CN112036076A - 一种长江内河航运船舶复杂运行情况油耗预测方法及*** - Google Patents

Abstract

本发明公开了一种长江内河航运船舶复杂运行情况油耗预测方法及***。方法包括：获取船舶平稳状态下的多个船舶航行参数，将多个船舶航行参数输入油耗预测模型，油耗预测模型输出油耗预测值；油耗预测模型为神经网络深度学习模型，油耗预测模型的激活函数为：

其中，x表示神经元节点的输入，f(x)表示神经元节点的输出，K为比例系数，0.1≤K≤0.5。该方法能够自动获取油耗预测值，不依赖人工经验，全面考虑了内河航运中对油耗影响较大的因素，使得油耗预测更为准确，采用优化的激活函数，有效防止神经网络训练拟合过程中梯度消失的问题，提高模型训练速度和有效性。

Description

一种长江内河航运船舶复杂运行情况油耗预测方法及***

技术领域

本发明涉及船舶技术领域，特别是涉及一种长江内河航运船舶复杂运行情况油耗预测方法及***。

背景技术

长江内河航运的发动机油耗成本是内河航运船舶运营的主要成本，对于船舶运输公司来说，运输货物的成本中，油耗成本占据船舶运营成本的60％以上。随着船联网技术的发展，航运船舶安装了北斗定位，动力监控***以及油箱液位测量***，使船舶公司的管理人员和船舶操作人员可以实时的获取船舶航行过程中的运行状态数据(包括发动机转速、单双转)、航行地理位置特征数据(如上下水，航段)、以及油箱液位测量***得到主机油耗数据。但是，上述的油箱液位测量***，船舶航行动力监控***和北斗定位***是三个独立的***，并不能直接将三者数据直接整合使用。当前，仍需要船舶操作人员根据经验判断船舶油耗情况，自动化程度低，易受操作人员操作经验主观影响，一致性差。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种长江内河航运船舶复杂运行情况油耗预测方法及***。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种长江内河航运船舶复杂运行情况油耗预测方法，包括：获取船舶平稳状态下的多个船舶航行参数，将所述多个船舶航行参数输入油耗预测模型，所述油耗预测模型输出油耗预测值；所述船舶航行参数包括动力参数和航行环境参数；所述油耗预测模型为神经网络深度学习模型，所述油耗预测模型的激活函数为：

其中，x表示神经元节点的输入，f(x)表示神经元节点的输出，K为比例系数，0.1≤K≤0.5。

上述技术方案：该方法通过输入多个船舶航行参数至油耗预测模型获取油耗预测值，能够自动化的获取油耗预测值，不依赖人工经验，船舶航行参数包括动力参数和航行环境参数，全面考虑了内河航运中对油耗影响较大的因素，使得油耗预测更为准确，同时，油耗预测模型采用优化的激活函数，能够有效防止神经网络训练拟合过程中梯度消失的问题，提高模型训练速度和有效性。

在本发明的一种优选实施方式中，在对油耗预测模型的训练中，根据航行环境参数对油耗影响大小，确定网络节点的丢弃与否，当航行环境参数与油耗大小正相关，则网络节点个数保持不变；否则随机选取丢弃比例对每层之间的网络节点个数进行丢弃。

上述技术方案：根据实际航行环境参数与油耗的关系，使得部分训练样本训练时无需舍弃网络节点，部分训练样本训练时需要舍弃网络节点，在保证训练速度较快的同时能有效防止过拟合。

在本发明的一种优选实施方式中，在对油耗预测模型的训练中，对于任一层神经网络中的网络节点，从区间[0.3，0.5]中随机选择一个数值α，按照公式Y＝ceil((1－α)＊X)保留Y个网络节点作为激活节点，舍弃其余网络节点，所述X表示该层神经网络中的网络节点的输入个数，函数ceil()表示向上取整函数。

上述技术方案：虽然增加了模型拟合的收敛时间，但是可以有效的避免模型的过拟合，增加油耗预测模型对于新的数据预测的准确性，提高了油耗预测模型的预测可靠性和稳定性，在模型收敛好之后的模型参数会更加健壮。

在本发明的一种优选实施方式中，在对油耗预测模型的训练中，根据航行环境对船舶油耗影响较大的特点，按每层之间的节点个数随机选取一定范围区间比例进行丢弃。

在本发明的一种优选实施方式中，利用训练数据集对初始油耗预测模型进行训练获得所述油耗预测模型；所述训练数据集中的训练样本数据的获取过程包括：收集船舶平稳状态下的船舶航行参数数据和油耗；判断收集的船舶航行参数数据中是否存在异常数据，若不存在异常数据，则将收集的船舶航行参数数据和油耗作为一个训练样本数据，若存在异常数据且异常数据占比小于比例阈值，将收集的船舶航行参数数据过滤异常数据后的部分和油耗作为一个训练样本数据，若存在异常数据且异常数据占比大于等于比例阈值，则丢弃收集的船舶航行参数数据和油耗。

上述技术方案：确保训练样本数据均为稳态情况下的数据，能提高油耗预测的精度。

在本发明的一种优选实施方式中，所述动力参数包括发动机转速、单双转运行信息；所述航行环境参数包括上下水信息、内河航段汛期信息、船舶载货量。

上述技术方案：提供了全面的航行参数，使得油耗预测结果更准确。

在本发明的一种优选实施方式中，在收集的所有发动机转速数据中，若异常发动机转速数据在所有发动机转速数据中的占比小于比例阈值，单双转运行信息、上下水信息、内河航段汛期信息无变化，并且没有油柜加油行为，则利用收集的船舶航行参数数据构建训练样本数据。

为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种长江内河航运船舶复杂运行情况油耗预测***，包括动力监控装置、船舶定位装置以及处理装置，所述处理装置分别与动力监控装置和船舶定位装置连接；所述处理装置从动力监控装置获取发动机转速、单双转运行信息，所述处理装置从船舶定位装置获取上下水信息、内河航段汛期信息、船舶载货量，所述处理装置执行本发明所述的长江内河航运船舶复杂运行情况油耗预测方法获得油耗的预测值。

在本发明的一种优选实施方式中，还包括设于船舶的油柜上的压差液位计，所述压差液位计与处理装置连接。

上述技术方案：该***能够自动化的获取油耗预测值，不依赖人工经验，船舶航行参数包括动力参数和航行环境参数，全面考虑了内河航运中对油耗影响较大的关键因素，使得油耗预测更为准确。

附图说明

图1是本发明一具体实施方式中的流程示意图；

图2是本发明一具体实施方式中激活函数曲线示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“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，仅是为了便于描述本发明和简化描述，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发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明公开了一种长江内河航运船舶复杂运行情况油耗预测方法，在一种优选实施方式中，该方法的流程示意图如图1所示，包括：获取船舶平稳状态下的多个船舶航行参数，将多个船舶航行参数输入油耗预测模型，油耗预测模型输出油耗预测值；船舶航行参数包括动力参数和航行环境参数；油耗预测模型为神经网络深度学习模型，油耗预测模型的激活函数为：

该激活函数的曲线形状如图2所示，其中，x表示神经元节点的输入，f(x)表示神经元节点的输出，K为比例系数，0.1≤K≤0.5，K优选但不限于为0.2。

在本实施方式中，优选的，油耗预测模型运用keras构建神经网络深度学***稳状态为航行环境参数不变，且动力参数变化较小时的航行状态，如动力参数的变化比率在0到±5％范围内，认为动力参数变化较小。

在本实施方式中，优选的，动力参数包括发动机转速、单双转运行信息；航行环境参数包括上下水信息、内河航段汛期信息、船舶载货量。上述船舶航行参数都是直接与船舶航行油耗相关的因素，通过对船舶航行参数数据的研究发现，船舶航行参数为类别变量的数据较多(如上下水信息、内河航段汛期信息等)，而输出数据耗油量为连续变量，虽然深度学习神经网络的模型对输入和输出变量都进行了归一化，但是对类别数据的归一化仍然不能消除数据种类单调的问题，此类问题容易因此模型拟合的过程出现梯度消失问题，对此，引入优化的激活函数，能够有效的防止梯度消失的情况出现。

在一种优选实施方式中，在对油耗预测模型的训练中，根据航行环境参数对油耗影响大小，确定网络节点的丢弃与否，当航行环境参数与油耗大小正相关，则网络节点个数保持不变；否则随机选取丢弃比例对每层之间的网络节点个数进行丢弃。

在本实施方式中，航行环境参数包括上下水信息、内河航段汛期信息、船舶载货量，船舶载货量与油耗大小正相关，上水、航段非汛期会增加油耗，下水、航段汛期会减小油耗。优选的，当上下水信息和内河航段汛期信息均会增加或均减小油耗时，认为航行环境参数与油耗大小正相关，若上下水信息和内河航段汛期信息中一个增大油耗而另一个减小油耗，则认为航行环境参数与油耗大小不满足正相关。

在一种优选实施方式中，在对油耗预测模型的训练中，对于任一层神经网络中的网络节点，从区间[0.3，0.5]中随机选择一个数值α，按照公式Y＝ceil((1－α)＊X)保留Y个网络节点作为激活节点，舍弃其余网络节点，所述X表示该层神经网络中的网络节点的输入个数，函数ceil()表示向上取整函数。

在本实施方式中，上述方法能够调节神经网络，不断的随机丢弃每个批次中的网络节点，迫使网络节点在各种网络结构下依然能够学习参数，使网络节点们变得对其他隐藏的神经元的中端更加健壮，阻止网络过度记忆数据集数据，从而避免过拟合。并且改变了传统的深度学习训练中，每层之间的节点丢弃比率通常在训练之间就固定下来的方式，本申请的丢弃比率采用方法是在0.3到0.5范围内随机选取一个值作为节点丢弃比例，这样虽然会增加模型的训练时间，但是当模型收敛好之后的参数会更加健壮，防止过拟合。所有层神经网络中选择的α全部或部分相同，也可每层神经网络选择的α各不相同。

在一种优选实施方式中，利用训练数据集对初始油耗预测模型进行训练获得油耗预测模型；训练数据集中的训练样本数据的获取过程包括：收集船舶平稳状态下的船舶航行参数数据和油耗；判断收集的船舶航行参数数据中是否存在异常数据，若不存在异常数据，则将收集的船舶航行参数数据和油耗作为一个训练样本数据，若存在异常数据且异常数据占比小于比例阈值，将收集的船舶航行参数数据过滤异常数据后的部分和油耗作为一个训练样本数据，若存在异常数据且异常数据占比大于等于比例阈值，则丢弃收集的船舶航行参数数据。

在本实施方式中，比例阈值取值范围为0到10％，优选但不限于为5％。优选的，获取不同船舶平稳状态下的船舶航行参数数据和油耗构建训练样本数据，使得样本数据集包含了不同船舶平稳状态下的训练样本，以提高预测准确性。

在本实施方式中，当一组船舶航行参数数据中不存在异常数据或者存在异常数据但异常数据占比小于比例阈值时，可认为此时的船舶航行参数数据为稳态数据，在具体判断中，可给每个种类的参数设置一个正常区间，比如为发动机转速设置转速正常区间，当某个发动机转速不在转速正常区间内时，认为该发动机转速为异常数据点，统计所有发动机转速数据中异常数据点的占比，当该占比小于比例阈值，则认为发动转速数据正常，优选的，当所有种类的参数数据的异常数据点占比均小于比例阈值时稳态数据时，认为该组船舶航行参数数据为稳态数据，可作为一个训练样本数据。

在本实施方式中，在利用训练样本数据对初始油耗预测模型进行训练过程中，以该训练样本数据的船舶航行参数数据为输入，以该训练样本数据的油耗为输出。优选的，预留部分稳态数据样本为测试集，对训练后的模型进行校验，当准确率达到设定目标后，停止训练，将此时的模型作为最终的油耗预测模型，若校验准确率未达到设定目标，继续训练，直到准确率达到设定目标。

在一种优选实施方式中，均选取船舶稳定航行状态的数据作为训练样本数据，使得经过模型拟合后预测的航行油耗精度较高。

在一种优选实施方式中，在收集的所有发动机转速数据中，若异常发动机转速数据在所有发动机转速数据中的占比小于比例阈值，单双转运行信息、上下水信息、内河航段汛期信息无变化，并且没有油柜加油行为，则利用收集的船舶航行参数数据构建训练样本数据，在构建过程中，将滤除异常发动机转速数据的船舶航行参数数据和对应的油耗一起组成一个训练样本数据。

本发明还提供了一种长江内河航运船舶复杂运行情况油耗预测***，在一种优选实施方式中，该***包括动力监控装置、船舶定位装置以及处理装置，处理装置分别与动力监控装置和船舶定位装置连接；处理装置从动力监控装置获取发动机转速、单双转运行信息，处理装置从船舶定位装置获取上下水信息、内河航段汛期信息、船舶载货量，处理装置执行上述长江内河航运船舶复杂运行情况油耗预测方法获得油耗的预测值。

在本实施方式中，优选的，设于船舶的油柜上的压差液位计，压差液位计与处理装置连接，压差液位计可以测量油柜液位是否有持续升高的变化，如果油柜液位持续一段时间(持续时间优选但不限于为20分钟到45分钟左右)升高则说明是在加油，可作为判断油柜加油行为的依据。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种长江内河航运船舶复杂运行情况油耗预测方法，其特征在于，包括：

获取船舶平稳状态下的多个船舶航行参数，将所述多个船舶航行参数输入油耗预测模型，所述油耗预测模型输出油耗预测值；所述船舶航行参数包括动力参数和航行环境参数；

所述油耗预测模型为神经网络深度学习模型，所述油耗预测模型的激活函数为：

其中，x表示神经元节点的输入，f(x)表示神经元节点的输出，K为比例系数，0.1≤K≤0.5。

2.如权利要求1所述的长江内河航运船舶复杂运行情况油耗预测方法，其特征在于，在对油耗预测模型的训练中，根据航行环境参数对油耗影响大小，确定网络节点的丢弃与否，当航行环境参数与油耗大小正相关，则网络节点个数保持不变；否则随机选取丢弃比例对每层之间的网络节点个数进行丢弃。

3.如权利要求1或2所述的长江内河航运船舶复杂运行情况油耗预测方法，其特征在于，在对油耗预测模型的训练中，对于任一神经网络中间层的网络节点，从区间[0.3，0.5]中随机选择一个数值α，按照公式Y＝ceil((1－α)＊X)保留Y个网络节点作为激活节点，舍弃其余网络节点，所述X表示该神经网络中间层的网络节点的输入个数，函数ceil()表示向上取整函数。

4.如权利要求1所述的长江内河航运船舶复杂运行情况油耗预测方法，其特征在于，利用训练数据集对初始油耗预测模型进行训练获得所述油耗预测模型；所述训练数据集中的训练样本数据的获取过程包括：

收集船舶平稳状态下的航行参数数据和油耗；

判断收集的船舶航行参数数据中是否存在异常数据，若不存在异常数据，则将收集的船舶航行参数数据和油耗作为一个训练样本数据，若存在异常数据且异常数据占比小于比例阈值，将收集的船舶航行参数数据过滤异常数据后的部分和油耗作为一个训练样本数据，若存在异常数据且异常数据占比大于等于比例阈值，则丢弃收集的船舶航行参数数据和油耗。

5.如权利要求1所述的长江内河航运船舶复杂运行情况油耗预测方法，其特征在于，所述动力参数包括发动机转速、单双转运行信息；所述航行环境参数包括上下水信息、内河航段汛期信息、船舶载货量。

6.如权利要求5所述的长江内河航运船舶复杂运行情况油耗预测方法，其特征在于，在收集的所有发动机转速数据中，若异常发动机转速数据在所有发动机转速数据中的占比小于比例阈值，单双转运行信息、上下水信息、内河航段汛期信息无变化，并且没有油柜加油行为，则利用收集的船舶航行参数数据构建训练样本数据。

7.一种长江内河航运船舶复杂运行情况油耗预测***，其特征在于，包括动力监控装置、船舶定位装置以及处理装置，所述处理装置分别与动力监控装置和船舶定位装置连接；

所述处理装置从动力监控装置获取发动机转速、单双转运行信息，所述处理装置从船舶定位装置获取上下水信息、内河航段汛期信息、船舶载货量，所述处理装置执行权利要求1－6之一所述的长江内河航运船舶复杂运行情况油耗预测方法获得油耗的预测值。

8.如权利要求7所述的长江内河航运船舶复杂运行情况油耗预测***，其特征在于，还包括设于船舶的油柜上的压差液位计，所述压差液位计与处理装置连接。

Images