43.历史检查数据可以指在历史时间段对的船舶设备进行检查获得的检查数据。对船舶设备进行检查的项目可以包括多种。例如，检查的项目可以包括但不限于船舶设备的是否可以正常运行、检查船舶设备的外观是否存在损坏、检查船舶设备的抗冲击性能等。历史检查数据可以表征为历史检查数据序列，序列中的每一元素对应历史子时间点船舶设备的历史检查数据。在一些实施例中，船舶设备的历史检查数据可以通过人工对船舶设备进行检查获取。在一些实施例中，还可以通过其他方式获取历史检查数据，例如，还可以通过自动检查模块对船舶设备进行检查获取。当某一历史子时间点未对船舶设备进行检查时，该历史子时间点可以沿用上一历史子时间点船舶的历史检查数据。
44.历史航行数据可以指历史时间段的船舶的航行数据。示例性地，历史航行数据可以包括历史时间段内船舶的位置坐标、航行速度、航行方向等数据。在一些实施例中，第一获取模块210可以获取存储设备中的历史航行数据。历史航行数据可以表征为历史航行数据序列，序列中的每一元素对应历史子时间点的航行数据。
45.第一天气数据可以包括历史时间段内船舶所在位置的附近海域的天气数据。第一天气数据可以但不限于包括历史时间段内船舶所在位置的降雨数据、温度数据、风浪数据等。可以通过多种方式获取第一天气数据，例如，通过网络获取。第一天气数据可以表征为第一天气数据序列，序列中的每一元素对应历史子时间点的天气数据。
46.步骤320，获取船舶在目标时间段的航行计划以及第二天气数据。在一些实施例中，步骤320可以由第二获取模块220执行。
47.目标时间段可以是指当前时间点之后的未来的某一段时间。例如，目标时间段可以是未来一周。与历史时间段类似，目标时间段也可以包括多个目标子时间点。
48.航行计划是指目标时间段的船舶的航行的计划。航行计划可以包括目标时间段内
船舶的预计位置坐标、预计航行速度、预计航行方向等数据。在一些实施例中，航行计划可以为预先设定的。航行计划可以表征为航行计划序列，序列中的每一元素对应目标子时间点的航行计划的相关内容。
49.第二天气数据可以包括目标时间段内船舶的预计位置坐标的天气数据。与第一天气数据类似，第二天气数据有人可以但不限于包括目标时间段内船舶的预计位置坐标的降雨数据、温度数据、风浪数据等。可以基于航行计划确定船舶在目标时间段内不同目标子时间点对应的预计位置坐标，通过多种方式获取该坐标的第二天气数据，例如，通过网络获取。第二天气数据可以表征为第二天气数据序列，序列中的每一元素对应目标子时间点船舶的预计位置坐标的天气数据。
50.步骤330，基于风险预测模型对历史检查数据、第一天气数据、历史航行数据、航行计划以及第二天气数据进行处理，确定船舶设备在目标时间段的异常风险信息。在一些实施例中，步骤330可以由第一确定模块230执行。
51.异常风险信息可以指船舶设备在目标时间段的存在异常的风险。如，零件损坏的风险，船舶设备不能正常运行的风险。异常风险信息可以表征为异常风险等级。示例性的，异常风险等级可以包括1级～5级等，异常风险等级越高表征该船舶设备出现的异常越严重。在一些实施例中，船舶设备在目标时间段的异常风险信息可以为异常风险等级序列，序列中的每一个元素为船舶在对应目标子时间点的异常风险等级。例如，某一船舶设备在目标时间段的异常风险信息可以为(1，3，3，4)，表示该船舶设备在目标时间段内第一个目标子时间点至第四个目标子时间点的异常风险等级分别为1级、3级、3级、4级。
52.在一些实施例中，风险预测模型对输入的历史检查数据、第一天气数据、历史航行数据、航行计划以及第二天气数据进行处理，输出为船舶设备在目标时间段的异常风险信息。在一些实施例中，风险预测模型可以包括但不限于支持向量机模型、决策树模型和神经网络模型等。
53.风险预测模型可以通过训练获取。训练样本可以为第一样本时间段船舶设备的历史检查数据、第一天气数据、历史航行数据以及第二样本时间段的航行计划以及第二天气数据，训练样本的标签可以为第二样本时间段的船舶设备的异常风险信息，其中，第一样本时间段早于第二样本时间段。将带有标签的训练样本输入初始风险预测模型，通过训练更新初始风险预测模型的参数，当训练的模型满足预设条件时，训练结束，获取训练好的风险预测模型。
54.在一些实施例中，风险预测模型还可以包括第一多层感知器、第二多层感知器、向量融合层、性能预测层以及异常判断层。关于上述实施例中风险预测模型的更多内容可以参照图7及其相关说明，在此不再赘述。
55.在一些实施例中，风险预测模型还可以对音频数据、历史检查数据、第一天气数据、历史航行数据、航行计划以及第二天气数据进行处理，确定船舶设备在目标时间段的异常风险信息。关于上述实施例的更多内容参见图5及其相关内容，此处不再赘述。
56.步骤340，基于异常风险信息，确定在目标时间段内对船舶设备进行检查的目标检查计划。在一些实施例中，步骤340可以由第二确定模块240执行。
57.目标检查计划可以包括目标时间段内的对船舶设备进行的检查的计划。目标检查计划可以包括但不限于目标时间段内不同目标子时间点的检查项目、检查时间、检查人员
等。
58.在一些实施例中，可以基于异常风险信息，确定在目标时间段内对船舶设备进行检查的目标检查计划。可以根据多个目标子时间段的异常风险信息中的异常风险等级，异常风险等级更高的应该先被检查，从而可以确定船舶设备的检查顺序、检查时间；再根据预先设置的船舶设备与检查人员的对应关系，确定对应船舶设备的检查人员。
59.示例性地，目标时间段为未来2天，船舶设备a与船舶设备b在的异常风险信息分别为(1，2)、(3，4)，根据预设的船舶设备与检查人员的对应关系，船员a对船舶设备a进行检查、船员b对船舶设备b进行检查，由此，目标检查计划可以包括在未来两天中的第一天由船员a对船舶设备a进行检查，第二天由船员b对船舶设备b进行检查等。
60.在一些实施例中，还可以基于异常风险信息以及船舶设备的优先级，确定目标检查计划。关于上述实施例的更多内容参见图4及其相关描述，此处不再赘述。在一些实施例中，还可以基于异常风险信息、异常风险信息的置信度以及船舶设备的优先级，确定目标检查计划。关于上述实施例的更多内容参见图4及其相关描述，此处不再赘述。
61.本说明书的一些实施例可以通过船舶在历史时间段对船舶设备进行检查的历史检查数据、第一天气数据、历史航行数据以及船舶在目标时间段的航行计划、第二天气数据，通过机器学习模型对船舶设备在目标时间段的异常风险信息进行预测，从而确定船舶设备在目标时间段的目标检查计划，提升了船舶的安全性，提升了船舶设备的检查效率，降低了检查资源的浪费。同时，基于机器学习模型进行预测可以降低人工成本，提高预测效率。
62.图4是根据本说明书一些实施例所示的确定目标检查计划的示例性流程图。在一些实施例中，流程400可以由第二确定模块240执行。如图4所示，流程400可以包括下述步骤：
63.步骤410，获取船舶设备的优先级。
64.优先级可以表征船舶设备的重要程度。船舶设备的优先级可以包括“1级～5级”，优先级越高，表征该船舶设备在船舶中越重要。优先级可以通过预先设定确定。例如，当船舶设备为主机时，可以通过预先设定确定该主机的优先级为5级。
65.步骤420，基于异常风险信息以及优先级，确定目标检查计划。
66.在一些实施例中，异常风险信息可以包括异常风险等级。关于异常风险信息以及异常风险等级的更多内容参见图3及其相关描述，此处不再赘述。在一些实施例中，可以对船舶设备在目标时间段的异常风险等级和优先级进行处理，确定目标检查计划。可以基于各个船舶设备在目标时间段的异常风险等级和优先级，确定船舶设备在目标时间段的评分，评分越高，表征该船舶设备需要优先进行处理。例如，优先级为5级的某一船舶设备在目标时间段内的异常风险等级序列为(1，2，3，4)，优先级与异常风险等级的级别可以对应分数，对优先级与异常风险等级进行求和，则可以确定该船舶设备在目标时间段的评分序列为(6，7，8，9)。
67.在一些实施例中，异常风险信息还可以包括异常风险等级的置信度。关于异常风险等级的置信度的更多内容参见图7及其相关描述，此处不再赘述。当异常风险信息还可以包括异常风险等级的置信度时，可以基于各个船舶设备在目标时间段的异常风险等级、异常风险等级的置信度和优先级，确定船舶设备在目标时间段的评分。例如，优先级为5级的
某一船舶设备在目标时间段内的异常风险等级序列为(2，3，4，4)，该船舶设备的异常风险等级的置信度的序列为(0.7，0.8，0.8，0.7)，表征该船舶设备在目标时间段内第一个目标子时间点异常风险等级为2的置信度为0.7、第二个目标子时间点异常风险等级为3的置信度为0.8、第三个目标子时间点异常风险等级为4的置信度为0.8、第四个目标子时间点异常风险等级为4的置信度为0.7，从而可以确定该船舶设备在目标时间段的评分序列为(6.4，7.4，8.2，7.8)。
68.在一些实施例中，可以基于船舶中各个船舶设备对应的评分以及预设检查规则，确定目标检查计划。其中，预设检查规则可以指预先设定的船舶设备的检查规则。例如，预设检查规则可以为目标时间段中每个目标子时间点最多可以对两个船舶设备进行检查。再例如，预设检查规则还可以为当船舶设备的评分小于6时，不对该船舶设备进行检查。
69.示例性地，优先级为5级的船舶设备a在目标时间段内的异常风险等级序列为(1，2，3，4)，优先级与异常风险等级的级别可以对应分数，对优先级与异常风险等级进行求和，则可以确定该船舶设备a在目标时间段的评分序列为(6，7，8，9)；优先级为3级的船舶设备b在目标时间段内的异常风险等级序列为(1，1，2，2)，相应的，则该船舶设备b在目标时间段的评分序列为(4，4，5，5)；可以对船舶设备在目标时间段内各个目标子时间点的评分进行比较，若预设检查规则为每个目标子时间点仅能对一个船舶设备进行检查，确定目标检查计划为目标时间段的第一个目标子时间点对船舶设备a检查，第二个目标子时间点对船舶设备b检查。
70.在一些实施例中，预设检查规则还可以包括对该船舶设备进行检查的检查船员。例如，预设检查规则还可以包括船员a对船舶设备a进行检查，船员b对船舶设备b进行检查。如上示例，该目标检查计划还可以为船员a在目标时间段的第一个目标子时间点对船舶设备a检查，船员b在目标时间段的第二个目标子时间点对船舶设备b检查。
71.本说明书的一些实施例可以通过船舶设备的异常风险信息以及优先级，确定目标检查计划。通过引入优先级的概念，筛选出船舶中较为重要的船舶设备，可以优先对该部分船舶设备进行处理，保证船舶的正常运行。
72.图5是根据本说明书一些实施例所示的风险预测模型的示意图。
73.如图5所示，风险预测模型520可以包括依次连接的声音嵌入层520-1与异常判断层520-2。可以基于声音嵌入层520-1对输入的音频数据510进行处理，输出为音频特征521；再基于异常判断层520-2对输入的音频特征521、历史检查数据530、第一天气数据540、历史航行数据550、航行计划560以及第二天气数据570进行处理，输出为异常风险信息580。
74.音频数据可以指船舶设备的在历史时间段内的音频的数据。在一些实施例中，可以获取船舶设备在历史时间段内的音频数据。可以通过声音采集设备(例如麦克风等)对历史时间段内船舶设备在启动、正常工作、超负荷工作以及停止运转等时间的音频数据进行采集以获取音频数据。在一些实施例中，音频数据可以是单独的音频文件或影音文件中的音频数据。
75.可以理解的是，当船舶设备存在异常情况时，其运行的声音可能会发生变化。因此，本说明书的一些实施例可以通过结合船舶设备的音频信息进行处理，以判断该船舶设备是否存在异常，提高判断的准确度。
76.在一些实施例中，可以基于声音嵌入层对音频数据进行处理，确定船舶设备的音
频特征。在一些实施例中，声音嵌入层可以为高斯混合模型。
77.音频特征可以指船舶设备的音频数据的特征。音频特征可以包括但不限于音频数据中的能量特征、时域特征、频域特征、乐理特征以及感知特征等。
78.在一些实施例中，声音嵌入层可以通过单独训练得到：训练样本可以包括船舶设备的历史音频数据，标签可以包括该历史音频数据对应的历史音频特征，其中，历史音频特征可以通过人工对历史音频数据进行标注获取。将带有标签的训练样本输入初始声音嵌入层，通过训练更新初始声音嵌入层的参数，当训练的模型满足预设条件时，训练结束，获取训练好的声音嵌入层。
79.在一些实施例中，可以基于异常判断层对音频特征、历史检查数据、第一天气数据、历史航行数据、航行计划以及第二天气数据进行处理，确定船舶设备在目标时间段的异常风险信息。在一些实施例中，异常判断层可以为深度神经网络模型。异常判断层的输入可以包括历史检查数据、历史航行数据、第一天气数据、第二天气数据、航行计划以及声音嵌入层输出的音频特征，异常判断层的输出可以为船舶设备的目标时间段的异常风险信息序列。
80.在一些实施例中，异常判断层可以通过单独训练得到：训练样本可以包括船舶设备在第三样本时间段的音频特征、历史检查数据、第一天气数据、历史航行数据以及第四样本时间段的航行计划以及第二天气数据，标签可以包括第四样本时间段的异常风险信息。其中，音频特征可以通过对第三样本时间段的音频数据进行人工标注获取，第四样本时间段晚于第三样本时间段。将带有标签的训练样本输入初始异常判断层，通过训练更新初始异常判断层的参数，当训练的模型满足预设条件时，训练结束，获取训练好的异常判断层。
81.在一些实施例中，可以对声音嵌入层以及异常判断层进行联合训练，以获得训练好的风险预测模型。风险预测模型的训练样本可以包括船舶设备在第五样本时间段的音频数据、历史检查数据、第一天气数据、历史航行数据以及第六样本时间段的航行计划以及第二天气数据，训练样本的标签可以为第六样本时间段的船舶设备的异常风险信息。将训练样本中的音频数据输入初始风险预测模型中的初始声音嵌入层，将初始声音嵌入层的输出以及其余的训练样本输入初始风险预测模型中的初始异常判断层，并基于初始异常判断层的输出和标签构建损失函数，并基于损失函数同时迭代更新初始声音嵌入层以及初始异常判断层的参数，直到预设条件被满足训练完成的，得到训练好的风险预测模型。
82.通过上述训练方式获得风险预测模型中各层的参数，在一些情况下有利于解决单独训练声音嵌入层时难以获得标签、单独训练异常判断层时难以获得训练样本中的音频特征的问题。
83.本说明书的一些实施例通过结合船舶设备的音频数据进行处理，可以判断出船舶设备的异常风险信息，进一步提高判断的准确度。本说明书的一些实施例可以通过船舶在历史时间段对船舶设备进行检查的历史检查数据、第一天气数据、历史航行数据、音频数据以及船舶在目标时间段的航行计划、第二天气数据，通过机器学习模型对船舶设备在目标时间段的异常风险信息进行预测，从而掌握船舶设备在目标时间段可能出现的风险情况，提升了船舶的安全性能。同时，基于机器学习模型进行预测可以降低人工成本，提高预测效率。
84.图6是根据本说明书一些实施例所示的判断是否需要对船舶设备进行维修的示例
性流程图。在一些实施例中，流程600可以由处理器110执行。如图6所示，流程600包括下述步骤：
85.步骤610，基于船舶设备的异常风险信息，确定船舶的船舶风险情况。在一些实施例中，步骤610可以由第三确定模块250执行。
86.船舶风险情况可以是指船舶整体运行的风险情况。当船舶中的多个船舶设备都出现异常时，可能对船舶的运行带来危险。船舶风险情况可以表征为船舶异常等级。船舶异常等级可以表示船舶存在异常对其正常运行的影响的级别。例如，船舶异常等级可以为1级～3级，船舶异常等级越大表示船舶存在异常对其正常运行的影响越大。
87.在一些实施例中，可以基于船舶设备的异常风险信息，确定船舶的船舶风险情况。针对于目标时间段内的每一个目标子时间点，可以基于船舶上的船舶设备的异常风险信息进行评分，再对所有船舶设备的评分进行求和，确定船舶存在异常的总评分。关于基于船舶上的船舶设备的异常风险信息进行评分的更多内容参见图3、图4及其相关描述，此处不再赘述。在一些实施例中，船舶存在异常的总评分还可以与第二天气数据相关。当目标时间段内的第二天气数据满足预设天气条件时，可以基于预设天气调整系数对船舶存在异常的总评分进行处理，得到调整后的船舶存在异常的总评分。例如，预设天气条件可以为风浪等级大于5级，预设天气调整系数为1.2，基于船舶上的船舶设备的异常风险信息确定的船舶存在异常的总评分为100分，当目标时间段内的第二天气数据包括风浪等级为6级时，可以基于预设天气调整系数对船舶存在异常的总评分进行处理，得到调整后的船舶存在异常的总评分为120分。
88.在一些实施例中，可以根据预设的船舶存在异常的总评分与船舶异常等级对应表格，进一步确定船舶异常等级。例如，当船舶存在异常的总评分低于100分时，船舶异常等级为1级；当船舶存在异常的总评分不低于100分且不高于150分时，船舶异常等级为2级；当船舶存在异常的总评分高于150分时，船舶异常等级为3级。
89.步骤620，当船舶风险情况满足预设条件时，通过检查装置对船舶设备进行检查以获取船舶设备的自动检查数据。在一些实施例中，步骤620可以由自动检查模块260执行。
90.预设条件是指预先设置的对船舶进行自动检查需满足的条件。例如，预设条件可以为船舶风险情况大于1级。
91.在一些实施例中，当船舶的风险情况满足预设条件时，可以通过检查设备可以对船舶设备进行检查。在一些实施例中，可以基于船舶设备的评分确定船舶中需要检查的船舶设备。例如，可以对评分超过7的船舶设备进行检查。
92.检查设备可以为自动对船舶设备进行检查的设备。检查设备可以由处理器自动控制的，也可以是由船舶上的工作人员通过终端远程控制。在一些实施例中，检查设备可以包括但不限于图像采集设备、音频采集设备、内部结构探测设备等。
93.自动检查数据可以指通过检查设备对船舶设备进行检查后获得的数据。自动检查数据的类型与检查设备的类型相对应。例如，当检查设备包括图像采集设备(例如照相机、摄像头等)时，自动检查数据可以包括船舶设备的外部轮廓图等图像数据；当检查设备包括音频采集设备(例如麦克风、录音机等)时，自动检查数据可以包括船舶设备的音频数据；当检查设备包括内部结构探测设备(例如超声波探测器等)时，自动检测数据可以包括船舶设备的内部结构数据(如，船舶设备内部各零部件的结构示意图、各零部件之间的连接示意
图)。
94.步骤630，基于自动检查数据，确定是否需要对船舶设备进行维修。在一些实施例中，步骤630可以由第四确定模块270执行。
95.在一些实施例中，第四确定模块270可以基于自动检查数据，确定是否需要对船舶设备进行维修。可以对船舶设备的自动检查数据进行分析处理，确定船舶设备的当前情况，基于船舶设备的类型以及船舶设备的当前情况，可以确定是否需要对该船舶设备进行维修。例如，船舶设备的自动检查数据可以为船舶主机的音频数据，对船舶主机的音频数据进行分析处理，确定该音频数据存在异响，从而可以确定该船舶主机存在异常，船舶主机对船舶的运行提供动力，属于船舶设备中的核心部分，因此，需要对该船舶主机进行维修。
96.本说明书的一些实施例可以通过船舶设备的异常风险信息对船舶的风险情况进行预测，从而判断是否需要立刻对船舶设备进行维修，提升了船舶的安全性能，降低了维修资源的浪费。
97.应当注意，关于各个流程的以上描述仅是出于说明的目的而提供的，并且无意于限制本技术的范围。对于本领域的普通技术人员来说，可以根据本技术的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本技术的范围。在一些实施例中，各流程可以包括一个或以上附加步骤，或者可以省略上述一个或以上步骤。例如，步骤和步骤可以集成为一个步骤。
98.图7是根据本说明书一些实施例所示的又一风险预测模型的示意图。
99.如图7所示，风险预测模型740可以包括第一多层感知器740-1、第二多层感知器740-2、向量融合层740-4、性能预测层740-5以及异常确定层740-6。
100.在一些实施例中，第一多层感知器可以对船舶设备的历史时间段的历史检查数据进行处理，确定船舶设备的第一状态向量。如图7所示，第一多层感知器740-1的输入可以为历史检查数据710，输出可以为第一状态向量741。其中，第一状态向量可以为基于历史检查数据确定的船舶设备在历史时间段内的状态变化趋势。在一些实施例中，第一多层感知器740-1可以为神经网络模型。
101.在一些实施例中，第二多层感知器可以对船舶设备的历史时间段的历史检查数据以及第一风浪数据进行处理，确定船舶设备的修正向量。如图7所示，第二多层感知器740-2的输入可以为历史检查数据710以及第一风浪数据720，输出可以为修正向量742。第一风浪数据可以是指历史时间段内船舶所在海域的风浪情况，例如风浪等级等。第一风浪数据720可以基于第一天气数据确定。修正向量可以为表征第一多层感知器输出的船舶设备的第一状态向量与船舶设备的实际状态向量的偏差的向量。应当理解的是，由于可能不是每个历史子时间点都会对船舶设备进行检测以获取历史检查数据，因此，历史时间段中部分历史子时间点的历史检查数据可能为上一历史子时间点的历史检查数据顺延下来的，从而，可能导致第一状态向量可能不够准确。本说明书的一些实施例可以根据历史检查数据对应的第一风浪数据确定出修正向量，对历史时间段的第一状态向量进行修正，可以确定出更加准确的船舶设备的实际状态向量，即船舶设备的第二状态向量。第二多层感知器可以为深度神经网络模型。
102.在一些实施例中，向量融合层可以对第一状态向量与修正向量进行处理，确定船舶设备的第二状态向量。如图7所示，向量融合层740-4的输入可以为第一状态向量741以及
修正向量742，输出可以为第二状态向量744。第二状态向量可以为船舶设备在历史时间段内的实际状态向量，可以更加准确地表征该历史时间段内船舶设备的性能状态变化趋势。在一些实施例中，向量融合层740-4可以为神经网络模型。
103.在一些实施例中，向量融合层可以对第一状态向量和修正向量进行加权和处理。其中，修正向量的权重可以基于船舶的抗风浪性能确定，且修正向量的权重与船舶的抗风浪性能负相关。即，船舶的抗风浪性能越强，船舶设备受风浪影响越小，对应的，修正向量的权重越小，第一状态向量与第二状态向量的差别越小；船舶的抗风浪性能越弱，船舶设备受风浪影响越大，修正向量的权重越大，第一状态向量与第二状态向量的差别越大。在一些实施例中，修正向量的权重的大小可以基于船舶的抗风浪性能预先设定。第一状态向量的权重可以基于修正向量的权重确定。例如，第一状态向量的权重＝1-修正向量的权重。
104.船舶的抗风浪性能指的是船舶遭遇风浪后恢复稳定的性能。船舶在停泊或航行中，当遇到风浪等外力的干扰时，船舶的平衡状态会被破坏，船舶在受到外力矩作用下发生倾斜。此时，具有适当稳性的船舶会在浮力和自身重力的共同作用下，船舶将产生复原力矩以抵消外力矩的作用以免倾斜继续扩大。当外力矩消除后，复原力矩使船舶(经过一定的周期性摇摆)恢复到原先的平衡位置。船舶的抗风浪性能越强，其能抵抗的风浪越大。
105.在一些实施例中，针对目标时间段中每一个目标子时间点的航行向量，性能预测层可以对船舶设备的第二状态向量以及该目标子时间点的航行向量进行处理，确定船舶设备在该目标子时间点的预测性能参数。如图7所示，性能预测层740-5的输入可以为航行向量745以及第二状态向量744，输出为预测性能参数746。在一些实施例中，性能预测层为长短期记忆模型，长短期记忆模型包括遗忘门、输入门与输出门。其中，遗忘门决定了上一时刻的单元状态有多少保留到当前时刻，输入门决定了当前网络的输入有多少保存到单元状态，输出门控制单元状态有多少输出到性能预测层的当前输出值。输入门可以根据上一次的输出和本次输入来计算当前输入的单元状态。通过遗忘门的控制，性能预测层可以保存之前的信息；通过输入门的控制，可以避免当前无关内容进入性能预测层记忆。在一些实施例中，针对目标时间段中每一个目标时间点，可以通过性能预测层中的一个输入门对第二状态向量和航行向量中该目标时间点的元素进行处理，确定船舶设备在该目标时间点的预测性能参数。
106.在一些实施例中，目标时间段中各个目标子时间点的航行向量可以基于第二天气数据以及航行计划确定。例如，航行向量可以包括第二风浪数据与航速信息。其中，第二风浪数据可以基于第二天气数据确定，第二风浪数据可以包括目标时间段内船舶预计所在位置的附近环境的预计风浪数据，例如风浪等级等；航速信息可以基于航行计划确定，航速信息可以包括目标时间段内的各个目标子时间点的船舶的平均航行速度。示例性的，航行向量可以为表征在目标时间段的六个目标子时间点中，风浪等级分别为1级、1级、3级、2级、3级、4级，船舶的平均航行速度分别为44km/h、42km/h、40km/h、36km/h、36km/h、35km/h。
107.预测性能参数可以表征预测的船舶设备在目标子时间点的性能状况的参数。在一些实施例中，预测性能参数可以包括船舶设备在目标子时间点的性能的参数。例如，抗冲击性能的参数。预测性能参数可以通过向量表示，向量中各元素的位置表示船舶设备对应的
性能，各元素的值表示该性能对应的值。在一些实施例中，预测性能参数可以为分桶向量，向量中每个元素的位置表示性能参数的不同范围，元素的值表述为性能参数落在对应范围区间的概率。例如，某一船舶设备的预测性能参数中抗冲击性的向量为(0，0，0，0.35，0.65，0)，向量中的各元素依次表征该船舶设备的抗冲击性为40-50、50-60、60-70、70-80、80-90、90-100(单位为j/m2)的概率分别为0、0、0、0.35、0.65、0，则可以确定该船舶设备的抗冲击性为70-80j/m2的概率为0.35，该船舶设备的抗冲击性为80-90j/m2的概率为0.65。
108.在一些实施例中，异常确定层可以对各个目标子时间点的预测性能参数进行处理，确定船舶设备在目标时间段的异常风险信息。如图7所示，异常确定层的输入可以为各个目标子时间点的预测性能参数746，输出为异常风险信息750。在一些实施例中，异常风险信息750可以包括异常风险等级751。在一些实施例中，异常风险信息还可以包括异常风险等级的置信度752。异常风险信息可以通过向量序列表示，序列中每个向量的位置可以对应一个目标子时间段，序列中各个向量中的元素可以表示不同的异常风险等级，元素的值可表示船舶设备为该异常风险等级的概率。可以将向量中概率最大的异常风险等级作为该目标子时间点的异常风险等级，将该异常风险等级对应的概率的值作为该异常风险等级的置信度。在一些实施例中，异常确定层可以为深度神经网络模型。在一些实施例中，风险预测模型可以通过对各层进行联合训练获取：训练样本为第七样本时间段的历史检查数据、第一风浪数据与第八样本时间段的航行向量，训练样本的标签可以为第八样本时间点的异常风险信息。其中，第七样本时间段的第一风浪数据可以基于第七样本时间段的第一天气数据确定，第八样本时间段的航行向量可以基于第八样本时间段的航行计划以及第二天气数据确定，第八样本时间段晚于第七样本时间段。将训练样本中的历史检查数据输入初始第一多层感知器，将训练样本中的历史检查数据以及第一风浪数据输入初始第二多层感知器，将初始第一多层感知器和初始第二多层感知器的输出输入到初始向量融合层，将初始向量融合层的输出与训练样本中的航行向量输入初始性能预测层，将初始性能预测层的输出输入到初始异常确定层，基于初始异常确定层的输出和标签构建损失函数，并基于损失函数同时迭代更新风险预测模型中各层的参数，直到预设条件被满足训练完成，得到训练好的风险预测模型。
109.在一些实施例中，风险预测模型还可以包括第三多层感知器。第三多层感知器可以对船舶设备的音频数据进行处理，确定船舶设备的音频状态向量。如图7所示，第三多层感知器740-3的输入可以为船舶设备的音频序列730，输出为船舶设备的音频状态向量743。其中，音频序列可以包括船舶设备的历史时间段内多个历史子时间点的音频数据。音频状态向量可以为表征出船舶设备从历史时间段到当前时间点的性能状态的变化趋势的向量。
110.如图7所示，向量融合层740-4的输入还可以包括第一状态向量741、修正向量742及音频状态向量743，输出为船舶设备的第二状态向量744。向量融合层可以对第一状态向量、修正向量及音频状态向量进行加权和处理，音频状态向量的权重可以为预设权重。
111.对应的，在对风险预测模型进行训练时，训练样本还可以包括第七样本时间段的音频序列，第七样本时间段的音频序列可以基于第七样本时间段的音频数据确定。当风险预测模型还包括第三多层感知器时，将训练样本中的音频序列输入初始第三多层感知器，初始向量融合层的输入还包括初始第三多层感知器的输出，其余训练部分参见本说明书图7中风险预测模型的联合训练部分，此处不再赘述。
112.本说明书的一些实施例可以通过风险预测模型对船舶设备的历史检查数据、第一风浪数据、音频序列以及航行向量进行处理，对船舶设备在目标时间段的异常风险信息进行预测，可以降低人工成本，提高预测效率。
113.本说明书实施例还提供了一种船舶设备检查管理的装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如本说明书实施例中任一项所述的船舶设备检查管理方法。
114.本说明书实施例还提供了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如本说明书实施例中任一项所述的船舶设备检查管理的方法。
115.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
116.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
117.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
118.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
119.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
120.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容
不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
121.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
技术特征：1.一种船舶设备检查管理的方法，其特征在于，包括：获取船舶在历史时间段对船舶设备进行检查的历史检查数据、第一天气数据以及历史航行数据；获取所述船舶在目标时间段的航行计划以及第二天气数据；基于风险预测模型对所述历史检查数据、所述第一天气数据、所述历史航行数据、所述航行计划以及所述第二天气数据进行处理，确定所述船舶设备在所述目标时间段的异常风险信息；基于所述异常风险信息，确定在所述目标时间段内对所述船舶设备进行检查的目标检查计划。2.如权利要求1所述的方法，其特征在于，所述风险预测模型包括依次连接的声音嵌入层与异常判断层；所述基于风险预测模型对所述历史检查数据、所述第一天气数据、所述历史航行数据、所述航行计划以及所述第二天气数据进行处理，确定所述船舶设备在所述目标时间段的异常风险信息包括：获取所述船舶设备在所述历史时间段内的音频数据；基于所述声音嵌入层对所述音频数据进行处理，确定所述船舶设备的音频特征；基于所述异常判断层对所述音频特征、所述历史检查数据、所述第一天气数据、所述历史航行数据、所述航行计划以及所述第二天气数据进行处理，确定所述船舶设备在所述目标时间段的异常风险信息。3.如权利要求1所述的方法，其特征在于，所述第一天气数据包括第一风浪数据，所述风险预测模型包括第一多层感知器、第二多层感知器、向量融合层、性能预测层以及异常判断层，其中，所述性能预测层为长短期记忆模型；所述基于风险预测模型对所述历史检查数据、所述第一天气数据、所述历史航行数据、所述航行计划以及所述第二天气数据进行处理，确定所述船舶设备在所述目标时间段的异常风险信息包括：通过所述第一多层感知器对所述历史检查数据进行处理，确定所述船舶设备在所述历史时间段的第一状态向量；通过所述第二多层感知器对所述历史检查数据和所述第一风浪数据进行处理，确定所述船舶设备在所述历史时间段的修正向量；通过所述向量融合层对所述第一状态向量和所述修正向量进行处理，确定所述船舶设备在所述历史时间段的第二状态向量；针对所述目标时间段中每一个目标子时间点，通过所述性能预测层中的一个输入门对所述第二状态向量和航行向量中该目标子时间点的元素进行处理，确定所述船舶设备在该目标子时间点的预测性能参数，其中，所述航行向量基于所述第二天气数据以及所述航行计划确定；通过所述异常判断层对各个目标子时间点的所述预测性能参数进行处理，确定所述船舶设备在所述目标时间段的异常风险信息。4.如权利要求1所述的方法，其特征在于，所述方法还包括：基于所述船舶设备的所述异常风险信息，确定所述船舶的船舶风险情况；
当所述船舶风险情况满足预设条件时，通过检查装置对所述船舶设备进行检查以获取所述船舶设备的自动检查数据；基于所述自动检查数据，确定是否需要对所述船舶设备进行维修。5.一种船舶设备检查管理的系统，其特征在于，所述系统包括：第一获取模块，用于获取船舶在历史时间段对船舶设备进行检查的历史检查数据、第一天气数据以及历史航行数据；第二获取模块，用于获取所述船舶在目标时间段的航行计划以及第二天气数据；第一确定模块，用于基于风险预测模型对所述历史检查数据、所述第一天气数据、所述历史航行数据、所述航行计划以及所述第二天气数据进行处理，确定所述船舶设备在所述目标时间段的异常风险信息；第二确定模块，用于基于所述异常风险信息，确定在所述目标时间段内对所述船舶设备进行检查的目标检查计划。6.如权利要求5所述的系统，其特征在于，所述风险预测模型包括依次连接的声音嵌入层与异常判断层；所述第一确定模块进一步用于：获取所述船舶设备在所述历史时间段内的音频数据；基于所述声音嵌入层对所述音频数据进行处理，确定所述船舶设备的音频特征；基于所述异常判断层对所述音频特征、所述历史检查数据、所述第一天气数据、所述历史航行数据、所述航行计划以及所述第二天气数据进行处理，确定所述船舶设备在所述目标时间段的异常风险信息。7.如权利要求5所述的系统，其特征在于，所述第一天气数据包括第一风浪数据，所述风险预测模型包括第一多层感知器、第二多层感知器、向量融合层、性能预测层以及异常判断层，其中，所述性能预测层为长短期记忆模型；所述第一确定模块进一步用于：通过所述第一多层感知器对所述历史检查数据进行处理，确定所述船舶设备在所述历史时间段的第一状态向量；通过所述第二多层感知器对所述历史检查数据和所述第一风浪数据进行处理，确定所述船舶设备在所述历史时间段的修正向量；通过所述向量融合层对所述第一状态向量和所述修正向量进行处理，确定所述船舶设备在所述历史时间段的第二状态向量；针对所述目标时间段中每一个目标子时间点，通过所述性能预测层中的一个输入门对所述第二状态向量和航行向量中该目标子时间点的元素进行处理，确定所述船舶设备在该目标子时间点的预测性能参数，其中，所述航行向量基于所述第二天气数据以及所述航行计划确定；通过所述异常判断层对各个目标子时间点的所述预测性能参数进行处理，确定所述船舶设备在所述目标时间段的异常风险信息。8.如权利要求5所述的系统，其特征在于，所述系统还包括：第三确定模块，用于基于所述船舶设备的所述异常风险信息，确定所述船舶的船舶风险情况；
自动检查模块，用于当所述船舶风险情况满足预设条件时，通过检查装置对所述船舶设备进行检查以获取所述船舶设备的自动检查数据；第四确定模块，用于基于所述自动检查数据，确定是否需要对所述船舶设备进行维修。9.一种船舶设备检查管理的装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～4中任一项所述的船舶设备检查管理方法。10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～4任一项所述的船舶设备检查管理的方法。
技术总结本说明书实施例提供一种船舶设备检查管理的方法和系统，该方法包括：获取船舶在历史时间段对船舶设备进行检查的历史检查数据、第一天气数据以及历史航行数据；获取船舶在目标时间段的航行计划以及第二天气数据；基于风险预测模型对历史检查数据、第一天气数据、历史航行数据、航行计划以及第二天气数据进行处理，确定船舶设备在目标时间段的异常风险信息；基于异常风险信息，确定在目标时间段内对船舶设备进行检查的目标检查计划。船舶设备进行检查的目标检查计划。船舶设备进行检查的目标检查计划。
技术研发人员：柏建新 朱德军 魏虹雨 杨焕伟 尚红艳
受保护的技术使用者：河北东来工程技术服务有限公司
技术研发日：2022.05.20
技术公布日：2022/11/1
