一种船舶的船底附着物清理预测方法与流程

1.本发明涉及清理技术领域，具体涉及一种船舶的船底附着物清理预测方法。


背景技术：

2.水中有大量的寄生物会依附在船底，增加船舶的负担。大量的寄生物附着在船舶底部，不仅会增加船身的重量，使得船身的速度下降，加大燃料的耗费，还会腐蚀船舶的材质。目前都是通过水下探测来对船舶进行随机清理，但水下探测的方法不仅操作不方便，而且做不到及时清理。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种船舶的船底附着物清理预测方法，所采用的技术方案具体如下：
4.基于设定的采样频率获取船舶的油耗量和吃水深度，得到当前采样周期内的油耗量序列和吃水深度序列，结合所述油耗量序列和所述吃水深度序列计算当前采样周期内船舶的油耗异常指标；统计当前采样周期内船舶的停泊次数，将每次停泊时长组成一个停泊时长序列；
5.根据所述吃水深度序列中的每个吃水深度构建吃水深度的线性变化函数，由线性变化函数获取所述吃水深度序列的测量误差值；计算所述吃水程度序列的吃水深度方差，将所述测量误差值和所述吃水深度方差之间的乘积作为所述油耗异常指标的误判参数，结合所述误判参数、所述油耗异常指标、所述停泊次数和所述停泊时长序列获取当前采样周期的船舶清理指标；
6.获取多个采样周期的所述船舶清理指标，构成一个清理指标序列，将所述清理指标序列输入清理指标预测网络得到下一个采样周期的船舶清理指标预测值；获取所述清理指标预测网络的预测差异参数，利用所述预测差异参数优化所述船舶清理指标预测值，得到实际船舶清理指标预测值，根据所述实际船舶清理指标预测值对船舶进行清理预警。
7.进一步地，所述结合所述油耗量序列和所述吃水深度序列计算当前采样周期内船舶的油耗异常指标的方法，包括：
8.获取吃水深度序列中的最大吃水深度、最小吃水深度和平均吃水深度，计算最大吃水深度和最小吃水深度之间的吃水深度差值；计算油耗量序列的平均油耗量和油耗量极差；
9.结合当前采样周期与上一个采样周期之间对应平均吃水深度的第一差值、当前采样周期与上一个采样周期之间对应平均油耗量的第二差值、当前采样周期的吃水深度差值和当前采样周期的油耗量极差计算当前采样周期的油耗异常指标，其中，油耗异常指标的计算公式为：
10.11.其中，ui为第i个采样周期的油耗异常指标；max(li)为第i个采样周期的最大吃水深度；min(li)为第i个采样周期的最小吃水深度；mean(li)为第i个采样周期的平均吃水深度；mean(l
i-1
)为第i-1个采样周期的平均吃水深度；range(hi)为第i个采样周期的油耗量极差；mean(hi)为第i个采样周期的平均油耗量；mean(h
i-1
)为第i-1个采样周期的平均油耗量。
12.进一步地，所述由线性变化函数获取所述吃水深度序列的测量误差值的方法，包括：
13.分别将吃水深度序列中的每个吃水深度代入线性变化函数，得到每个吃水深度对应的理想吃水深度；
14.分别计算每个吃水深度与对应理想吃水深度之间的深度差值，得到一个深度差值序列，对深度差值序列计算平均深度差值，将平均深度差值作为对应吃水深度序列的测量误差值。
15.进一步地，所述船舶清理指标的计算公式，包括：
[0016][0017]
其中，w为船舶清理指标，mean(t)为停泊时长序列的平均停泊时长，u为油耗异常指标，s为停泊次数，j为误判参数。
[0018]
进一步地，所述获取所述清理指标预测网络的预测差异参数的方法，包括：
[0019]
将已知的多个船舶清理指标预测值构成一个预测值序列，将实际计算的多个相对应船舶清理指标构成一个实际值序列，计算预测值序列和实际值序列之间的相似度得到清理指标预测网络的预测差异参数，其中，预测差异参数的计算公式为：其中，m为预测差异参数，p为实际值序列，p0为预测值序列。
[0020]
进一步地，所述实际船舶清理指标预测值的计算公式，包括：
[0021]
w0＝w
′
*m
[0022]
其中，w0为实际船舶清理指标预测值，w
′
为船舶清理指标预测值，m为预测差异参数。
[0023]
本发明实施例至少具有如下有益效果：根据船舶的油耗量、吃水深度、停泊次数和停泊时长分析每个采样周期的船舶清理指标，将连续多个采样周期的船舶清理指标通过清理指标预测网络获取下一采样周期的船舶清理指标预测值，利用清理指标预测网络的预测差异参数对船舶清理指标预测值进行优化，以得到准确的实际船舶清理指标预测值，进而能够做到及时清理预警，降低船舶材质腐蚀的速度，同时解决了水下探测的麻烦。
附图说明
[0024]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术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发明的一些实施例，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它附图。
[0025]
图1为其示出了本发明一个实施例提供的一种船舶的船底附着物清理预测方法的步骤流程图。
具体实施方式
[0026]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种船舶的船底附着物清理预测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0027]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0028]
下面结合附图具体的说明本发明所提供的一种船舶的船底附着物清理预测方法的具体方案。
[0029]
请参阅图1，其示出了本发明一个实施例提供的一种船舶的船底附着物清理预测方法的步骤流程图，该方法包括以下步骤：
[0030]
步骤s001，基于设定的采样频率获取船舶的油耗量和吃水深度，得到当前采样周期内的油耗量序列和吃水深度序列，结合油耗量序列和吃水深度序列计算当前采样周期内船舶的油耗异常指标；统计当前采样周期内船舶的停泊次数，将每次停泊时长组成一个停泊时长序列。
[0031]
具体的，船舶动力是通过消耗油量来实现的，而船舶的载重量会影响船舶的油耗量，载重量越大，对应油耗量也会变大，因此记录船舶的油耗量，本发明实施例以船舶的行驶路程为采样频率，即每行驶一百公里记录一次船舶的油耗量h，然后以一个星期为采样周期，进而得到一个星期内船舶每百公里的油耗量所组成的油耗量序列h＝{h1,h2…hn
}，其中h1为第1次采样时的油耗量，h2为第2次采样时的油耗量，hn为第n次采样时的油耗量。
[0032]
当船底有大量附着物是，附着物的重量会增加船舶的自身重量，进而增大船舶的吃水深度，因此通过距离传感器测量水面与船舶甲板的距离，将该距离作为船舶的吃水深度，同样以一个星期为采样周期，以1分钟的采样频率记录船舶的吃水深度l，得到一个吃水深度序列l＝{l1,l2…
ln}，其中l1为第1次采样时的吃水深度，l2为第2次采样时的吃水深度，ln为第n次采样时的吃水深度。
[0033]
由于船舶行驶时，速度较高，不利于类似藤壶的海洋生物的附着，但是当船舶速度降低或者是停泊的时候，容易被藤壶分泌胶体粘住，因此，船舶的停泊次数越多，且每次停泊的时间越长，藤壶等生物附着的越多。故，本发明实施例同样以一星期为采样周期，统计一个星期内船舶的停泊次数s以及每次停泊时的停泊时长，将停泊时长组成一个停泊时长序列t＝{t1,t2,
…
ts}，其中t1为第1次采样时的停泊时长，t2为第2次采样时的停泊时长，ts为第s次采样时的停泊时长。
[0034]
将一个采样周期内船舶的油耗量序列h、吃水深度序列l、停泊次数s和停泊时长序列t构成该采样周期的特征向量，进而能够得到多个采样周期的特征向量。
[0035]
进一步地，正常情况下，船舶满载时，由于船舶的载荷不变，相对应船舶的油耗量和吃水深度也不会有太大变化，而当船底有藤壶等附着物时，附着物的重量会增加船舶的自重，增大轮船的吃水深度，且由于附着物的附着，导致船底的阻力增大，使得发动机需要输出更多的动力使轮船保持在标定速度，增加油耗，因此结合吃水深度序列和油耗量序列计算对应采样周期内船舶的油耗异常指标，其具体计算方法为：获取吃水深度序列中的最
大吃水深度、最小吃水深度和平均吃水深度，计算最大吃水深度和最小吃水深度之间的吃水深度差值；计算油耗量序列的平均油耗量和油耗量极差，结合当前采样周期与上一个采样周期之间对应平均吃水深度的第一差值、当前采样周期与上一个采样周期之间对应平均油耗量的第二差值、当前采样周期的吃水深度差值和当前采样周期的油耗量极差计算当前采样周期的油耗异常指标，则油耗异常指标的计算公式为：
[0036][0037]
其中，ui为第i个采样周期的油耗异常指标；max(li)为第i个采样周期的最大吃水深度；min(li)为第i个采样周期的最小吃水深度；mean(li)为第i个采样周期的平均吃水深度；mean(l
i-1
)为第i-1个采样周期的平均吃水深度；range(hi)为第i个采样周期的油耗量极差；mean(hi)为第i个采样周期的平均油耗量；mean(h
i-1
)为第i-1个采样周期的平均油耗量。
[0038]
根据油耗异常指标的计算公式能够得到每个采样周期对应船舶的油耗异常指标，进而将油耗异常指标加入特征向量中，构成一个新特征向量。
[0039]
步骤s002，根据吃水深度序列中的每个吃水深度构建吃水深度的线性变化函数，由线性变化函数获取吃水深度序列的测量误差值；计算吃水程度序列的吃水深度方差，将测量误差值和吃水深度方差之间的乘积作为油耗异常指标的误判参数，结合误判参数、油耗异常指标、停泊次数和停泊时长序列获取当前采样周期的船舶清理指标。
[0040]
具体的，由于海面会因为风的吹动导致有波浪，而如果距离传感器刚好检测到激起的浪花，就会造成吃水深度的测量有高有低的浮动误差，因此会导致步骤s001中计算的油耗异常指标存在误差，故根据新特征向量中的吃水深度序列l获取对应油耗异常指标的误判参数，则以一个采样周期为例，其具体过程为：
[0041]
(1)根据吃水深度序列中的每个吃水深度构建吃水深度的线性变化函数。
[0042]
具体的，将吃水深度序列中的每个吃水深度和对应的采样时间点构成一个数据组，得到多个数据组，对数据组利用最小二乘法计算吃水深度序列对应拟合直线的斜率；计算吃水深度序列的平均吃水深度，相对应的，计算采样时间点的平均采样时间点，结合斜率、平均吃水深度和平均采样时间点得到吃水深度的线性变化函数。
[0043]
(2)分别将吃水深度序列中的每个吃水深度代入线性变化函数，得到每个吃水深度对应的理想吃水深度，结合理想吃水深度计算对应吃水深度序列的测量误差值。
[0044]
具体的，线性变化函数用于表征吃水深度序列在采样周期内船舶的吃水深度变化直线，也即是吃水深度的一个理想变化直线，因此将吃水深度序列中的每个吃水深度代入线性变化函数，得到每个吃水深度对应的理想吃水深度。分别计算每个吃水深度与对应理想吃水深度之间的深度差值，进而得到一个深度差值序列，对深度差值序列计算平均深度差值，将平均深度差值作为对应吃水深度序列的测量误差值。
[0045]
(3)计算吃水程度序列的吃水深度方差，将测量误差值和吃水深度方差之间的乘积作为油耗异常指标的误判参数。
[0046]
需要说明的是，吃水深度方差表示采样周期内吃水深度的波动程度，吃水深度方差越大，油耗异常指标的误判参数越大；测量误差值是指理想与实际测量之间的误差，则测量误差值越大，油耗异常指标的误判参数越大。
[0047]
进一步地，单从油耗分析不能准确表明船底的附着物是否需要清洗，且通过调查发现，一些体型较大、优速较慢的海洋生物身上寄生的藤壶数量较多，而像鲨鱼这样游速较快的海洋生物身上几乎发现不了藤壶的寄生，其原因是，鲨鱼的游泳速度快，不利于藤壶附着，同理，船舶在航行中，速度较快，不利于藤壶等生物的附着，但船舶停止下来时，就给了藤壶等生物附着的机会，因此，结合采样周期内的误判参数、油耗异常指标、停泊次数和停泊时长序列获取对应采样周期的船舶清理指标，则船舶清理指标的计算公式为：
[0048][0049]
其中，w为船舶清理指标，mean(t)为停泊时长序列的平均停泊时长，u为油耗异常指标。
[0050]
需要说明的是，当采样周期内船舶的停泊次数越多，每次的停泊时长越长，油耗异常指数越高，油耗异常指标的误判参数越低，相对应该采样周期的船舶清理指标越高。
[0051]
步骤s003，获取多个采样周期的船舶清理指标，构成一个清理指标序列，将清理指标序列输入清理指标预测网络得到下一个采样周期的船舶清理指标预测值；获取清理指标预测网络的预测差异参数，利用预测差异参数优化船舶清理指标预测值，得到实际船舶清理指标预测值，根据实际船舶清理指标预测值对船舶进行清理预警。
[0052]
具体的，通过步骤s001和步骤s002的方法获取连续多个采样周期对应的船舶清理指标，将这些船舶清理指标构成一个清理指标序列，将清理指标序列输入清理指标预测网络中得到下一个采样周期的船舶清理指标预测值，其中，本发明实施例中清理指标预测网络为tcn预测网络，该tcn预测网络的输入为清理指标序列，输出为下一个采样周期的船舶清理指标预测值，且tcn预测网络的损失函数采用均方差损失函数。
[0053]
进一步地，由于船舶清理指标预测值和和实际计算的船舶清理指标存在差异，且为了使得预测结果更加准确，将已知的多个船舶清理指标预测值构成一个预测值序列，将实际计算的多个相对应船舶清理指标构成一个实际值序列，计算预测值序列和实际值序列之间的相似度得到清理指标预测网络的预测差异参数，则预测差异参数的计算公式为：其中，m为预测差异参数，p为实际值序列，p0为预测值序列；然后利用预测差异参数优化船舶清理指标预测值，得到实际船舶清理指标预测值，则优化公式为：w0＝w
′
*m，其中，w0为实际船舶清理指标预测值，w
′
为船舶清理指标预测值。
[0054]
设置一个预测阈值，当实际船舶清理指标预测值大于预测阈值时，确认船舶船底需要清洗，进而及时发出清洗预警。
[0055]
综上所述，本发明实施例提供了一种船舶的船底附着物清理预测方法，该方法根据船舶的油耗量、吃水深度、停泊次数和停泊时长分析每个采样周期的船舶清理指标，将连续多个采样周期的船舶清理指标通过清理指标预测网络获取下一采样周期的船舶清理指标预测值，利用清理指标预测网络的预测差异参数对船舶清理指标预测值进行优化，以得到准确的实际船舶清理指标预测值，进而能够做到及时清理预警，降低船舶材质腐蚀的速度，同时解决了水下探测的麻烦。
[0056]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理
也是可以的或者可能是有利的。
[0057]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0058]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。