CN111046491B - 预估大型船舶柴油主机油耗的方法和装置 - Google Patents
预估大型船舶柴油主机油耗的方法和装置 Download PDFInfo
- Publication number
- CN111046491B CN111046491B CN201911194235.8A CN201911194235A CN111046491B CN 111046491 B CN111046491 B CN 111046491B CN 201911194235 A CN201911194235 A CN 201911194235A CN 111046491 B CN111046491 B CN 111046491B
- Authority
- CN
- China
- Prior art keywords
- host
- speed
- fuel consumption
- ship
- sailing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本说明书提供一种预估大型船舶柴油主机油耗的方法和装置,方法包括:将船舶的航行速度、主机的转速、主机的输出功率、船艏向相对风速、和航行速度对应的滑失率输入到油耗预测神经网络模型,得到预估主机油耗;其中:油耗预测神经网络模型采用多个训练数据组对初始网络模型训练得到;每个训练数据组均包括船舶稳定航行状态下,同一时刻获取的航行速度、主机转速、主机输出功率、船艏向相对风速和航行速度对应的滑失率和测量油耗。由于油耗预测神经网络模型仅是由几个直接与油耗直接相关的参数训练得到,没有其他参数的干扰影响,因此更符合大型船舶实际航行时的工作特性,经其计算得到预估主机油耗精度较高。
Description
技术领域
本发明涉及船舶技术领域,尤其涉及预测代行船舶柴油主机油耗的方法和装置。
背景技术
大型船舶的主机***燃油成本占到其运营成本的绝大部分。以超大型原油运输船为例,其采用的低速柴油机燃油消耗占到了全船燃油消耗的90%以上,燃油消耗成本占到了整船运营成本的40%-60%。
为了定量化地确定主机***的油耗检测,一些大型船舶的柴油主机***的燃油供给子***中安装有主机燃油流量计。随着全船智能化控制技术的发展,新建大型船舶配备有智能信息***,使操作人员能够实时地获取船舶的运行状态数据(包括船舶运行速度、船舶主机输出功率、船舶主机转速等)、航行环境特征数据(水文特征和大气特征等)和由主机燃油流量计测量得到的主机油耗数据。
但是,前述的主机燃油流量计和智能信息***也仅能测量、显示船舶柴油主机的燃油消耗,并不能确定燃油消耗与船舶运行状态、航行环境特征的匹配度。当前,仍然需要操作人员(船长或者轮机长)通过经验知识判定前述匹配度,以及通过燃油消耗、航行环境特征和航行状态特征的匹配度判断船舶主机的故障状态。
发明内容
本说明书提供一种预估大型船舶柴油主机油耗的方法,可用于估算柴油主机的油耗。
一方面,本说明书提供一种预估大型船舶柴油主机油耗的方法,包括:
将所述船舶的航行速度、所述主机的转速、所述主机的输出功率、船艏向相对风速、和所述航行速度对应的滑失率输入到油耗预测神经网络模型,得到预估主机油耗;
其中:所述油耗预测神经网络模型采用多个训练数据组对初始网络模型训练得到;每个所述训练数据组均包括船舶稳定航行状态下,同一时刻获取的航行速度、主机转速、主机输出功率、船艏向相对风速和航行速度对应的滑失率和测量油耗。
可选的,获取所述训练数据组的步骤,包括:
计算所有样本数据组中航行速度绝对中位差、主机转速绝对中位差和主机输出功率绝对中位差,以及,计算所有样本数据组中航行速度中位数、主机转速中位数和主机输出功率中位数;
将其中数据满足下述条件的样本数据组作为所述训练数据组:航行速度与所述航行速度中位数差值小于x倍的所述航行速度绝对中位差,主机转速与所述主机转速中位数插值小于y倍的所述主机转速绝对中位差,以及主机输出功率与所述主机输出功率中位数差值小于z倍的所述主机输出功率绝对中位差;
其中:所述x、y和z在2-4之间。
可选的,选择所述样本数据组作为所述训练数据组的条件还包括:
样本数据组中航行速度在预设航行速度范围内,样本数据组中的主机转速在预设主机转速范围内。
可选的,所述初始网络模型为BP神经网络模型;
所述BP神经网络模型采用双正切函数作为隐含层传递函数,采用线性传递函数作为输出层的传输函数。
可选的,采用多个训练数据组对初始网络模型训练得到所述油耗预测神经网络模型的步骤包括:
采用Levenberg-Marquardt函数作为训练函数,采用有动量的梯度下降函数作为学习函数,采用均方误差函数作为性能函数,利用所述多个训练数据组对所述初始网络模型进行训练,得到所述油耗预测神经网络模型。
另一方面,本说明书提供一种评估大型船舶柴油主机工作状态的方法,包括:
采用如前所述的预估大型船舶柴油主机油耗的方法获得所述预估主机油耗;
根据实测主机油耗和所述预估主机油耗得到差值油耗;
根据所述差值油耗判断所述主机的运行状态,或者判断燃油流量计是否正常工作;所述燃油流量计用于测量所述实测主机油耗。
再一方面,本说明书提供一种预估大型船舶柴油主机油耗的装置,包括:
油耗预测神经网络模块,用于根据所述船舶的航行速度、所述主机的转速、所述主机的输出功率、船艏向相对风速和所述航行速度对应的滑失率计算得到预估主机油耗;
所述油耗预测神经网络模型中的参数采用多个训练数据组对初始神经网络模型训练得到;每个所述训练数据组均包括船舶稳定航行状态下,同一时刻获取的航行速度、主机转速、主机输出功率、船艏向相对风速、航行速度对应的滑失率和测量油耗。
可选的,所述装置还包括:
计算模块,用于计算所有样本数据组中航行速度绝对中位差、主机转速绝对中位差和主机输出功率绝对中位差,以及,计算所有样本数据组中航行速度中位数、主机转速中位数和主机输出功率中位数;
数据选取模块,用于将满足下述条件的样本数据组作为所述训练数据组:航行速度与所述航行速度中位数差值小于x倍的所述航行速度绝对中位差,主机转速与所述主机转速中位数插值小于y倍的所述主机转速绝对中位差,以及主机输出功率与所述主机输出功率中位数差值小于z 倍的所述主机输出功率绝对中位差;
参数训练模块,用于采用所述训练数据组对所述初始神经网络模型进行训练,得到所述油耗预测神经网络模型中的参数。
可选的,所述数据选取模块选择所述样本数据组作为所述训练数据组的条件还包括:
所述样本数据组中航行速度在预设航行速度范围内,和/或,所述样本数据组中的主机转速在预设主机转速范围内。
再一方面,本说明书还提供一种评估大型船舶柴油主机工作状态的装置,包括:
油耗预测神经网络模块,用于根据所述船舶的航行速度、所述主机的转速、所述主机的输出功率、船艏向相对风速和所述航行速度对应的滑失率计算得到预估主机油耗;
比较模块,用于根据实测主机油耗和所述预估主机油耗得到差值油耗;
状态确定模块,用于根据所述差值油耗判断所述主机的运行状态,或者判断燃油流量计是否正常工作;
其中:所述油耗预测神经网络模型中的参数采用多个训练数据组对初始神经网络模型训练得到;每个所述训练数据组均包括船舶稳定航行状态下,同一时刻获取的航行速度、主机转速、主机输出功率、船艏向相对风速、航行速度对应的滑失率和测量油耗;所述燃油流量计用于测量所述实测主机油耗。
本说明书提供的预估大型柴油主机油耗的方法,仅利用航行速度、主机的转速、主机的输出功率、船艏相对风速和与航行速度对应的滑失率和测量油耗配合形成训练数据组训练得到的油耗预测神经网络模型;此模型可以用于根据实测参数预测主机油耗;由于此模型仅是由几个直接与油耗直接相关的参数训练得到,没有其他参数的干扰影响,因此更符合大型船舶实际航行时的工作特性,经其计算得到预估主机油耗精度较高。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1是一实施例提供的预估大型船舶柴油主机油耗的方法的流程图;
图2是一实施例提供的评估大型船舶柴油主机工作状态的方法的流程图;
图3是一实施提供的预估大型船舶柴油主机油耗的装置的组成示意图;
图4是一实施例提供的评估大型船舶柴油主机工作状态的装置的示意图;
附图标记:11-数据获取模块,12-油耗预测神经网络模块,13-比较模块,14-状态确定模块。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
图1是一实施例提供的预估大型船舶柴油主机油耗的方法的流程图。如图1所示,前述方法包括步骤S101和S102。
S101:获取船舶的航行速度、主机的转速、主机的输出功率、船艏向相对风速,以及与航行速度对应的滑失率。
前述的各个参数应当为同一时间获取的参数,也就是各个参数配合反应船舶同一时刻的工作状态。
船舶的航行速度、主机的转速和主机的输出功率可以通过船舶的主动控制***获得,也可以通过人工读取各种类型的仪表或显示设备获得,对此本说明书并不做特别地限定。
船艏向相对风速是通过船艏向的风速检测传感器获得的相对风速wsi和相对风向角θ获得。具体的,船艏向相对风速采用公式一获得。
wi=-wsi×cosθ公式一
滑失率是船舶螺旋桨螺距与实际推进距离的比值,表明了船舶主机输出功率的做功效率;滑失率Si可以采用公式二获得
公式二中,Ni为主机转速,Vi为船舶的航行速度,Lj为螺旋桨螺距系数,其可以通过查询对应型号主机的查找表获得。
S102:将船舶的航行速度、主机的转速、主机的输出功率、船艏相对风速以及与航行速度对应的滑失率输入到油耗预测神经网络模型,得到预估主机油耗。
前述的油耗预测神经网络模型采用大量的训练数据组对初始神经网络模型训练得到。前述的每个训练组均为由船舶稳定航行状态下同一时刻获取的航行速度、主机转速、主机输出功率、船艏向相对风速和航行速度对应的滑失率和测量油耗组成。
本说明书实施例中,用于训练计算主机油耗的神经网络模型的训练数据组包括航行速度、主机转速、主机输出功率、船艏向相对风速和航行速度对应的滑失率和测量油耗六个数据,排除主机油耗外,其他六个参数由申请人根据船舶运行特性筛选得到。
目前,已有预测主机油耗的神经网络模型,这一神经网络采用了船舶纵倾角、载货状态、吃水深度、舵面角度、绝对风速、主机转速、滑失率、主机润滑油温度、主机气缸平均温度、主机增压器转速和主机推力轴承温度等参数获得,但是申请人在对前述参数进行分析过程中发现,某些参数具有强关联关系。
因为前述参数的强关联关系和参数测量误差,造成利用前述参数组成的数据组训练神经网络得到的收敛速度慢,拟合误差维持较大的问题,并且训练得到的神经网络模型对主机油耗的预测误差一直较大。
申请人通过机理分析,考虑船舶纵倾角、吃水深度的变化除了和在中有关外,更多的是由风浪环境因素引起;并且,在船舶维持稳定状态航行时,前述影响因素综合作用到了船舶的航行速度和滑失率。
主机润滑油温度、主机气缸平均温度、主机增压器转速和主机推力轴承温度和主机的转速和输出功率有直接相关关系,可以仅由这两个参数替代。
此外,在船艏向方向的风速直接影响船舶航行过程中的风阻特性,因此也需要考虑。
综上,申请人考虑对仅将航行速度、主机的转速、主机的输出功率、船艏相对风速和与航行速度对应的滑失率作为和主机油耗直接相关的参数,并和测量油耗配合形成训练数据组对初始的神经网络模型进行训练,继而得到油耗预测神经网络模型。随后,利用此油耗预测神经网络模型对同型号船舶稳定航行状态下的油耗进行预测。
在一个具体应用中,用于基础训练的初始网络模型为BP神经网络模型;BP神经网络模型采用了双正切函数作为隐含层传递函数,采用线性传递函数作为输出层的传递函数。
此外,在采用数据训练组对初始神经网路模型进行训练的过程中,采用Levenberg-Marquardt函数作为训练函数,采用有动量的梯度下降函数作为学习函数、采用均方误差函数作为性能函数;其中, Levenberg-Marquardt函数结合了梯度下降和牛顿法的优点,可以有效地避免陷入局部最有解的问题。另外,考虑机理特性和训练数据组中的数据和油耗均具有直接关系,油耗预测神经网路模型大概率是隐藏层不多、每层神经源节点数量不太多的模型,采用Levenberg-Marquardt函数还可以使得训练过程具有较快的收敛速度。
应当注意,在训练油耗预测神经网络模型的过程中,前述的训练数据组一部分作为训练数据集,一部分作为验证数据集。训练数据集用于对模型的参数进行训练,验证数据集用于对模型的拟合精度进行评测。
在本申请的具体应用中,在油耗预测神经网络模型训练和使用过程中,均采用归一化函数对各种数据组中对应的数据进行了归一化处理。
在油耗预测神经网络模型实际训练过程中,可以通过逐步增加隐藏层的数量和每层神经元数量的方式,直至经过验证的模型均方误差满足要求。在一个针对某型30.8万吨超大型原油运输船(主机额定输出功率 24720Kw、主机额定转速67rpm,设计最大航速14.5kkn的测试过程中,最终训练得到的油耗训练神经网络模型的隐藏层层数为3层,每层的神经元数目分别为10、8和5,最终使得测试数据集的整体均方误差为 3.16×10-3,数据的整体平均相对误差为3.24×10-2,满足精度要求。
应当注意,本说明书实施例提供的油耗预测神经网路模型为BP神经网路模型,在其他实施例中,油耗预测神经网络模型还可以为其他类型的神经网络模型,并且神经网络模型中隐含层传输函数、输出层传递函数、训练函数和学习函数均可以采用特定类型的函数。
根据数学建模的基本原理可知,用于建模的数据的合理性对模型精度和适用性具有重要影响。为了保证建立的油耗预测神经网络模型的精度,在实测得到样本数据组后,筛选符合条件的样本数据组作为训练数据组。
在一个实施例中,筛选样本数据组而获得训练数据组的步骤如 S201-S202。
S201:计算样本数据组中航行速度绝对中位差、主机转速绝对中位差和主机输出功率绝对中位差,并且计算样本数据组中航行速度中位数、主机转速中位数和主机输出功率中位数。
S202:根据航行速度绝对中位差、主机转速结对中位差、主机输出功率绝对中位差、航行速度中位数、主机转速中位数和主机输出功率中位数确定满足条件的样本数据组作为训练数据组。
具体的,将满足下述条件的样本数据组作为训练数据组:选择航行速度与航行速度中位数差值小于x倍的航行速度绝对中位差,主机转速与主机转速中位数插值小于y倍的主机转速绝对中位差,以及主机输出功率与主机输出功率中位数差值小于z倍的主机输出功率绝对中位差;其中,根据数据情况,前述的x、y和z在2-4之间。
绝对中位差为一些列同属性数据同其中位数偏差的绝对数的中位数,其可以用于检测同属性数据中与中位数偏差超过一定范围的离群值,对于数据集中异常值的处理比标准差更具有弹性,更利于筛选异常值。
当然,在其他实施例中,也可以采用诸如标准差的方式筛选异常值,或者采用经验人群筛选的方式筛选异常值,确定样本数据组。
此外,在一些应用中,确定样本数据组作为训练数据组的条件还可以包括:样本数据中的航行速度在预设航行速度范围内,样本数据组中的主机转速在预设主机范围内;例如,针对前述的30.8万吨超大型原油运输船,正常航速范围为3-15kn主机转速正常范围为30-70rpm。这一条件主要用于排除主机停机检修、船舶抛锚避风或者船舶特殊机动等情况。
除了提供前述的预估大型船舶柴油主机油耗的方法外,本说明书还提供一种基于前述方法,评估大型船舶柴油主机工作状态的方法。图2 是一实施例提供的评估大型船舶柴油主机工作状态的方法的流程图,如图2所示,评估方法包括步骤S301-S304。
S301:获取实测主机油耗。
实测主机油耗是采用燃油流量计测量的柴油主机瞬时油耗;应当注意,主机瞬时油耗应当在主机稳定工作的状态下获得。在一些应用中,可以采集主机稳定工作状态下的多个瞬时油耗取平均作为实测主机油耗。
S302:采用预估大型船舶柴油主机油耗的方法获得预估主机油耗。
获取测量前述主机瞬时油耗时间点的船舶航行速度、主机转速、主机的输出功率、船艏向相对风速和航行速度对应的滑失率,带入到油耗预测神经网路模型中,得到预估主机油耗。
S303:根据实测主机油耗和预估主机油耗得到差值油耗。
步骤S303是将实测主机油耗和预估主机油耗相减,获得二者差值的过程。
S304:根据差值油耗判断主机的运行状态。
因为油耗预测神经网络模型是利用船舶正常运行时采集的训练数据组获得,所以利用船舶常规状态的航行速度、主机转速、主机输出功率、船艏相对风速和航行速度对应的滑失率可以确定对应工况下的预估主机油耗,并且此预估主机油耗和正常运行状态下的油耗相差不大,可以作为判断实测主机油耗是否正常的基准。
如果油耗差值大于预定差值,则确定实测主机油耗不正常;如果油耗差值小于预定差值,则确定实测主机油耗正常。
此外,在一些应用中,如果可以确保主机正常工作,还可以采用前述的油耗差值对主机的燃油流量计的计量精度进行估计。
除了提供前述的预估大型船舶柴油主机油耗的方法和评估大型船舶柴油主机工作状态的方法外,本说明书还提供一种预估大型船舶柴油主机油耗的装置和一种评估大型船舶柴油主机工作状态的装置;因为前述装置和前述方法采用同一发明构思,所以以下仅主要就前述装置的组成做介绍,其功能和效果参见前文方法部分的表述。
图3是一实施提供的预估大型船舶柴油主机油耗的装置的组成示意图。如图3所示,本实施例提供的装置包括数据获取模块11和油耗预测神经网络模块12。
数据获取模块11用于获取船舶的航行速度、主机的转速、主机的输出功率、船艏向相对风速和航行速度对应的滑失率。
油耗预测神经网络模块12用于根据船舶的航行速度、主机的转速、主机的输出功率、船艏向相对风速和航行速度对应的滑失率计算得到预估主机油耗。
其中,油耗预测神经网络模型中的参数采用多个训练数据组对初始神经网络模型训练得到;每个训练数据组均包括船舶稳定航行状态下,同一时刻获取的航行速度、主机转速、主机输出功率、船艏向相对风速、航行速度对应的滑失率和测量油耗。
具体的,数据获取模块11可以通过读取船舶的中控设备生成的航行日志文件获取船舶的航行速度、主机的转速和主机的输出功率,可以通过读取风速传感器生成的数据计算船艏向相对风速,以及通过根据航行速度查找原始数据表格获得对应的滑失率。
在一个具体应用中,前述的装置还可以包括用于训练油耗预测神经网络模型的模块;训练油耗预测神经网络模型的模块可以包括计算模块、数据选取模块和参数训练模块。
计算模块用于计算所有样本数据组中航行速度绝对中位差、主机转速绝对中位差和主机输出功率绝对中位差,以及,计算所有样本数据组中航行速度中位数、主机转速中位数和主机输出功率中位数;
数据选取模块用于将满足下述条件的样本数据组作为训练数据组:航行速度与航行速度中位数差值小于x倍的航行速度绝对中位差,主机转速与主机转速中位数插值小于y倍的主机转速绝对中位差,以及主机输出功率与主机输出功率中位数差值小于z倍的主机输出功率绝对中位差;
参数训练模块用于采用训练数据组对初始神经网络模型进行训练,得到油耗预测神经网络模型中的参数。
在一些应用中,数据选取模块选择样本数据组作为训练数据的条件还可以包括:样本数据组中航行速度在预设航行速度范围内,或者,样本数据组中的主机转速在预设主机转速范围内。
图4是一实施例提供的评估大型船舶柴油主机工作状态的装置的示意图。如图4所示,前述装置包括油耗预测神经网络模块12、比较模块 13和状态确定模块14。
油耗预测神经网络模块12用于根据船舶的航行速度、主机的转速、主机的输出功率、船艏向相对风速和航行速度对应的滑失率计算得到预估主机油耗;
比较模块13用于根据实测主机油耗和预估主机油耗得到差值油耗;
状态确定模块14用于根据差值油耗判断主机的运行状态,或者判断燃油流量计是否正常工作。
本说明书还提供一些存储介质,存储介质中存储有程序代码,程序代码经由处理器加载后可以用于执行前述预估大型船舶柴油主机油耗的方法和评估大型船舶柴油主机工作状态的方法。
本说明书实施例还提供一种电子设备。电子设备包括存储器和处理器;存储器存储有程序代码;处理器在加载前述程序代码后可以执行前述预估大型船舶柴油主机油耗的方法和评估大型船舶柴油主机工作状态的方法。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,的程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种预估大型船舶柴油主机油耗的方法,其特征在于,包括:
将所述船舶的航行速度、所述主机的转速、所述主机的输出功率、船艏向相对风速、和所述航行速度对应的滑失率输入到油耗预测神经网络模型,得到预估主机油耗;初始网络模型为BP神经网络模型;所述BP神经网络模型采用双正切函数作为隐含层传递函数,采用线性传递函数作为输出层的传输函数;
其中:所述油耗预测神经网络模型采用多个训练数据组对初始网络模型训练得到;每个所述训练数据组均包括船舶稳定航行状态下,同一时刻获取的航行速度、主机转速、主机输出功率、船艏向相对风速和航行速度对应的滑失率和测量油耗;获取所述训练数据组的步骤,包括:计算所有样本数据组中航行速度绝对中位差、主机转速绝对中位差和主机输出功率绝对中位差,以及,计算所有样本数据组中航行速度中位数、主机转速中位数和主机输出功率中位数;将其中数据满足下述条件的样本数据组作为所述训练数据组:航行速度与所述航行速度中位数差值小于x倍的所述航行速度绝对中位差,主机转速与所述主机转速中位数插值小于y倍的所述主机转速绝对中位差,以及主机输出功率与所述主机输出功率中位数差值小于z倍的所述主机输出功率绝对中位差;其中:所述x、y和z在2-4之间;所述采用多个训练数据组对初始网络模型训练得到所述油耗预测神经网络模型的步骤包括:采用Levenberg-Marquardt函数作为训练函数,采用有动量的梯度下降函数作为学习函数,采用均方误差函数作为性能函数,利用所述多个训练数据组对所述初始网络模型进行训练,得到所述油耗预测神经网络模型。
2.根据权利要求1所述的方法,其特征在于,选择所述样本数据组作为所述训练数据组的条件还包括:
样本数据组中航行速度在预设航行速度范围内,样本数据组中的主机转速在预设主机转速范围内。
3.一种评估大型船舶柴油主机工作状态的方法,其特征在于,包括:
采用如权利要求1-2任一项所述的预估大型船舶柴油主机油耗的方法获得所述预估主机油耗;
根据实测主机油耗和所述预估主机油耗得到差值油耗;
根据所述差值油耗判断所述主机的运行状态,或者判断燃油流量计是否正常工作;所述燃油流量计用于测量所述实测主机油耗。
4.一种预估大型船舶柴油主机油耗的装置,其特征在于,包括:
油耗预测神经网络模块,用于根据所述船舶的航行速度、所述主机的转速、所述主机的输出功率、船艏向相对风速和所述航行速度对应的滑失率计算得到预估主机油耗;
所述油耗预测神经网络模型中的参数采用多个训练数据组对初始神经网络模型训练得到;每个所述训练数据组均包括船舶稳定航行状态下,同一时刻获取的航行速度、主机转速、主机输出功率、船艏向相对风速、航行速度对应的滑失率和测量油耗;
还包括:
计算模块,用于计算所有样本数据组中航行速度绝对中位差、主机转速绝对中位差和主机输出功率绝对中位差,以及,计算所有样本数据组中航行速度中位数、主机转速中位数和主机输出功率中位数;
数据选取模块,用于将满足下述条件的样本数据组作为所述训练数据组:航行速度与所述航行速度中位数差值小于x倍的所述航行速度绝对中位差,主机转速与所述主机转速中位数插值小于y倍的所述主机转速绝对中位差,以及主机输出功率与所述主机输出功率中位数差值小于z倍的所述主机输出功率绝对中位差;所述样本数据组中航行速度在预设航行速度范围内,和/或,所述样本数据组中的主机转速在预设主机转速范围内;
参数训练模块,用于采用所述训练数据组对所述初始神经网络模型进行训练,得到所述油耗预测神经网络模型中的参数。
5.一种评估大型船舶柴油主机工作状态的装置,其特征在于,包括:
油耗预测神经网络模块,用于根据所述船舶的航行速度、所述主机的转速、所述主机的输出功率、船艏向相对风速和所述航行速度对应的滑失率计算得到预估主机油耗;
比较模块,用于根据实测主机油耗和所述预估主机油耗得到差值油耗;
状态确定模块,用于根据所述差值油耗判断所述主机的运行状态,或者判断燃油流量计是否正常工作;
其中:所述油耗预测神经网络模型中的参数采用多个训练数据组对初始神经网络模型训练得到;每个所述训练数据组均包括船舶稳定航行状态下,同一时刻获取的航行速度、主机转速、主机输出功率、船艏向相对风速、航行速度对应的滑失率和测量油耗;所述燃油流量计用于测量所述实测主机油耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911194235.8A CN111046491B (zh) | 2019-11-28 | 2019-11-28 | 预估大型船舶柴油主机油耗的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911194235.8A CN111046491B (zh) | 2019-11-28 | 2019-11-28 | 预估大型船舶柴油主机油耗的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046491A CN111046491A (zh) | 2020-04-21 |
CN111046491B true CN111046491B (zh) | 2023-07-25 |
Family
ID=70233092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911194235.8A Active CN111046491B (zh) | 2019-11-28 | 2019-11-28 | 预估大型船舶柴油主机油耗的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046491B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111619755B (zh) * | 2020-06-09 | 2021-05-04 | 中国船舶科学研究中心 | 一种基于卷积神经网络的船体型线设计方法 |
CN112036076A (zh) * | 2020-08-13 | 2020-12-04 | 重庆瑞尔科技发展有限公司 | 一种长江内河航运船舶复杂运行情况油耗预测方法及*** |
CN112446096A (zh) * | 2020-11-26 | 2021-03-05 | 上海船舶运输科学研究所 | 一种基于航行大数据的船舶主机油耗动态预估方法 |
CN113673815A (zh) * | 2021-07-08 | 2021-11-19 | 三一智矿科技有限公司 | 基于车辆数据处理的矿车调度方法及装置 |
CN113428318B (zh) * | 2021-08-04 | 2022-04-15 | 南京盛航海运股份有限公司 | 船舶动力设备监控方法、装置、设备及存储介质 |
CN115456451B (zh) * | 2022-09-28 | 2023-10-31 | 中远海运科技股份有限公司 | 一种基于ais的船舶油耗估算方法及*** |
CN115907172B (zh) * | 2022-11-29 | 2024-01-30 | 中远海运散货运输有限公司 | 船舶油耗量预测方法、装置、设备及介质 |
WO2024121137A1 (en) * | 2022-12-06 | 2024-06-13 | Cetasol Ab | A virtual fuel consumption sensor system |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0051992A2 (en) * | 1980-11-07 | 1982-05-19 | Ronald Frederick Bourne | A carburettor and a method of carburation |
FR2918171A1 (fr) * | 2007-06-26 | 2009-01-02 | Peugeot Citroen Automobiles Sa | Procede pour estimer la consommation en carburant d'un vehicule automobile. |
JP2014127045A (ja) * | 2012-12-26 | 2014-07-07 | Mitsubishi Heavy Ind Ltd | 運航支援システム、及び運航支援方法 |
CN107330217A (zh) * | 2017-07-13 | 2017-11-07 | 北京市交通信息中心 | 一种基于rbfnn的中观油耗预测方法 |
CN108595853A (zh) * | 2018-04-28 | 2018-09-28 | 吉林大学 | 一种基于遗传算法的并联混合动力汽车参数优化设计方法 |
CN109324291A (zh) * | 2018-08-21 | 2019-02-12 | 西南交通大学 | 一种针对质子交换膜燃料电池寿命预测的预测方法 |
CN110245390A (zh) * | 2019-05-27 | 2019-09-17 | 南京信息工程大学 | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2458161B1 (fr) * | 2010-11-24 | 2014-11-12 | Techspace Aero S.A. | Méthode de monitoring du système d'huile d'une turbomachine |
CN102768524B (zh) * | 2012-08-06 | 2015-05-13 | 长沙绿航节能科技有限公司 | 一种船舶运行能效的***优化方法及其装置 |
CN107944648B (zh) * | 2018-01-08 | 2021-06-18 | 中国船舶工业***工程研究院 | 一种大型船舶航速油耗率预测方法 |
CN109063910A (zh) * | 2018-08-02 | 2018-12-21 | 浙江海洋大学 | 一种基于大数据的船舶污染物排放实时监测方法 |
-
2019
- 2019-11-28 CN CN201911194235.8A patent/CN111046491B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0051992A2 (en) * | 1980-11-07 | 1982-05-19 | Ronald Frederick Bourne | A carburettor and a method of carburation |
FR2918171A1 (fr) * | 2007-06-26 | 2009-01-02 | Peugeot Citroen Automobiles Sa | Procede pour estimer la consommation en carburant d'un vehicule automobile. |
JP2014127045A (ja) * | 2012-12-26 | 2014-07-07 | Mitsubishi Heavy Ind Ltd | 運航支援システム、及び運航支援方法 |
CN107330217A (zh) * | 2017-07-13 | 2017-11-07 | 北京市交通信息中心 | 一种基于rbfnn的中观油耗预测方法 |
CN108595853A (zh) * | 2018-04-28 | 2018-09-28 | 吉林大学 | 一种基于遗传算法的并联混合动力汽车参数优化设计方法 |
CN109324291A (zh) * | 2018-08-21 | 2019-02-12 | 西南交通大学 | 一种针对质子交换膜燃料电池寿命预测的预测方法 |
CN110245390A (zh) * | 2019-05-27 | 2019-09-17 | 南京信息工程大学 | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 |
Non-Patent Citations (5)
Title |
---|
development of a predictive system for car fuel consumption using an artificial network;wu, jd等;EXPERT SYSTEMS WITH APPLICATIONS;第38卷(第5期);全文 * |
基于GRNN算法的船用柴油机性能曲线模拟与油耗率预测;黄加亮;刘磊;陈景锋;;船舶工程(第03期);全文 * |
基于人工神经网络的船舶油耗模型;叶睿;许劲松;;船舶工程(第03期);全文 * |
基于随机森林算法的内河船舶油耗预测模型;牟小辉;袁裕鹏;严新平;赵光普;;交通信息与安全(第04期);全文 * |
船舶主机油耗模型发展现状及展望;周春斌;袁成清;张彦;;柴油机(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111046491A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046491B (zh) | 预估大型船舶柴油主机油耗的方法和装置 | |
Fan et al. | A review of ship fuel consumption models | |
EP3330171B1 (en) | Apparatus for predicting a power consumption of a maritime vessel | |
AU2020218818B2 (en) | Method and system for reducing vessel fuel consumption | |
EP3011401B1 (en) | A method for a vehicle | |
Capezza et al. | Ship fuel consumption monitoring and fault detection via partial least squares and control charts of navigation data | |
CN112088122B (zh) | 船舶的实际海域推进性能评价方法、评价***以及计算机可读存储介质 | |
Vorkapić et al. | Machine learning methods in monitoring operating behaviour of marine two-stroke diesel engine | |
Almallah et al. | Global load determination of high-speed wave-piercing catamarans using finite element method and linear least squares applied to sea trial strain measurements | |
JP2019018641A (ja) | 船舶性能解析システムおよび船舶性能解析方法 | |
Tran | A study of the energy efficiency management for bulk carriers considering navigation environmental impacts | |
CN115410419B (zh) | 一种船舶系泊预警方法、***、电子设备及存储介质 | |
WO2023054039A1 (ja) | 船舶の実船モニタリング解析による性能評価方法、性能評価プログラム、及び性能評価システム | |
CN113682443B (zh) | Vlcc船舶在指令航速下的理论日燃油消耗确定方法 | |
JP6846896B2 (ja) | 船舶の推進性能の解析 | |
Golovan et al. | System of Water Vehicle Power Plant Remote Condition Monitoring | |
Coraddu et al. | Data science and advanced analytics for shipping energy systems | |
Storhaug et al. | Onshore use of hull monitoring data retrieved from ultra large container ships | |
Golovan et al. | Reliable Ship Emergency Power Source: A Monte Carlo Simulation Approach to Optimize Remaining Capacity Measurement Frequency for Lead-Acid Battery Maintenance | |
Lim et al. | Monitoring systems in design of ships | |
Bertram et al. | A Critical Assessment of Measures to Improve Energy Efficiency in Containerships | |
CN115675780B (zh) | 船舶吃水预测方法、***、电子设备及可读存储介质 | |
Gao et al. | Energy consumption optimization of Inland sea ships based on operation data and ensemble learning | |
Wahl | Prediction of fuel consumption of a ship in transit using machine learning | |
Drummen et al. | Structural fatigue life assessment and maintenance needs for a new class of US Coast Guard Cutters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |