港池里的船，看起来安安静静，实际上每个作业时刻都处在倾斜与复位的拉锯中。装卸货进度不均、压载水调节滞后、大风突然灌进港池，任何一步失衡都可能让船舶的横倾角从零点几度慢慢爬向危险区间。倾覆风险并不只在风浪大海上，靠泊和装卸阶段恰恰是港口安全调度最容易漏看的一段盲区。我们团队最近落地了一套船舶倾斜AI实时监测系统，用惯性传感、卡尔曼滤波和时序预测，把港口船舶倾斜这件事从“人眼估摸”变成实时数字，再往前推半步，预测分钟级倾斜趋势并提前分级告警。这套内容适合码头安全员、调度员、港航信息化项目负责人，也适合做船舶状态监测的开发者参考。我会把从方案选型、传感器安装、算法参数到上线调试的完整过程都写出来，全部是我们实际踩过的路子。

1. 港口船舶倾覆风险的真实来源

1.1 靠泊装卸为什么会倾斜

很多人觉得船在港口里面，靠了码头、系了缆绳，应当是最安全的状态。恰恰相反，港口是船体稳性变化最剧烈的时段之一，只是在日常观察中不容易被注意到。

船舶倾覆风险集中在四个场景：

• 散货船单舱连续卸货。外贸散货船普遍有5到7个货舱，码头生产计划往往要求连续高效作业，抓斗或者卸船机长时间集中在某一个舱抓取，货物重心不断偏移。只要压载水调节跟不上节奏，横倾角就会肉眼可见地爬升。我曾经在某沿海散货码头见过一条3万吨级散货船，两个班次连续从第3舱抓货，现场值班人员没盯住，横倾角接近4度才发现。4度对一艘散货船已经距离甲板进水不太远，而且随着倾斜加剧，货载重心偏移产生的倾覆力矩会越来越大，船长当时立即停止作业，紧急调整压载水才稳住。事后复盘，如果发现时间再晚半个小时，局面会非常难收拾。

• 集装箱船贝位集中作业。集装箱装卸是按贝位、按层作业的，如果某一段贝位连续下箱，而船侧油水舱和压载水又没有同步调整，同样会造成横向偏载。大型集装箱船的初稳性GM值本来就分布较窄，配载偏差过大时，船体横向的大角度摇摆概率也会上升。

• 液体货船自由液面效应。液货舱、压载舱在不满舱状态下，液体随着船舶摇摆来回晃荡，产生一个附加的倾侧力矩。港口装卸过程中，驳运、洗舱、残液作业都会改变各舱液位，自由液面对稳性的削弱非常隐蔽。

• 风浪涌进港池。敞开式港池、双向航道进出口位置，外海涌浪和阵风会直接作用到靠泊船。尤其大型空载船受风面积大，单点系泊时瞬间风压足以造成明显的横倾角波动。

1.2 传统监测方案为什么跟不上

早些年港口对船舶倾斜的监测基本靠两种手段：人工目测和手持式倾角仪。值班水手隔一段时间去看一次水尺、看胶边出水高度，或者用机械式倾斜仪估一下角度。这套做法有三个解决不了的问题：

• 点测不连续。船舶倾斜是连续变化的，尤其装卸作业期间，横倾角可能在一两小时内从0.5度慢慢爬到2度。人工巡检间隔期间发生的峰值根本无法捕捉，等看到的时候，往往已经过了可从容处理的窗口。

• 单体不联动。很多码头给每艘船安装了简单的倾角报警器，但它只是单一阈值触发，不分船型、不分工况，也不区分静态横倾和动态横摇。大风浪天气，船体正常横摇振幅可能超过5度，固定阈值报警器大量误报；真正危险的“只往一边去、不回来”的静态倾斜，反而因为没有超过阈值而漏报。

• 不可追溯。传统仪表没有连续记录，事故事后复盘只能靠口述。判断压载水调整是否及时、货物偏载是否持续，完全没有数据支撑。

所以，把港口船舶倾斜监测做成一套连续采样、实时解算、带趋势预测能力的数据系统，本质上是补港口安全管理的底层信息盲区。港口场景比海上好办太多，岸电供应稳定、网络条件好、天气状况也比开阔水域可控，很适合采用“船端感知+边缘计算+云端平台”的人工智能监测架构。

2. 系统整体设计：船上感知、边缘计算、平台协同

2.1 传感器选型与安装原则

整套系统的前端是传感器组合，我按实际效果排一下：

• 双轴高精度倾角传感器或工业级IMU。量程±90度，分辨率至少0.01度，采样频率20到50Hz。安装位置选择船长中部，优先主甲板下强横梁、机舱舱顶结构梁或者罗经甲板内侧，这类结构刚性好、局部变形小。悬臂外缘、薄板、舱壁装饰面都不能装，否则传感器测的其实是船体局部变形量。

• GNSS双天线测向。安装在罗经甲板或驾驶台顶部，两根天线间距1到2米。主要用于测量船首向、获得横向漂移速度，并与倾角传感器互相校验，判断是否发生靠离泊状态切换。

• 四角吃水传感器。安装在艏艉两舷，读取静态吃水，用来复核船体排水量、计算出实际装载状态。精度±10厘米足够。

• 风速风向仪。港池内风速风向对空载船影响非常明显，接入系统后作为风险分析的一个修正因子。

• 边缘计算终端。工业级工控机或边缘网关，支持本地滤波、姿态解算、GM估算和AI模型推理，接口至少具备RS485、以太网和Modbus，选型时重点看防护等级和工作温度范围。机舱环境温度常年偏高，普通商用设备扛不住，必须选宽温、防尘防潮型号。

为什么不是简单选一个最高精度的光纤陀螺？因为港口场景的动态幅度有限，双轴倾角传感器加IMU已经可以把横倾角误差控制在0.1度以内；光纤陀螺精度高但成本高出几倍，性能冗余在这里没有实际收益。四角吃水不能省，前面讲的GM值估算、装载校验，全靠吃水数据做标定基线。

2.2 数据流与系统架构

系统链路是：传感器 → 边缘网关（卡尔曼滤波、姿态解算、GM估算、AI推理）→ MQTT推送 → 云端平台 → 调度大屏、手机端、告警电话短信。

边缘网关承担了最核心的计算任务。港口的装卸作业全程都必须有实时判断，如果所有数据都回传到云端再处理，网络抖动一次，判断就会延迟。而且船上环境复杂，4G/5G信号不一定穿透到码头每个泊位，离线自持能力必须前置到边缘侧。我的设计指标是：边缘端从原始传感器读数到输出风险等级，延迟不超过100毫秒；告警从触发到推送至调度平台，1秒内完成。边缘端本地存储容量至少要覆盖12小时连续数据，断网恢复后自动补传。

云端平台的角色更多是汇聚、展示和闭环管理。建立船舶档案，维护每条船的长宽、船型、压载舱分布、装载手册参考值；绘制泊位船舶实时态势图，用颜色标识风险等级；保存全部历史曲线，方便事后追溯。告警工单和升级规则也在云端实现：橙色告警需要现场确认，红色告警10分钟内无人确认，自动升级给值班主管处理。

2.3 平台端功能设计

平台端不要做成一堆曲线的大杂烩，真正的使用场景有四个：

• 实时态势：码头电子图上一眼看到哪条船处于橙色风险，点开能看到当前横倾角、横摇周期、GM估算值。这是调度员的日常主界面。

• 装卸过程监控：把横倾角曲线叠加到装卸作业计划时间轴上。散货船第几个舱在卸货、卸了多久，一对照就能判断偏载是否由作业计划引起。

• 告警处理台账：每条告警自动生成工单，包含触发原因、报警时传感器数据、处理人、处理动作和最终恢复时间。这个台账对安全例会非常有价值。

• 统计报表：按船型、泊位、时间段统计风险事件频次，识别出高频风险泊位和经常出问题的船型，辅助安全投入决策。

3. AI倾斜监测的核心算法与关键参数

3.1 卡尔曼滤波融合姿态解算

倾角测量的第一道坎，不是传感器精度，而是噪声和动态干扰。加速度计能够直接解算出重力倾角，但它对船舶设备振动、波浪冲击非常敏感，瞬时读数抖得没法直接使用；陀螺仪对角速度积分得到角度，优势是动态响应快，但零漂会随时间累积，几分钟不修正就完全不能信。

工程上最常用的做法，是卡尔曼滤波把两者融合起来。系统状态量设为横倾角与陀螺零漂两个值，状态方程就是简单的角度累加关系；量测输入是加速度计解算出的倾角。每一轮更新分预测和校正两步，最终输出一个兼顾动态响应和长期稳定的横倾角估计。

参数给一组现场可用的初始值，方便直接调试：过程噪声协方差矩阵Q取0.001到0.01 rad²，观测噪声R取0.05到0.5 rad²，采样频率50Hz。调参的经验是，风浪天把R调大一些，让滤波更信任陀螺仪的动态趋势，把波浪引起的短周期抖动抹掉；平静天气则把R调小，让加速度计的长期稳定性能更快起作用。衡量标准是滤波输出与人工水平尺复核的误差不超过0.1度。

3.2 用横摇周期反推GM值

倾覆风险的硬指标之一，是船舶的初稳性高度GM。可以把它理解成一个不倒翁：GM相当于重心位置和稳心之间的距离，距离越大，船抵抗倾斜回正的能力越强；GM小于零，船随时随地处于负稳性状态，外力稍一推就可能倾覆。

港口没法像出厂时那样做倾斜试验，但可以从自然横摇周期反推GM。船上通用的经验公式是：

[ T = \frac{0.8B}{\sqrt{GM}} ]

反过来用：

[ GM = \left(\frac{0.8B}{T}\right)^2 ]

其中T是船体自由横摇周期，单位秒；B是船宽，单位米。给一个实际算例：一条靠泊的集装箱船，船宽B=32.2米，系统实测自然横摇周期T=10.5秒，代入估算GM约0.75米，与船方装载手册预期值接近，判断装载状态正常。运行两天后横摇周期逐渐变长到13秒，GM估算掉到约0.49米，系统立刻提升了风险等级。后来核查发现，船方卸货过程中压载操作没有同步执行，重心抬高，GM确实下降了。

实际使用中，我一般不看单次GM的绝对值，而是观察GM随时间的变化趋势。只要GM持续走低，即便当前角度还没超阈，也要提示调度员关注。

3.3 AI趋势预测与风险分级

单纯看实时横倾角仍然不够。港口发生倾斜事故，多数属于“慢速爬坡”型，从正常状态到危险状态往往有10到30分钟渐变期。等当前值超过阈值再报警，值班人员再确认、再调整压载水，时间往往不够。所以系统加了一个时序预测模块。

预测模型采用轻量级LSTM，输入过去60秒的横倾角、动态横摇幅度、风速序列，输出未来60秒横倾角变化曲线。模型规模不需要很大，港口数据模式相对规律，几千条高质量异常事件样本就够起步调优。上线初期没有历史数据完全不慌，第一版先用规则阈值跑起来，边运行边采集数据，跑两周就能拿到覆盖不同工况的样本。

整套风险分级遵循“当前状态+变化趋势”双维度判断，实际阈值表格如下：

动态横倾角红色线取15度，是因为一般货船的进水角分布在18到30度之间，15度相当于在进水边界外预留了安全余量。具体船型需要在船舶档案里单独配置，集装箱船、散货船和油轮的进水角差异很大，统一阈值会误伤或者漏报。

4. 实操过程：从现场勘测到上线运行的关键环节

4.1 安装施工与分工

港口船舶监测系统不是纯软件项目，大量工作在现场施工。实际项目推进顺序：

1. 靠泊窗口确认。船上安装调试必须赶在靠泊期完成。先和船方确认到港计划和停泊时长，留足够用的施工时间，否则船一离泊，整个项目计划会被打乱。

2. 安装位置选定。登船逐舱勘察，避开船艏船艉、锚链舱、薄板舱壁和高温蒸汽管路，确定倾角传感器安装基座。

3. 传感器固定。基座用结构胶加焊接螺柱固定在强结构梁上，安装面必须用水平仪调平。这里有个容易被忽略的细节：固定底座刚度比传感器本身精度更重要，底座松动一毫米，测量误差远超传感器标称指标。

4. 布线。电缆走桥架或穿管，避开高温管道和可能积水区域。船上环境非常潮湿，接头一律用IP67防水接头，网线选择屏蔽双绞线STP，减少港口岸桥大电机带来的电磁干扰。

5. 边缘终端就位。安装在机舱弱电间或码头侧机柜。如果放船上，必须配散热风扇和温度检测；放码头侧，要考虑防护等级和防雷接地。

6. 网络联调。有线优先、5G备用、4G兜底，验证断网重连后的自动补传机制。

7. 零点标定。详细过程见下节。

8. 试运行48小时。观察完整装卸周期，确认漂移、误报、漏报都在可控范围，再交付给码头方使用。

4.2 零点标定与固定横倾角处理

零点标定做得准不准，直接影响整个系统的可靠性。标定必须在船停稳、装卸暂停、吃水均匀、风力小于3级、港池无涌浪的状态下进行。记录此时传感器输出的横倾角，作为安装偏差零点。

这里有一个特别容易踩坑的地方：部分船型本身有固定的设计横倾角，比如某些重油船和特定线型的高速船，正浮状态下也会保持0.5到1度的固定横倾，用来抵消螺旋桨侧向力矩或者保证设备排水。遇到这种船，不能把固定横倾当成故障归零，而是要把船型基准角记录到档案里。否则系统会一直显示“船是歪的”，实际上船方自己清楚这是正常状态。

标定完成后，用激光测距或高精度水平尺在甲板对称位置复核一次，偏差大于0.1度就要重新标定。这一步别省，现场安装位置如果存在局部变形，水平尺复核是最直接的检查手段。

4.3 与码头调度系统的对接

告警要真正发挥作用，必须接入调度员已经用习惯的工作平台。系统通过MQTT推送结构化数据，码头侧可以直接订阅或者通过消息中间件转到作业监控大屏，示例数据格式如下：

{ "shipId": "CN_DF_3030", "event": "tilt_warning", "riskLevel": "orange", "staticTilt": 1.4, "dynamicTilt": 6.2, "gmEstimate": 0.32, "predictTilt60s": 2.1, "ts": 1735689600, "suggestAction": "checkBallastStatus" }

同时预留短信、电话接口，红色告警自动触发语音外呼。现场声光报警器通过Modbus或继电器控制，装在码头作业区和船梯口，让现场人员第一时间看到状态变化。

4.4 模型训练数据从哪里来

这是被问得最多的一个话题。港口项目的现实问题往往是：系统的价值在于预测，但预测模型需要历史数据，历史数据又只有系统上线之后才有。我们的处理思路是分两步走。

第一步，上线第一版直接用“卡尔曼滤波解算+规则阈值”跑，不训练任何模型。这套规则基于船舶稳性理论，已经能覆盖大部分风险识别需求。第二步，系统运行两周到一个月后，让现场运维人员对历史曲线做标注，把“倾斜爬坡事件”“风浪正常横摇事件”“设备振动干扰事件”分开，再喂给LSTM做预测训练。标注质量远比数量重要，几十条高质量异常事件，比几千条掺水的数据有用得多。

5. 现场最容易踩的坑与排查实录

5.1 常见问题快查表

5.2 三个真实调试场景复盘

场景一：横倾角系统性偏差3度

新装的一条船，静态横倾角始终显示偏向一侧约3度，零点标定了好几次，水平尺复核也查不出来明显问题。后来排查发现，传感器固定在一个舱口围板下方的加强肋板外缘，船体加载后该位置产生了超出预期的局部变形。把底座移到主甲板下方强横梁的中心位置后，偏差消失。这个案例给我的教训是：安装座结构刚度的重要性，永远排在前端精度之上。

场景二：雨天告警刷屏

某天下雨，系统连续触发黄色告警，但现场核查并没有发现船舶实际倾斜。拿到原始曲线后，发现横倾角每十几秒出现一次瞬时尖峰，没有趋势性。最后查明是工人用高压水枪冲洗甲板，水柱冲击位置恰好靠近传感器安装点，振动通过甲板传播进了传感器。处理办法是增加趋势连续性判断窗口，单点瞬时突跳不再单独触发告警，同时给传感器罩加了一层橡胶隔离垫，把甲板表面传导的高频振动滤掉。

场景三：横摇周期被错误识别

一条船的横摇周期推算出的GM值每天都很低，平台不停给船方发警告，但船方坚称装载状态正常。排查发现算法把风速仪支架受风振动识别成了横摇振动，导致计算的横摇周期非常短、GM异常偏大或偏小。修复方式是在算法前端加带通滤波，把横摇频带严格限制在0.05到0.25Hz之间，低于0.05Hz的缓慢漂移和高于0.25Hz的高频振动全部滤除。之后GM估算值与装载手册基本吻合。

6. 落地效果与延伸价值

6.1 实际运行后的变化

系统上线后，最大变化是把安全调度从“经验驱动”变成了“数据驱动”。以前值班人员判断要不要暂停作业，靠的是个人感觉和现场经验，现在有了明确的等级指标和预测趋势。在一处散货码头的实际运行记录里，系统比值班水手提前约25分钟识别出第5舱卸货过快导致的0.8度横倾爬坡，自动推送橙色预警。船方接到通知后先暂停作业、调整压载水，再恢复卸货，船方大副后来专门反馈说，这种提醒比人肉盯数据强太多。

数据沉淀的价值也很明显。每一条船形成了自己的历史倾角画像，哪条船经常在哪个泊位出现偏载苗头、哪类船型在什么风况下容易起横摇，这些统计结论可以直接反哺码头生产调度和船东的配载优化。事故事后复盘也不再依赖口头叙述，告警记录、传感器曲线和处置动作都自动归档，责任界定和原因分析清晰得多。

船东和保险公司对这种健康档案的兴趣已经开始显现。连续、可信的船体状态数据，比一年几次的定期检验更能反映船舶的真实状态，未来可以作为保险风险评估和船东维护计划的重要参考。

6.2 这套经验还能延展到哪里

同样的传感器组合和算法框架，不需要大改就能平移到其他动态倾斜风险场景。港口浮吊和门座起重机的臂架倾斜、驳船运输过程中的船组状态、浮船坞注排水过程的横倾变化，本质上都是“倾斜角度采集+姿态解算+趋势预测”的问题。只需要调整传感器安装方式、量程和阈值配置，这整套方法论就能复现。

我现在个人的体会是，港口项目里最难的不是AI模型，而是把现场数据弄干净。安装点位、标定流程、供电网络、传输链路，任何一个环节掉链子，后端再好的算法都是空中楼阁。所以第一版宁可把模型做得简单一点，也要先把横倾角算准、分级阈值定合理、告警闭环跑通。数据后面随时可以积累，模型后面随时可以迭代，但现场的口碑一旦因为误报漏报坏了，重建信任的周期会非常长。做这类系统，稳扎稳打永远比一步到位的炫技更有价值。