本发明属于船舶数字化智能化,具体涉及一种多变海况下的船舶航速动态预估方法。
背景技术:
1、船舶作为一种重要的运输工具,在海上货物运输中发挥着重要的作用。船舶的快速性是评价船舶性能的重要指标,也与船舶的能效水平密切相关,主要涉及船舶推进和海洋环境阻力两大部分。实际船舶航行时,船体与螺旋桨间存在相互作用,从而改变了船体尾部的流场特征及压力分布情况,同时非均匀的来流使得螺旋桨的性能也与静水时不相同。由于问题的复杂性,传统的根据船模和实船实验资料进行经验预估的方法,不仅非常费时费力,而且难以充分考虑各种变化情况,预估结果通常与实际值差距很大。人们也常常借助对大量船型资料回归分析得到的经验公式进行估算,这种方法简便实用,但受所选船和数学模型限制,使用范围较窄。
技术实现思路
1、为了解决上述现有技术存在的问题,本申请提出一种多变海况下的船舶航速动态预估方法,包括以下步骤:
2、首先,针对船舶的航速数据、推进主机功率数据和海洋环境变量数据等原始数据进行预处理;
3、然后,分析船舶航速与推进主机功率、海洋环境变量之间的相关关系,将对船舶航速影响较小的变量去除;
4、再然后,通过推进模式识别,对数据进行标注,构建用于神经网络模型训练的数据样本集;
5、最后,以船舶推进主机功率及多个海洋环境变量作为网络的输入,船舶航速作为网络的输出,构建全连接的神经网络模型,在实时数据驱动的情况下实现船舶航速在多变海况下的实时动态预估。
6、进一步,针对船舶的航速数据、推进主机功率数据和海洋环境变量数据等原始数据进行预处理具体包括:
7、在数据分析之前,将船舶靠港期间的数据及由于传感器异常或其他故障产生的异常点或空值统一滤除。
8、进一步的,针对船舶的航速数据、推进主机功率数据和海洋环境变量数据等原始数据进行预处理还需要进行以下步骤:
9、数据载入,分析船舶上各类传感器的实际布置情况,明确测量船舶航速的测点名称及多类海况信息的测点名称,并从船上采集一定时间内相应测点的原始数据。
10、进一步的,分析船舶航速与推进主机功率、海洋环境变量之间的相关关系具体包括以下步骤:
11、首先采用pearson相关系数法计算每个测点参数与船舶航速的相关系数;
12、然后判断相关系数是否大于某设定值,若是,则认为该参数与航速相关,否则认为该参数与航速不相关,暂不在本方法的分析范围之内;
13、最终可得出与船舶航速相关的参数列表及对应的相关系数值。
14、进一步的,构建全连接的神经网络模型具体包括:
15、以标注好的数据样本集中的部分数据作为训练数据按照全链接方式构建神经网络模型,
16、当误差收敛时,航速与推进主机功率、海洋环境的神经网络映射模型训练完成。
17、进一步的,在实时数据驱动的情况下实现船舶航速在多变海况下的实时动态预估具体包括:
18、在应用时,将实际航行参数数据输入训练好的神经网络模型,神经网络经过计算输出此时航速的预估值。
19、进一步的,实际航行参数数据包括推进主机功率、风速、风向、海深、航迹向角。
20、本发明提出的船舶航速动态预估方法,与现有技术相比,其有益效果在于:
21、本发明对船舶航速、推进主机的转速、风速、风向、海深、航迹向角等进行相关性分析,去除对航速影响较小的变量,降低了运算难度;构建船舶航速与推进主机功率与各海洋环境变量的全连接神经网络模型,可实现在主机功率和海洋环境变化情况下,船舶航速的实时预估。
1.一种多变海况下的船舶航速动态预估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的多变海况下的船舶航速动态预估方法,其特征在于,针对船舶的航速数据、推进主机功率数据和海洋环境变量数据等原始数据进行预处理具体包括:
3.根据权利要求2所述的多变海况下的船舶航速动态预估方法,其特征在于,针对船舶的航速数据、推进主机功率数据和海洋环境变量数据等原始数据进行预处理还需要进行以下步骤:
4.根据权利要求1所述的多变海况下的船舶航速动态预估方法,其特征在于,分析船舶航速与推进主机功率、海洋环境变量之间的相关关系具体包括以下步骤:
5.根据权利要求1所述的多变海况下的船舶航速动态预估方法,其特征在于,构建全连接的神经网络模型具体包括:
6.根据权利要求1所述的多变海况下的船舶航速动态预估方法,其特征在于,在实时数据驱动的情况下实现船舶航速在多变海况下的实时动态预估具体包括:
7.根据权利要求6所述的多变海况下的船舶航速动态预估方法,其特征在于:实际航行参数数据包括推进主机功率、风速、风向、海深、航迹向角。