一种基于航行大数据的船舶主机油耗动态预估方法与流程

1.本发明涉及船舶航线航速优化技术领域，尤其涉及一种基于航行大数据的船舶主机油耗动态预估方法。


背景技术：

2.2008年以来，航运业的不景气让航运公司不断采取新的措施来降低营运成本，降速航行或者优化航速成为营运船舶的主要选择。此外，随着全球变暖日渐加剧，世界各国都制定了降低航运业碳排放计划，欧洲各国都制定了相关的航运碳排放法规。因此，如何准确预估燃油消耗成为营运船舶节能减排的关键技术，特别是结合实时的气象以及营运船舶的性能准确预估船舶的主机油耗可以极大提高营运船舶的营运性能。
3.现阶段国内外进行油耗预估的方法主要分为三种：1.结合目标船舶模型实验数据以及阻力计算公式进行油耗预估，该方法可以根据气象数据以及目标船的性能数据准确获得相应的主机油耗模型，但是该方法要求的基础数据较多且基础数据需要较为精确，特别是船舶模型的性能数据，一般而言，对于新造船而言，此类数据较为容易得到，而较多的营运船舶较难获得；2.利用众多营运船舶的采集主机油耗数据拟合出经验公式，从而进行油耗预估；此类方法利用多种船型的航行数据进行拟合，但是每个船舶的性能都是不一样的，特别是非同类船型，因此该方法存在较大的预估误差；3.利用船上填报的航行数据以及油耗数据，学习得到符合目标船的油耗模型，该方法利用船员填报的数据进行预估，而船员一般一天填报一次数据，所以填报的船舶遭遇的气象会存在较大误差，且油耗值都是人工测量值，这方法学习得到的模型较为粗糙。
4.因此现有技术中油耗预估方案的缺点可以简单概括为：
5.1.构建油耗模型的传统方法需要较多较为精确地目标船舶模型水动力性能实验数据；
6.2.拟合得到的油耗经验公式不能体现目标船舶的特性，因此由经验公式得到的油耗模型性能较为粗糙，且该油耗模型未考虑航行中遭遇的气象因素；
7.3.基于船员填报数据的油耗模型计算得到的油耗值会因为船员观测的误差而不能准确计算得到真实的油耗；
8.4.传统的油耗模型只适用于某一时间段的营运船舶，例如，同一船舶在刚造好后的航行性能与航行一年后的航行性能不同，因为对比刚造那段时间，航行一段时间后，目标船的主机会老化，且船体会出现污底，这些都会严重影响船舶的航行性能，从而影响主机油耗。
9.对现有技术存在的缺陷，提出本发明。


技术实现要素：

10.目的是针对现有技术结构上的缺点，提出一种基于航行大数据的船舶主机油耗动态预估方法，该油耗预估方法利用实时采集的航行数据构建而成，通过增量学习方法进行
动态学习，无须学习大量过往数据，并能够保证该系统可以根据实时的船舶性能而精确预估船舶油耗。
11.为了达到上述发明目的，本发明提出的一种基于航行大数据的船舶主机油耗动态预估方法，通过以下技术方案实现的：
12.一种基于航行大数据的船舶主机油耗动态预估方法，其特征在于该方法包括如下步骤：
13.s1：对船舶航行数据基于kmeans聚类为多吃水低转速、多吃水高转速、低吃水低转速、低吃水高转速四类数据种类，训练获得动态航行数据分类模块；
14.s2：将船舶航行数据放入动态航行数据分类模型中一一分类形成四类航行数据，并提取每条航行数据对应的气象数据；将每条航行数据和对应气象数据中的主机转速、艏吃水、艉吃水、艏向角、风速、风向、浪高、浪向、浪周期、流速、流向作为输入量输入多层神经网络，将每条航行数据的对地航速、主机功率和主机油耗作为输出量输入多层神经网络算法，训练获得四种与所述四类数据种类一一对应的油耗预估模型；
15.s3：将当前艏吃水、艉吃水、转速、时间以及地点的经纬度输入数据分类模块，获得对应数据种类类型；
16.以及基于当前时间和经纬度获得当前对应的气象数据，包括风速、风向、浪高、浪向、浪周期、流速、流向；
17.s4：动态油耗预估模块根据数据种类类型选择所对应的油耗预估模型，之后将艏吃水、艉吃水、转速以及当前对应的气象数据输入所选择的油耗预估模型；
18.s5：输出船舶对地航速、功率以及每小时主机油耗。
19.所述的步骤s1包括如下子步骤：
20.s101：对历史航行数据进行kmeans聚类，获得历史分类模型；
21.s102：对新入库的增量航行数据进行kmeans聚类，本步骤中kmeans聚类算法的基础参数来源于步骤s101中历史分类模型，经训练获得增量分类模型；
22.s103：将历史分类模型中的算法参数替换成增量分类模型的算法参数，从而生成动态航行数据分类模块。
23.所述的步骤s101和s102均包括如下步骤：将航行数据中经度、纬度、时间、对地航速、艏吃水、艉吃水、艏向角、主机功率、主机油耗、主机转速缺失或超限数据删除，并对筛选后航行数据进行kmeans聚类。
24.所述的步骤s2包括如下子步骤：
25.s201：将船舶历史航行数据放入动态航行数据分类模型中得到四类航行数据；以及根据每条历史航行数据中时间、经度、纬度由历史气象数据库提取对应的气象数据，并利用b样条曲线的插值方法得到与每条历史航行数据的时间点和经纬度对应的风速、风向、浪高、浪向、浪周期、流速、流向；
26.s202：将每条历史航行数据和对应气象数据中的主机转速、艏吃水、艉吃水、艏向角、风速、风向、浪高、浪向、浪周期、流速、流向作为输入量输入多层神经网络，将每条航行数据的对地航速、主机功率和主机油耗作为输出量输入多层神经网络算法，训练获得四种与所述四类数据种类一一对应的油耗预估历史学习模型；
27.s203：对新入库的增量航行数据执行如步骤s201相同的操作，获得增量航行数据
的分类类型和对应气象数据；
28.s204：对所述增量航行数据执行如步骤s202相同的操作，且本步骤中多层神经网络算法的基础参数来源于所述油耗预估历史学习模型，经训练获得四种基于增量航行数据的油耗预估增量模型；
29.s205：将油耗预估历史学习模型中的算法参数替换成油耗预估增量模型的算法参数，从而生成动态油耗预估模块。
30.所述的步骤s201和s203均包括如下步骤：将航行数据中经度、纬度、时间、对地航速、艏吃水、艉吃水、艏向角、主机功率、主机油耗、主机转速缺失或超限数据删除，并将筛选后航行数据输入多层神经网络算法。
31.所述步骤s2中基于当前时间和经纬度获得当前对应的气象数据的具体方法是：基于当前时间、经度、纬度由全球气象预报数据库中提取对应的气象数据，并利用b样条曲线的插值方法得到与时间点和经纬度对应的风速、风向、浪高、浪向、浪周期、流速、流向。
32.相对现有技术，本发明的有益效果是：
33.1.该油耗预估方法利用实时采集的航行数据构建而成，因此，该油耗预估模型无需目标船的模型性能实验数据；
34.2.该油耗预估方法针对特定的船舶数据进行学习，且结合实时的气象来构建油耗模型；
35.3.该油耗预估方法利用船上实时采集的航行数据进行学习，学习数据的对象为10分钟数据，此外，将航行数据分类处理，不同类别的航行数据有不同的预估参数，从而极大提高系统预估的性能；
36.4.该油耗预估方法利用增量学习方法进行动态学习，无需学习大量过往数据，基于历史的模型，每一个月重新学习一下航行数据，重构预估方法，从而保证该系统能够根据实时的船舶性能精确预估船舶油耗。
附图说明
37.通过下面结合附图对其示例性实施例进行的描述，本发明上述特征和优点将会变得更加清楚和容易理解。
38.图1为本发明基于航行大数据的船舶主机油耗动态预估方法的简化流程图；
39.图2为本发明实施例动态航行数据分类模型的构建流程图；
40.图3为本发明实施例动态油耗预估模块的构建流程图；
41.图4为本发明实施例基于神经网络的模型构建流程图。
具体实施方式
42.下面结合附图对本发明作进一步详细说明，以便于同行业技术人员的理解：
43.参见图1所示，本发明实施例提供一种基于航行大数据的船舶主机油耗动态预估方法，采用该方法输入船舶的艏吃水、艉吃水、转速、时间以及经纬度，可以预估得到船舶对地航速、功率以及每小时主机油耗。
44.其在实时预估油耗时，具体采用的步骤如下：
45.将当前艏吃水、艉吃水、转速、时间以及地点的经纬度输入数据分类模块，获得对
应数据种类类型；
46.以及利用当前时间和经纬度从全球气象预报数据库中提取气象，协同气象三维差值模块得到精确的气象值(风速、风向、浪高、浪向、浪周期、流速、流向)。
47.在此，气象插值模型具体指的是，如计算东经120.3
°
北纬20.3
°
在2020-8-2714：20的气象，需要对整点整经纬度气象进行三维插值，气象数据都是预报每天0、6、12、18点的数据，且经纬度都是以整数出现(如120
°
)。因此，进行三维(经度维度、纬度维度、时间维度)插值，利用b样条曲线的插值方法可以得到较为精准的气象数据。
48.动态油耗预估模块根据数据种类类型选择所对应的油耗预估模型，之后将艏吃水、艉吃水、转速以及当前对应的气象数据输入所选择的油耗预估模型；
49.输出船舶对地航速、功率以及每小时主机油耗。
50.因此本实施例中主机油耗动态预估方法的关键在于动态航行数据分类模块以及动态油耗预估模块。该两个模块构建的主要流程如下：
51.一、动态航行数据分类模块主要流程(见图二)：
52.该动态航行数据分类模块利用kmeans聚类算法，主要将航行数据分为四大类，该分类的准则主要依据吃水和转速，该四类数据种类分别是多吃水低转速、多吃水高转速、低吃水低转速、低吃水高转速。对于该模块而言，利用艏吃水、艉吃水的高低来评判吃水的高低。
53.动态航行数据分类模块构建的主要流程如下：
54.①
输入历史航行数据；
55.②
对航行数据进行数据筛选，将航行数据中经度、纬度、时间、对地航速、艏吃水、艉吃水、艏向角、主机功率、主机油耗、主机转速缺失或超限数据删除，从而保证数据符合正常逻辑；
56.③
对筛选后的航行数据进行分类，分类算法采用kmeans算法，依据艏吃水、艉吃水、主机转速进行分类；
57.④
根据初步算法得到第一次分类航行数据后的分类模型，以此为初次训练基准为后续动态地模型调整提供依据；
58.⑤
动态学习新入库的增量航行数据，数据筛选方法同第
②
步；
59.⑥
对筛选后的增量航行数据进行分类，分类算法依然采用初始的kmeans算法，算法的基础参数来源于历史分类模型，并在此基础上，优化算法的参数；
60.⑦
得到增量分类模型，并将历史模型中的算法参数替换成优化后的算法参数；
61.⑧
生成动态航行数据分类模块。
62.二、动态油耗预估模块主要流程(见图三)：
63.该动态油耗预估模块的构建主要分为两大步骤：构建基于历史数据的油耗预估历史学习模型、构建基于增量数据以及历史模型的油耗预估增量模型。构建油耗预估历史学习模型是动态油耗预估模块的基础，基于历史航行数据和全球气象历史数据学习而成。构建油耗预估增量模型，需要利用实时增量的航行数据以及实时更新的全球气象数据学习而成。
64.构建动态油耗预估模块的主要步骤流程如下：
65.①
输入历史航行数据以及历史气象数据；
66.②
筛选历史航行数据，将航行数据中经度、纬度、时间、对地航速、艏吃水、艉吃水、艏向角、主机功率、主机油耗、主机转速缺失或超限数据删除，从而保证学习数据符合正常逻辑，将筛选后的历史航行数据放入动态航行数据分类模型中，按照分类规则可以得到4类航行数据；
67.提取每条航行数据对应的气象。根据时间、经度、纬度从历史气象数据库中提取对应范围的气象数据，利用气象插值模型得到该时间点、该经纬度下的气象：风速、风向、浪高、浪向、浪周期、流速、流向。
68.③
4类历史航行数据以及相对应的气象数据依次进行初次学习。利用多层神经网络的机器学习方法进行学习，模型输入量：主机转速、艏吃水、艉吃水、艏向角、风速、风向、浪高、浪向、浪周期、流速、流向，输出量：对地航速、主机功率、主机油耗。如图四所示。
69.④
根据初步算法得到第一次训练后的油耗预估历史学习模型，以此为初次训练基准为后续动态地模型调整提供依据；
70.⑤
动态学习新入库的增量航行数据，数据筛选分类方法以及气象提取方法同第
②
步；
71.⑥
对分类后的增量航行数据进行学习，学习算法依然采用初始的多层神经网络算法，算法的基础参数来源于油耗预估历史学习模型，并在此基础上，优化算法的参数；
72.⑦
得到基于增量数据的油耗预估增量模型，并将油耗预估历史学习模型中的算法参数替换成基于增量数据优化后的油耗预估增量模型的算法参数；
73.⑧
生成动态油耗预估模块。
74.相对现有技术，本发明的有益效果是：
75.1.该油耗预估方法利用实时采集的航行数据构建而成，因此，该油耗预估模型无需目标船的模型性能实验数据；
76.2.该油耗预估方法针对特定的船舶数据进行学习，且结合实时的气象来构建油耗模型；
77.3.该油耗预估方法利用船上实时采集的航行数据进行学习，学习数据的对象为10分钟数据，此外，将航行数据分类处理，不同类别的航行数据有不同的预估参数，从而极大提高系统预估的性能；
78.4.该油耗预估方法利用增量学习方法进行动态学习，无需学习大量过往数据，基于历史的模型，每一个月重新学习一下航行数据，重构预估方法，从而保证该系统能够根据实时的船舶性能精确预估船舶油耗。
79.以上通过实施例对于本发明的发明意图和实施方式进行详细说明，但是本发明所属领域的一般技术人员可以理解，本发明以上实施例仅为本发明的优选实施例之一，为篇幅限制，这里不能逐一列举所有实施方式，任何可以体现本发明权利要求技术方案的实施，都在本发明的保护范围内。