RL-Ballast: 通过强化学习进行船舶压舱水路径规划和 clog预测

在Shipping 4.0范式下，自主和减员船舶需要智能内部系统来维持操作安全和结构稳定性。压舱水控制对于船舶调平和完整性至关重要，但基于规则的或手动的方法对液压异常（如阀门故障和管道堵塞）的适应性有限，并且通常依赖于密集的压强或流量传感器进行诊断。为了解决这些限制，本文提出了RL-Ballast，一个基于图深度强化学习的框架，用于自适应压舱水路径规划和传感器节约型 clog候选评分。阀门置换问题被转换为使用图论和深度优先搜索生成的54个可行的流体传输路线。部分的压舱水环境被帧堆叠的舱位水平和操作结果近似，允许代理在不显式建模高维POMDP的情况下推断隐藏的堵塞效应。在确定性推理期间，剧集级失败操作记忆和动态操作掩码防止重复无效操作并支持立即重新路由。失败的传输历史进一步累积以排名可疑阀门或管道段，而无需密集 instrumentation。蒙特卡洛模拟表明，RL-Ballast完成所有意外单堵塞场景，并将平均决策步骤从61.0减少到41.5，与基于Dijkstra的基线相比。对于诊断支持，失败历史评分方案在串扰不可区分的堵塞条件下实现了100%的Top-3命中率、66.7%的严格Top-1命中率和83.3%的Top-1平局命中率。这些结果表明，RL-Ballast在有限的感知条件下使自适应重新路由和维护导向的堵塞诊断成为可能。