基于虚实映射的船舶航速处理方法、装置及处理设备与流程

1.本技术涉及智能船舶技术领域，具体而言，涉及一种基于虚实映射的船舶航速处理方法、装置及处理设备。


背景技术：

2.在船舶领域，实现船舶的智能有效管理，例如船舶航速的智能优化，是重要的研究课题。
3.目前船舶航速的智能优化方法，主要包括专家系统、经验指导、模糊理论、神经网络模型等技术。
4.但现有的技术中，如果使用专家系统、经验指导、模糊理论的方法，在进行航速优化时，由于船舶工况复杂，参数较多，导致优化结果的准确性较低；如果采用神经网络模型的方法，由于船舶航行数据样本获取困难，只能得到少量数据样本，导致神经网络模型训练度不够，输出的优化结果准确度不高。


技术实现要素：

5.本技术的目的在于，针对现有技术中的不足，提供一种基于虚实映射的船舶航速处理方法、装置及处理设备，其能够根据船舶的实时工作参数信息，得到准确的航速优化结果。
6.为实现上述目的，本技术实施例采用的技术方案如下：
7.第一方面，本技术实施例提供了一种基于虚实映射的船舶航速处理方法，所述方法包括：
8.获取船舶的实时工作参数信息；
9.将所述船舶的实时工作参数信息输入至航速预测模型，得到目标航速信息，所述航速预测模型基于训练样本集训练得到，所述训练样本集基于多维数字孪生仿真模型所输出的仿真数据集构建，所述多维数字孪生仿真模型用于根据船舶的孪生数据输出所述仿真数据集。
10.在一种可选的实施方式中，所述方法还包括：
11.获取所述船舶的孪生数据，所述船舶的孪生数据用于标识船舶的运行数据以及各运行数据之间的关系；
12.将所述船舶的孪生数据输入所述多维数字孪生仿真模型，得到所述仿真数据集；
13.对所述仿真数据集进行标注，得到所述训练样本集；
14.使用所述训练样本集训练得到所述航速预测模型。
15.在一种可选的实施方式中，所述方法还包括：
16.构建初始孪生仿真模型；
17.根据船舶的历史运行数据以及所述初始孪生仿真模型输出的实际仿真结果，对所述初始孪生仿真模型进行修正；
18.若修正后的初始孪生仿真模型满足预设条件，则将所述修正后的初始孪生仿真模型作为所述多维数字孪生仿真模型。
19.在一种可选的实施方式中，所述使用所述训练样本集训练得到所述航速预测模型，包括：
20.根据所述训练样本集训练生成贝叶斯模型；
21.根据所述贝叶斯模型以及实际运行数据，更新所述贝叶斯模型，得到更新后的贝叶斯模型；
22.根据所述更新后的贝叶斯模型和所述训练样本集，得到更新后的训练样本集；
23.根据所述更新后的训练样本集对所述航速预测模型进行修正，得到所述更新后的航速预测模型。
24.在一种可选的实施方式中，所述获取所述船舶的孪生数据，包括：
25.将所述船舶的实时运行数据进行预处理，得到量纲统一的实时运行数据；
26.将所述量纲统一的实时运行数据进行特征选择，得到目标特征向量，所述目标特征向量用于表征与航速相关的运行数据以及运行数据之间的关系；
27.将所述目标特征向量进行维度压缩，得到所述孪生数据。
28.在一种可选的实施方式中，所述船舶的实时运行数据包括：
29.船舶航行状态、船舶运行状态、根据历史航行信息所得到的经验数据。
30.在一种可选的实施方式中，所述方法还包括：
31.根据采集的所述船舶的实时工作参数信息，对所述航速预测模型进行更新。
32.第二方面，本技术实施例提供一种基于虚实映射的船舶航速处理装置，应用于船舶航速处理设备，所述装置包括：
33.获取模块，用于获取船舶的实时工作参数信息；
34.处理模块，将所述船舶的实时工作参数信息输入至航速预测模型，得到目标航速信息，所述航速预测模型基于训练样本集训练得到，所述训练样本集基于多维数字孪生仿真模型所输出的仿真数据集构建，所述多维数字孪生仿真模型用于根据船舶的孪生数据输出所述仿真数据集。
35.第三方面，本技术实施例提供一种基于虚实映射的船舶航速处理设备，所述基于虚实映射的船舶航速处理设备包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如前述实施方式中任一项所述的基于虚实映射的船舶航速处理方法的步骤。
36.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现前述实施方式中任一项所述方法的步骤。
37.本技术实施例的有益效果包括，例如：
38.采用本技术实施例提供的基于虚实映射的船舶航速处理方法、装置及处理设备，首先，本技术实施例利用神经网络模型的方法，根据多个对航速优化结果有影响的实时工作参数信息的数据，通过航速预测模型进行航速预测，能够综合多个工作参数的影响，得到较为准确的目标航速信息。其次，为了克服神经网络模型由于数据样本过少导致的训练度
不够的问题，本技术实施例利用多维数字孪生仿真模型输出的仿真数据集，构建了训练样本集，用于训练航速预测模型。由于多维数字孪生仿真模型可根据各种不同工况下的工作参数信息，得到不同工况下对应的航速仿真结果，大幅度减少了航速预测模型的准确度对实体船舶数据采集数据的依赖，达到了简化航行样本数据获取过程，扩大训练样本集，进而充分训练航速预测模型的目的。
39.另外，本技术还利用贝叶斯模型，根据存储的实际运行数据，更新训练样本集中的训练样本参数，得到更新后的训练样本集，进而采用更新后的训练样本集训练航速预测模型，多次重复这个过程，直到航速预测模型输出的航速预测结果与实际运行数据对应的实际航速的差值小于预设范围。贝叶斯模型的引入，能够根据实际运行数据，对航速预测模型进一步修正，由于经过仿真数据训练的航速预测模型已经能够在仿真空间输出准确的航速优化结果，这样，即使在实际运行数据样本量较少的情况下，经过少量的训练与修正，航速预测模型也能够在实际场景中输出准确的航速优化结果。
附图说明
40.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
41.图1为本技术实施例提供的基于虚实映射的船舶航速处理方法的步骤流程示意图；
42.图2为本技术实施例提供的基于虚实映射的船舶航速处理方法所应用的系统结构示意图；
43.图3为本技术实施例提供的基于虚实映射的船舶航速处理方法的又一步骤流程示意图；
44.图4为本技术实施例提供的基于虚实映射的船舶航速处理方法的又一步骤流程示意图；
45.图5为本技术实施例提供的基于虚实映射的船舶航速处理方法的又一步骤流程示意图；
46.图6为本技术实施例提供的基于虚实映射的船舶航速处理方法的又一步骤流程示意图；
47.图7为本技术实施例提供的基于虚实映射的船舶航速处理方法的又一结构示意图；
48.图8为本技术实施例提供的基于虚实映射的船舶航速处理方法的又一结构示意图；
49.图9为本技术实施例提供的基于虚实映射的船舶航速处理设备的结构示意图。
50.图标：201
‑
数据采集模块；2011
‑
风速风向仪；2012
‑
ais；2013
‑
log；2014
‑
gps；2015
‑
测探仪；2016
‑
主机轴功率仪；2017
‑
电站pms；2018
‑
锅炉系统；2019
‑
液位测量系统；20110
‑
流量计；202
‑
航速智能优化模块；2021
‑
孪生数据生成模块；2022
‑
多维数字孪生仿真模型；2023
‑
航速预测模型；2024
‑
贝叶斯模型；203
‑
数据传输模块；2031
‑
现场总线；2032
‑
工
业以太网；501
‑
处理器；502
‑
存储器。
具体实施方式
51.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
52.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
53.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
54.在本技术的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
55.需要说明的是，在不冲突的情况下，本技术的实施例中的特征可以相互结合。
56.目前，船舶航速优化方法主要基于专家系统、经验指导、模糊理论、神经网络模型等技术。但现有技术无法解决由于船舶航行数据样本量不足、船舶工况复杂、参数较多，导致船舶航速优化结果准确度不够的问题。
57.基于此，申请人经研究，提出了一种基于虚实映射的船舶航速处理方法、装置、处理设备及系统，利用数字孪生仿真模型构建了仿真数据集，克服了神经网络模型由于数据样本过少导致的训练度不够的问题，还利用实际运行的数据和贝叶斯模型，对神经网络模型再次修正，得到准确的航速优化结果。
58.数字孪生仿真用于对于现实世界中的物理设备建立虚拟模型，复制该物理设备的工作情况。数字孪生建立的虚拟模型与物理设备的实际运行数据相连接，在不对物理设备造成损耗的前提下，通过虚拟模型仿真出在物理设备的性能水平下的运行结果。数字孪生仿真中的虚拟模型不仅能够根据实际运行数据仿真输出，还能够根据构建的工作参数，对不同的工作条件进行虚拟测试。
59.如下结合多个具体的应用示例，对本技术实施例提供的一种基于虚实映射的船舶航速处理方法、装置及处理设备进行解释说明。
60.图1为本技术实施例提供的基于虚实映射的船舶航速处理方法的步骤流程示意图，该方法的执行主体可以为具有计算处理能力的船舶航速处理设备，该处理设备可以为船舶上内置的处理设备，或者，该处理设备还可以为远程设备，例如云服务器等。如图1所示，该方法包括：
61.步骤s101，获取船舶的实时工作参数信息。
62.其中，船舶的实时工作参数信息可以表示在实际使用时，在需要进行航速预测的船舶上所采集的实时工作参数信息。
63.步骤s102，将船舶的实时工作参数信息输入至航速预测模型，得到目标航速信息，航速预测模型基于训练样本集训练得到，训练样本集基于多维数字孪生仿真模型所输出的仿真数据集构建，多维数字孪生仿真模型用于根据船舶的孪生数据输出仿真数据集。
64.请参照图2所示的基于虚实映射的船舶航速处理方法所应用的系统结构示意图，该方法涉及数据采集模块201和航速智能优化模块202。其中，数据采集模块201可以是船舶上内置的模块，航速智能优化模块202为上述船舶航速处理设备上的模块。数据采集模块201和航速智能优化模块202可以位于同一物理设备，或者，也可以位于不同的物理设备。数据采集模块201和航速智能优化模块202之间可以通过有线或无线的方式通信。可选地，上述船舶的实时工作参数信息可以由数据采集模块201采集得到，其中，数据采集模块201可以包括但不限于：风速风向仪2011、ais(automatic identification system，船舶自动识别系统)2012、log(航海日志)2013、gps(global positioning system，全球定位系统)2014、测探仪2015、主机轴功率仪2016、电站pms(power production management system，工程生产管理系统)2017、锅炉系统2018、液位测量系统2019、流量计20110。上述数据采集模块201采集的船舶的实时工作参数信息可以包括：风速风向仪2011用于采集船舶上的风速和风向信息；ais2012用于采集船舶的航行状态信息，如航向、航线；log2013用于采集船舶的对水里程信息；gps2014用于采集船舶的经纬度信息；测探仪2015用于采集船舶航行水面的深度信息；主机轴功率仪2016用于采集船舶的主机功率和主机转速信息；电站pms2017用于采集船舶的发电机的功率信息；锅炉系统2018用于采集船舶的锅炉功率信息；液位测量系统2019用于采集船舶的四角吃水信息；流量计20110用于采集船舶上的能耗设备消耗的油量信息，能耗设备可以包括主机、发电机、锅炉。
65.可选地，本技术实施例提供的基于虚实映射的船舶航速处理方法在实际使用时，将数据采集模块201获取到的上述船舶的实时工作参数信息输入至航速预测模型2023，得到了目标航速信息，该目标航速信息用于表示在当前的工作参数信息条件下，航速预测模型2023预测的船舶能够达到的最佳航速。
66.下面将叙述航速预测模型的获取过程，继续参照图2，数据采集模块201获取到的船舶的工作参数信息将输入至航速智能优化模块202的孪生数据生成模块2021中，该模块用于将输入的船舶的工作参数信息转换为孪生数据，具体转换过程将在下文中详述。得到的孪生数据将输入至多维数字孪生仿真模型2022，多维数字孪生仿真模型2022是本技术实施例中构建的用于仿真船舶在实际场景中航行控制状态的虚拟模型，用于根据孪生数据生成模块2021生成的孪生数据，输出仿真数据集，即船舶在仿真场景中、在上述船舶的工作参数信息条件下的仿真航速。将该仿真数据集进行处理，得到了训练样本集，该训练样本集用于对航速预测模型进行训练，训练完成的航速预测模型用于根据实际场景中采集的船舶的工作参数信息，预测航速。
67.需要说明的是，在获取航速预测模型2023时，用于生成孪生数据的船舶的工作参数信息与上述船舶的实时工作参数信息并不相同，上述船舶的实时工作参数信息表征的是在实际使用时，需要进行航速预测的船舶所采集的实时工作参数信息，而用于生成孪生数据的船舶的工作参数信息表征的是多条船舶所采集的工作参数信息的汇总，二者具有数量和来源上的差异。
68.在本实施例中，利用神经网络模型的方法，能够有效的解决参数数量过多、过于复
杂的问题。通过基于神经网络模型的航速预测模型，能够综合多个实时工作参数信息，得到较为准确的目标航速信息。并且，本技术实施例还利用多维数字孪生仿真模型，根据船舶的孪生数据输出了仿真数据集，并根据该仿真数据集获得训练样本集，用于训练航速预测模型。仿真数据集，能够得到不同工况下对应的航速仿真结果，扩大了训练航速预测模型的训练样本集的数据，大幅度减少了航速预测模型的准确度对实体船舶数据采集数据的依赖，使航速预测模型得到充分训练，输出结果的准确性大大提升。
69.可选地，如图3所示，在上述实施例的基础上，本技术实施例提供的基于虚实映射的船舶航速处理方法还可以包括：
70.步骤s301，获取船舶的孪生数据，船舶的孪生数据用于标识船舶的运行数据以及各运行数据之间的关系。
71.其中，船舶的孪生数据用于标识船舶的运行数据以及各运行数据之间的关系。可以理解的是，船舶的孪生数据可以是在一个或多个同型的船舶所采集的实际运行数据的基础上，增加标识了这些船舶的运行数据之间的关系得到的数据，作为下述实施例中多维数字孪生仿真模型的输入数据。
72.其中，在获取到船舶的工作参数信息后，可据此构建船舶的孪生数据，可选地，船舶的孪生数据可以是多元组表达式，该多元组表达式中可以包括以下船舶的运行数据：船舶上的风速和风向信息、航行状态信息，如航向和航线、船舶的对水里程信息、船舶的经纬度信息、船舶航行水面的深度信息、船舶的主机功率和主机转速信息、船舶的发电机的功率信息、船舶的锅炉功率信息、船舶的四角吃水信息、船舶上的能耗设备消耗的油量信息，能耗设备可以包括主机、发电机、锅炉。
73.可选地，该多元组表达式还可以用于标识上述运行数据之间的关联程度，以数值方式表示，可以理解的是，关联数值最大的某两个运行数据，说明二者对于航速的影响呈正相关性。
74.需要说明的是，表示关联程度的数值可以由具有相关专业经验知识的专家根据工程经验、专家库等方式人为确定，也可由历史工作参数信息计算，综合评定获取，在此不做限定。
75.步骤s302，将船舶的孪生数据输入多维数字孪生仿真模型，得到仿真数据集。
76.将步骤s301中根据船舶的工作参数信息生成的孪生数据，输入至多维数字孪生仿真模型中，通过仿真船舶在实际采集的工作参数信息下的对应的状态，可以得到该船舶在输入的工作参数信息下能够达到的仿真最佳航速，多组工作参数信息、每组工作参数信息之间的关联关系数值，及与多组工作参数信息对应的仿真最佳航速，共同构成了仿真数据集。
77.步骤s303，对仿真数据集进行标注，得到训练样本集。
78.仿真数据集中，包括多组工作参数信息、每组工作参数信息之间的关联关系数值，及与多组工作参数信息对应的仿真最佳航速。对仿真数据集进行标注，可以是在仿真数据集上设置标签的过程。将多组工作参数信息、每组工作参数信息之间的关联关系数值设置为输入标签，将与多组工作参数信息对应的仿真最佳航速设置为验证标签。
79.需要说明的是，上述对仿真数据集进行标注的过程可以以人工标注的方式完成，也可以由预先设定了标注规则的算法完成，本技术在此不做限定。
80.步骤s304，使用训练样本集训练得到航速预测模型。
81.利用得到的训练样本集，训练航速预测模型，航速预测模型将训练样本集中带有输入标签的数据输入至航速预测模型，并将航速预测模型的输出结果与训练样本集中设置为验证标签的数据比对，若比对结果小于预设阈值，则航速预测模型训练完成。训练完毕后，航速预测模型能够根据船舶的工作参数，输出该船舶的工作参数在多维数字孪生仿真模型中的仿真条件下，能够达到的最佳航速。航速预测模型的具体训练过程将在下述实施例中详述。
82.在本实施例中，仿真了船舶的孪生数据在多维数字孪生仿真模型的仿真条件下能够达到的最佳航速，可以在不受船舶物理采集条件影响的情况下，获得多组数据，满足训练航速预测模型所需的数据量。达到了简化航行样本数据获取过程，扩大训练样本集，进而充分训练航速预测模型的目的。
83.可选地，如图4所示，上述步骤s302中的多维数字孪生仿真模型可以通过如下步骤构建：
84.步骤s401，构建初始孪生仿真模型。
85.初始孪生仿真模型的构建，是从船体三维设计、流体力学、气象模型建立的用于仿真船舶航行控制的理论模型。
86.步骤s402，根据船舶的历史运行数据以及初始孪生仿真模型输出的实际仿真结果，对初始孪生仿真模型进行修正。
87.其中，历史运行状态数据包括：多组船舶的工作参数信息以及对应的实际航速。将多个船舶采集的历史运行状态数据的工作参数信息输入至初始孪生仿真模型，将得到的实际仿真结果，即仿真航速，将其与该组工作参数信息对应的实际航速进行比较，若二者的差值大于预设阈值，则对初始孪生仿真模型的模型的参数权重进行调整，使调整后初始孪生仿真模型输出的实际仿真结果相比于调整前的实际仿真结果更接近实际航速。
88.需要说明的是，若实际仿真结果与实际航速的差值一直大于预设阈值，上述初始孪生仿真模型的模型的参数权重进行调整的过程将会一直进行，直到其差值小于预设阈值，将会进行下一步骤。
89.步骤s403，若修正后的初始孪生仿真模型满足预设条件，则将修正后的初始孪生仿真模型作为多维数字孪生仿真模型。
90.经过步骤s402的调整，在初始孪生仿真模型输出的实际仿真结果与实际航速的差值小于预设阈值后，初始孪生仿真模型调整完善，成为多维数字孪生仿真模型。
91.在本实施例中，利用船舶的历史数据对初始孪生仿真模型进行修正，使得建立在理论基础上的初始孪生仿真模型有实际的数据做支撑，最终得到的多维数字孪生仿真模型也更接近实际情况，保证了仿真数据的准确性。
92.可选地，如图5所示，上述步骤s301的获取船舶的孪生数据，包括如下步骤：
93.步骤s3011，对船舶的实时运行数据进行预处理，得到量纲统一的实时运行数据。
94.上述船舶的实时运行数据表征的是船舶在运行时所采集的多个工作参数信息，包括：船舶上的风速和风向信息、航行状态信息、船舶的对水里程信息、船舶的经纬度信息、船舶航行水面的深度信息、船舶的主机功率和主机转速信息、船舶的发电机的功率信息、船舶的锅炉功率信息、船舶的四角吃水信息、船舶上的能耗设备消耗的油量信息。这些船舶的实
时运行数据的量纲并不一致，举例说明，如船舶的风速和风向信息的量纲是m/s(米每秒)，船舶上的能耗设备消耗的油量信息的量纲是l(升)。
95.数据预处理是指将上述船舶的实时运行数据的量纲进行统一，将船舶的实时运行数据转换到统一规格的过程。量纲统一的方法，可以包括：正态分布标准化法、利用特征取值区间边界的区间缩放法、依照特征矩阵的进行行处理数据的归一化法，本技术在此不做限定。
96.步骤s3012，将量纲统一的实时运行数据进行特征选择，得到目标特征向量，目标特征向量用于表征与航速相关的运行数据以及运行数据之间的关系。
97.可选地，上述量纲统一的实时运行数据中包含多个能够对航速产生影响的工作参数信息，本步骤可以将这些量纲统一的实时运行数据进行处理，挑选出能够对航速产生影响的工作参数信息，作为目标特征向量，也可以将相互之间具有相关性的多个工作参数信息作为目标特征向量，本技术在此不做限定。
98.其中，将上述量纲统一的实时运行数据进行处理的方法可以包括：方差选择法、相关系数法，本技术在此不做限定。
99.步骤s3013，将目标特征向量进行维度压缩，得到孪生数据。
100.通过上述步骤s3012的特征选择对上述量纲统一的实时运行数据进行处理后，得到的目标特征向量数据量过大，容易导致模型计算量过大，训练周期过长，因此，需要降低目标特征向量的数据维度，才能够得到用于训练多维数字孪生仿真模型的孪生数据，这个降低数据维度的过程即为维度压缩。
101.其中，维度压缩的方法可以包括：pca(principal component analysis，主成分分析法)、正则化法，本技术在此不做限定。
102.在本实施例中，通过对船舶的实际运行数据进行量纲统一、特征选择、维度压缩处理，得到了孪生数据。处理好的孪生数据可以避免由于船舶的实际运行数据的量纲不统一导致的网络不收敛的问题，还能够避免由于输入数值的数量级不同引起的误差，另外，选择出对航速结果有影响的数据，还能够避免数据冗余导致模型的过度训练问题，维度压缩也能够降低数据量，避免模型计算量过大，训练周期过长。
103.可选地，如图6所示，上述步骤s304的使用训练样本集训练得到航速预测模型的过程，可由以下步骤得到：
104.步骤s3041，根据训练样本集训练生成贝叶斯模型。
105.可选地，可以利用上述步骤s303中得到的训练样本集，训练生成贝叶斯模型，需要说明的是，本步骤中生成的贝叶斯模型在下述步骤中将会更新。
106.步骤s3042，根据贝叶斯模型以及实际运行数据，更新贝叶斯模型，得到更新后的贝叶斯模型。
107.上述贝叶斯网络是一个模型，基于有向无环图，用于描述属性之间的数值依赖关系。在对贝叶斯模型进行更新时，将实际运行数据将作为输入的训练数据，进一步训练贝叶斯网络，训练完成后，得到了更新后的贝叶斯网络。
108.步骤s3043，根据更新后的贝叶斯模型和训练样本集，得到更新后的训练样本集。
109.将训练样本集中包含的工作参数信息，及工作参数信息之间的关联关系数值与更新后的贝叶斯模型所描述的工作参数信息之间的数值依赖关系相比较，并将工作参数信息
之间的关联关系数值替换为贝叶斯网络中的工作参数信息之间的数值依赖关系，完成训练样本集的更新。
110.步骤s3044，根据更新后的训练样本集对航速预测模型进行修正，得到更新后的航速预测模型。
111.利用上述更新后的训练样本集，再次训练航速预测模型，更新航速预测模型的参数，得到了更新后的航速预测模型。
112.需要说明的是，如图7所示，上述步骤s3042至步骤s3044的过程是反复多次循环的，直到上述步骤s3043中的贝叶斯模型2023更新的训练样本集与实际运行数据的误差小于预设阈值，并且上述步骤s3044中的航速预测模型2023输出的航速预测结果与训练样本集中实际航速的误差小于预设阈值为止。
113.在本实施例中，引入贝叶斯模型，利用实际运行数据，对航速预测模型进行进一步修正。由于经过仿真数据训练的航速预测模型已经能够在仿真空间输出准确的航速优化结果，这样，即使在实际运行数据样本量较少的情况下，经过少量的训练与修正，航速预测模型也能够在实际场景中输出准确的航速优化结果。因此，贝叶斯模型提高了航速优化结果与实际运行数据的吻合度，克服了小样本所导致的航速预测模型训练不完备的问题，提高了预测的准确性。
114.可选地，上述步骤s3042中的船舶的实时运行数据可以包括：船舶航行状态、船舶运行状态、根据历史航行信息所得到的经验数据。
115.其中，船舶航行状态数据可以是船舶航行时的描述周围环境状态的工作参数，可以包括：船舶上的风速和风向信息、航行状态信息，如航向和航线、船舶的对水里程信息、船舶的经纬度信息、船舶航行水面的深度信息、船舶的四角吃水信息。
116.船舶运行状态信息可以是描述船舶上的设备运行状态的工作参数，可以包括：船舶的主机功率和主机转速信息、船舶的发电机的功率信息、船舶的锅炉功率信息、船舶上的能耗设备消耗的油量信息。
117.根据历史航行信息所得到的经验数据可以是根据船队或者船员的航行经验，或者是航海日志记录的历史操作轨迹，所得到的航速预设经验值。
118.上述数据都可以存储在数据库中。
119.作为一种可选的实施方式，上述方法还包括：根据采集的船舶的实时工作参数信息，对航速预测模型进行更新。
120.可以理解的是，由于数据不均衡的问题，上述训练后得到的航速预测模型，可能无法在所有情况下都能够获得准确的航速预测结果。因此，本实施例中将会根据船舶在运行时采集到的新的船舶的实时工作参数信息，重复上述步骤s301至步骤s304的过程，再次更新航速预测模型。
121.本实施例中，利用不断采集的船舶的实时工作参数信息，对训练后的样本再次更新，进一步保证了航速预测模型的数据量，从而使航速预测模型的准确性进一步提高。
122.可选地，如图8所示，上述方法还可以包括：数据传输模块203，包括：现场总线2031和工业以太网2032。
123.现场总线2031用于与数据采集模块201进行数据交互，将数据采集模块201采集的船舶的实时运行数据通过标准的传输协议传输至数据库，或者可以直接将数据传输至工业
以太网2032。上述数据库可以是：mysql、sqlserver。传输协议可以包括但不限于：modbus协议、profibus
‑
dp(decentralized periphery，分散外围设备)协议、can协议、s7协议，本技术在此不做限定。
124.工业以太网2032，将通过工业以太网协议，将通过现场总线2031传输过来的数据或数据库中的数据，传输至航速智能优化模块202。工业以太网协议包括但不限于：tcp/ip(transmission control protocol/internet protocol，传输控制协议/网际互连协议)。
125.本实施例还提供一种基于虚实映射的船舶航速处理装置，应用于船舶航速处理设备，该装置包括：
126.获取模块，用于获取船舶的实时工作参数信息。
127.处理模块，用于将船舶的实时工作参数信息输入至航速预测模型，得到目标航速信息，航速预测模型基于训练样本集训练得到，训练样本集基于多维数字孪生仿真模型所输出的仿真数据集构建，多维数字孪生仿真模型用于根据船舶的孪生数据输出仿真数据集。
128.作为一种可选的实施方式，处理模块具体用于：
129.获取船舶的孪生数据，船舶的孪生数据用于标识船舶的运行数据以及各运行数据之间的关系；
130.将船舶的孪生数据输入多维数字孪生仿真模型，得到仿真数据集；
131.对仿真数据集进行标注，得到训练样本集；
132.使用训练样本集训练得到航速预测模型。
133.作为一种可选的实施方式，处理模块具体还用于：
134.构建初始孪生仿真模型；
135.根据船舶的历史运行数据以及初始孪生仿真模型输出的实际仿真结果，对初始孪生仿真模型进行修正；
136.若修正后的初始孪生仿真模型满足预设条件，则将修正后的初始孪生仿真模型作为多维数字孪生仿真模型。
137.作为一种可选的实施方式，处理模块具体还用于：
138.根据训练样本集训练生成贝叶斯模型；
139.根据贝叶斯模型以及实际运行数据，更新贝叶斯模型，得到更新后的贝叶斯模型；
140.根据更新后的贝叶斯模型和训练样本集，得到更新后的训练样本集；
141.根据更新后的训练样本集对航速预测模型进行修正，得到更新后的航速预测模型。
142.作为一种可选的实施方式，处理模块具体还用于：
143.将船舶的实时运行数据进行预处理，得到量纲统一的实时运行数据；
144.将量纲统一的实时运行数据进行特征选择，得到目标特征向量，目标特征向量用于表征与航速相关的运行数据以及运行数据之间的关系；
145.将目标特征向量进行维度压缩，得到孪生数据。
146.其中，船舶的实时运行数据包括：
147.船舶航行状态、船舶运行状态、根据历史航行信息所得到的经验数据。
148.作为一种可选的实施方式，处理模块具体还用于：
149.根据采集的船舶的实时工作参数信息，对航速预测模型进行更新。
150.作为一种可选的实施方式，装置还包括：
151.数据传输模块，用于将数据采集模块采集的船舶的实时运行数据传输至航速智能优化模块。
152.本实施例还提供一种基于虚实映射的船舶航速处理设备，如图9所示，处理设备包括：处理器501、存储介质和总线，存储介质存储有处理器501可执行的机器可读指令，当电子设备运行时，处理器501与存储介质之间通过总线通信，处理器501执行上述机器可读指令，以执行前述实施例中的基于虚实映射的船舶航速处理方法的步骤。
153.存储器502、处理器501以及总线各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。船舶航速处理装置包括至少一个可以软件或固件(firmware)的形式存储于存储器502中或固化在计算机设备的操作系统(operating system，os)中的软件功能模块。处理器501用于执行存储器502中存储的可执行模块，例如船舶航速处理装置所包括的软件功能模块及计算机程序等。
154.其中，存储器502可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read
‑
only memory，prom)，可擦除只读存储器(erasable programmable read
‑
only memory，eprom)，电可擦除只读存储器(electric erasable programmable read
‑
only memory，eeprom)等。
155.可选地，本技术还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。
156.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本技术中不再赘述。在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
157.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
158.以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在
本技术的保护范围之内。