KR20240061091A - Optimal Operation Method Of Rotor Sail Using Artificial Intelligence - Google Patents
Optimal Operation Method Of Rotor Sail Using Artificial Intelligence Download PDFInfo
- Publication number
- KR20240061091A KR20240061091A KR1020220142339A KR20220142339A KR20240061091A KR 20240061091 A KR20240061091 A KR 20240061091A KR 1020220142339 A KR1020220142339 A KR 1020220142339A KR 20220142339 A KR20220142339 A KR 20220142339A KR 20240061091 A KR20240061091 A KR 20240061091A
- Authority
- KR
- South Korea
- Prior art keywords
- rotor
- optimal
- data
- speed
- learning
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H9/00—Marine propulsion provided directly by wind power
- B63H9/02—Marine propulsion provided directly by wind power using Magnus effect
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/30—Monitoring properties or operating parameters of vessels in operation for diagnosing, testing or predicting the integrity or performance of vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
- B63B2035/009—Wind propelled vessels comprising arrangements, installations or devices specially adapted therefor, other than wind propulsion arrangements, installations, or devices, such as sails, running rigging, or the like, and other than sailboards or the like or related equipment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T70/00—Maritime or waterways transport
- Y02T70/50—Measures to reduce greenhouse gas emissions related to the propulsion system
- Y02T70/5218—Less carbon-intensive fuels, e.g. natural gas, biofuels
- Y02T70/5236—Renewable or hybrid-electric solutions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ocean & Marine Engineering (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Feedback Control In General (AREA)
Abstract
본 발명은 로터 세일(Rotor Sail)의 최고 효율 및 최적 로터(Rotor) 운용을 위해 기계학습(ML; Machine Learning)을 적용하여 최적의 로터 회전속도를 예측하여 인공지능을 이용한 로터 세일의 최적 운용 방법에 관한 것이다.The present invention is a method of optimal operation of a rotor sail using artificial intelligence by predicting the optimal rotor rotation speed by applying machine learning (ML) for the highest efficiency and optimal rotor operation of the rotor sail. It's about.
Description
로터 세일(Rotor Sail)은 선박에 로터(Rotor)를 설치하고 이를 회전시켜 추진 효율을 높이는 기술이다. 로터 세일(Rotor Sail)의 최고 효율 및 최적 로터(Rotor) 운용을 위해 기계학습(ML; Machine Learning)을 적용하여 인공지능을 이용한 로터 세일의 최적 운용 방법에 관한 것이다.Rotor Sail is a technology that increases propulsion efficiency by installing a rotor on a ship and rotating it. This is about the optimal operation method of a rotor sail using artificial intelligence by applying machine learning (ML) to achieve the highest efficiency and optimal rotor operation of the rotor sail.
매그너스 로터는 로터 세일(Rotor sail)로도 지칭된다.Magnus rotors are also referred to as rotor sails.
매그너스 효과(magnus effect)란 자신의 축을 중심으로 회전하고 그 축에 수직하게 유입 유동을 받는 실린더에서 그 축과 유입 유동 방향에 수직한 힘, 즉 횡력(transverse force)이 발생하는 것을 말한다. 회전하는 실린더 주위의 유동은 몸체 주위의 균질한 유동과 와류의 중첩으로 해석될 수 있다. 전체 유동의 불균일한 분포로 인해, 실린더 둘레에 비대칭적 압력 분포가 생기게 된다. 따라서 선박은 바람의 유동 중에서 유효 풍향, 즉 최고 속도를 가지고 보정한 풍향에 수직한 힘을 생성하는 회전 로터들 또는 로터리 로터들을 구비하는데, 그와 같이 생성된 힘은 항해 시와 유사하게 선박을 추진하는데 사용될 수 있다. 수직으로 세워진 실린더는 자신의 축을 중심으로 회전하고, 그러면 옆으로부터 유입되는 공기가 표면 마찰에 의거하여 바람직하게는 실린더를 중심으로 한 회전 방향으로 흐르게 된다. 그 때문에, 정면 측에서는 유동 속도가 더 높고 정압이 더 낮으며, 그에 따라 선박이 전진 방향으로 힘을 얻게 된다.The Magnus effect refers to the generation of a force perpendicular to that axis and the direction of the inflow, that is, a transverse force, in a cylinder that rotates around its axis and receives inflow flow perpendicular to that axis. The flow around a rotating cylinder can be interpreted as a superposition of homogeneous flow and vortices around the body. The uneven distribution of the overall flow results in an asymmetric pressure distribution around the cylinder. Therefore, the ship is equipped with rotating rotors or rotary rotors that generate a force perpendicular to the effective wind direction in the wind flow, that is, the wind direction corrected with the maximum speed, and the force generated in this way propels the ship similar to when sailing. It can be used to A vertically standing cylinder rotates about its own axis, so that air flowing in from the side flows preferably in a direction of rotation about the cylinder based on surface friction. Because of this, the flow speed is higher and the static pressure is lower on the front side, which forces the ship in the forward direction.
종래에는 로터로부터의 총 추진 동력 요구 및 풍속에 기초하여, 로터의 회전 속도(RPM)를 연산한다. 그러나 로터 세일은 선종에 따라 로터의 설치 위치가 달라져 주변 구조물과의 간섭 등에 의해 추진 효율이 달라질 수 있으므로, 최적 효율을 고려하지 않고 풍속에 기초하여 로터의 회전속도를 제어하는 경우 로터 세일 구동에 따른 추진 효율이 저감되는 문제점이 있었다.Conventionally, the rotational speed (RPM) of the rotor is calculated based on the total propulsion power demand from the rotor and the wind speed. However, the installation location of the rotor in the rotor sail varies depending on the type of ship, and the propulsion efficiency may vary due to interference with surrounding structures. Therefore, if the rotation speed of the rotor is controlled based on wind speed without considering optimal efficiency, the rotor sail driving may be affected. There was a problem that propulsion efficiency was reduced.
본 발명의 목적은 로터 주변 구조물의 간섭, 풍향계 설치 위치와 로터에 실제 작용하는 풍속/풍향의 차이를 고려하여, 초기 로터 회전 속도는 CFD 기반으로 결정하고 선종 및 실제 로터 운영 환경에 따른 선속/풍향/풍속에 대해 최적의 로터 회전 속도를 기계학습을 통해 산출하여 결정할 수 있는 인공지능을 이용한 로터 세일의 최적 운용 방법을 제공하는 것을 목적으로 한다.The purpose of the present invention is to determine the initial rotor rotation speed based on CFD, taking into account the interference of structures around the rotor, the wind vane installation location, and the difference in wind speed/wind direction actually acting on the rotor, and determine the ship speed/wind direction according to the ship type and actual rotor operating environment. /The purpose is to provide an optimal operation method for rotor sails using artificial intelligence, which can calculate and determine the optimal rotor rotation speed for wind speed through machine learning.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.
상기 목적을 달성하기 위한 본 발명의 일 측면에 따르면, 인공지능을 이용한 로터 세일의 최적 운용 방법은 선박에 구비되는 적어도 하나의 로터의 회전속도 데이터와 선속과 선수 방향 및 추진력 데이터를 수집하는 데이터 수집 단계; 상기 데이터 수집 단계에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리 단계; 상기 데이터 전처리 단계에서 전처리된 데이터에 대한 기계학습을 수행하여 로터 주변 구조물의 간섭, 풍향계 설치 위치와 로터에 실제 작용하는 풍속/풍향의 차이를 고려하여 로터의 시계열 최적 효율을 예측하는 모델을 수립하는 학습 단계; 및 상기 학습 단계에서 수립된 예측 모델을 이용하여 해상 환경과 로터의 구동 상태를 실시간으로 모니터링하고 풍향 및 풍속에 따른 최적의 회전속도로 로터를 제어하는 모니터링 및 제어 단계를 포함한다.According to one aspect of the present invention for achieving the above object, the optimal operation method of a rotor sail using artificial intelligence is data collection that collects rotational speed data, ship speed, bow direction, and propulsion data of at least one rotor provided on the ship. step; A data pre-processing step of generating a learning data set by performing pre-processing on the data collected in the data collection step; In the data preprocessing step, machine learning is performed on the preprocessed data to establish a model that predicts the time series optimal efficiency of the rotor by considering interference from structures around the rotor, wind vane installation location, and differences in wind speed/direction actually acting on the rotor. learning phase; And a monitoring and control step of monitoring the marine environment and the driving state of the rotor in real time using the prediction model established in the learning step and controlling the rotor at an optimal rotation speed according to wind direction and wind speed.
바람직하게는, 본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용 방법에서, 상기 학습 단계는, 초기 로터 회전 속도를 CFD 기반으로 결정하고, 선속, 풍속 및 풍향에 대해 시계열 최적의 회전 속도를 예측할 수 있다.Preferably, in the optimal operation method of a rotor sail using artificial intelligence according to the present invention, the learning step determines the initial rotor rotation speed based on CFD and predicts the optimal rotation speed in time series for ship speed, wind speed, and wind direction. You can.
또한 바람직하게는, 본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용 방법은 상기 학습 단계에서, 상기 시계열 예측 모델은 선속, 풍향 및 풍속에 대한 로터의 회전속도 변화에 따른 로터의 추진 효율을 학습하여 최적의 로터 회전속도를 예측할 수 있다.Also preferably, in the learning step of the optimal operation method of a rotor sail using artificial intelligence according to the present invention, the time series prediction model learns the propulsion efficiency of the rotor according to changes in the rotational speed of the rotor with respect to ship speed, wind direction, and wind speed. Thus, the optimal rotor rotation speed can be predicted.
또한 바람직하게는, 본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용 방법은 상기 학습 단계에서, 상기 시계열 예측 모델은 RNN(Recurrent Neural Network) 모델을 이용하여, 로터의 최적 효율에 따른 회전속도를 예측할 수 있다.Also preferably, in the learning step of the optimal operation method of the rotor sail using artificial intelligence according to the present invention, the time series prediction model uses a RNN (Recurrent Neural Network) model to determine the rotation speed according to the optimal efficiency of the rotor. It is predictable.
또한 바람직하게는, 본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용 방법에서 상기 학습 단계 이후에, 상기 수립된 예측 모델을 평가하는 평가 단계를 더 포함하며; 상기 평가 단계를 통해 학습 모델을 통한 예측값과 실시간 측정 데이터를 비교하여 추진 효율이 설정값 이상인지를 평가하며; 로터 회전속도를 예측 결과 추진 효율이 설정값 미만인 경우, 모델 알고리즘을 수정하여 로터 구동 시 추진효율이 설정값 이상이 되도록 로터의 회전 속도를 제어할 수 있는 것을 특징으로 한다.Also preferably, the optimal operation method of a rotor sail using artificial intelligence according to the present invention further includes an evaluation step of evaluating the established prediction model after the learning step; Through the above evaluation step, the predicted value through the learning model is compared with the real-time measured data to evaluate whether the propulsion efficiency is above the set value; If the propulsion efficiency is less than the set value as a result of predicting the rotor rotation speed, the model algorithm can be modified to control the rotor rotation speed so that the propulsion efficiency is above the set value when the rotor is driven.
이상과 같은 본 발명에 의하면, 선종 및 실제 로터 운영 환경 및 해상 환경에 따른 선속/풍향/풍속에 대해 최적의 로터 회전 속도를 기계학습을 통해 산출하여 인공지능을 이용한 로터 세일의 최적 운용 방법을 통해 추진 효율 최적화를 구현할 수 있는 효과를 갖는다.According to the present invention as described above, the optimal rotor rotation speed is calculated through machine learning for ship speed/wind direction/wind speed according to the ship type, actual rotor operating environment, and maritime environment, and the optimal operation method of the rotor sail using artificial intelligence is provided. It has the effect of optimizing propulsion efficiency.
또한 본 발명에 따르면, 인공지능을 이용한 로터 세일의 최적 운용 방법을 통해 연료절감을 극대화할 수 있는 효과를 갖는다.In addition, according to the present invention, fuel savings can be maximized through the optimal operation method of the rotor sail using artificial intelligence.
도 1은 본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용을 위한 시스템을 개략적으로 나타낸 도면이다.
도 2 및 도 3은 본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용 방법을 나타낸 흐름도이다.Figure 1 is a diagram schematically showing a system for optimal operation of a rotor sail using artificial intelligence according to the present invention.
Figures 2 and 3 are flowcharts showing the optimal operation method of a rotor sail using artificial intelligence according to the present invention.
본 발명의 목적과 기술적 구성 및 그에 따른 작용 및 효과에 관한 자세한 사항은 본 발명의 명세서에 첨부된 도면에 의거한 상세한 설명에 의해 보다 명확하게 이해될 것이다.Details regarding the purpose and technical configuration of the present invention and its operations and effects will be more clearly understood by the detailed description based on the drawings attached to the specification of the present invention.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 발명을 한정하려는 의도가 아니다. 예컨대, 본 명세서에서 사용되는 '구성된다' 또는 '포함한다' 등의 용어는 발명에 기재된 여러 구성요소들 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성요소들 또는 일부 단계들을 포함하지 않거나 또는 추가적인 구성요소들 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다.The terminology used herein is merely used to describe specific embodiments and is not intended to limit the invention. For example, terms such as 'consists of' or 'includes' used in the present specification should not be construed as necessarily including all of the various components or steps described in the invention, and only some of the components or steps may be included. It should be construed as not including them or as being able to further include additional components or steps. Additionally, as used herein, singular expressions include plural expressions unless the context clearly dictates otherwise.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써 본 발명을 상세히 설명한다. 이하에서 설명되는 실시예들은 본 발명의 기술사상을 당업자가 용이하게 이해할 수 있도록 제공되는 것으로서, 이에 의해 본 발명이 한정되는 것으로 해석되어서는 안되며, 본 발명의 실시예들은 이 분야의 통상의 기술자에게 다양한 응용을 가질 수 있음은 당연하다.Hereinafter, the present invention will be described in detail by explaining preferred embodiments of the present invention with reference to the accompanying drawings. The embodiments described below are provided so that those skilled in the art can easily understand the technical idea of the present invention, and should not be construed as limiting the present invention, and the embodiments of the present invention are provided to those skilled in the art. It is natural that it can have various applications.
도 1은 본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용을 위한 시스템을 개략적으로 나타낸 도면이고, 도 2 및 도 3은 본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용 방법을 나타낸 흐름도이다.Figure 1 is a diagram schematically showing a system for optimal operation of a rotor sail using artificial intelligence according to the present invention, and Figures 2 and 3 are flow charts showing the optimal operation method of a rotor sail using artificial intelligence according to the present invention. .
도 1 내지 도 3을 참조하면, 선박(10)에 적어도 하나의 로터(21)를 구비하는 로터 세일에 있어서, 로터 주변 구조물의 간섭, 풍향풍속계(130) 설치 위치와 로터의 실제 작용하는 풍속/풍향의 차이를 생각할 때, 초기 로터 회전 속도는 CFD(computational fluid dynamics)를 기반으로 결정하되, 선속/풍향/풍속에 대해 로터의 최적의 회전 속도(RPM)를 기계학습(ML)을 통해 결정할 수 있다.Referring to FIGS. 1 to 3, in a rotor sail having at least one rotor 21 in a ship 10, interference from structures around the rotor, the installation location of the wind sensor 130, and the actual operating wind speed of the rotor/ Considering the difference in wind direction, the initial rotor rotation speed is determined based on CFD (computational fluid dynamics), but the optimal rotation speed (RPM) of the rotor for line speed/wind direction/wind speed can be determined through machine learning (ML). there is.
이것은 선종 및 실제 로터 운영 환경에 따른 최적 추진 효율을 발생시키는 로터(rotor)의 RPM을 산출한다.This calculates the RPM of the rotor that generates optimal propulsion efficiency according to the ship type and actual rotor operating environment.
기계학습(ML) 데이터는 풍향 및 풍속에 따라 로터의 회전속도(RPM)를 조절할 수 있으며, 선박 데이터는 선박의 자동제어 시스템인 IAS(Intergrated Automation System)을 통해 수집할 수 있다.Machine learning (ML) data can adjust the rotational speed (RPM) of the rotor according to wind direction and speed, and ship data can be collected through IAS (Integrated Automation System), the ship's automatic control system.
데이터 전처리부는 IAS에서 수집된 데이터와 적어도 하나의 로터(21)의 구동상태를 확인하는 구동 장치(drive system, 111) 데이터와 풍향풍속계 데이터(131)를 수집하여 선속/풍향/풍속에 대해 로터의 최적의 회전 속도(RPM)에 대한 데이터 상관성을 분석할 수 있다.The data preprocessing unit collects data collected from IAS, drive system (111) data that confirms the driving state of at least one rotor (21), and wind sensor data (131) to determine the line speed/wind direction/wind speed of the rotor. Data correlation for optimal rotational speed (RPM) can be analyzed.
선속/풍향/풍속에 대해 로터의 최적의 회전 속도(RPM)에 대한 이상치 데이터를 제거하고 결측치 데이터를 보정하는 과정과 데이터를 정규화하는 과정을 포함하여 전처리를 수행할 수 있다.Preprocessing can be performed for line speed/wind direction/wind speed, including removing outlier data for the optimal rotational speed (RPM) of the rotor, correcting missing data, and normalizing the data.
학습부는, 선속/풍향/풍속에 대해 로터의 최적의 회전 속도(RPM)에 대한 상관관계를 분석하여 실시간 해상 환경에 따른 로터의 회전 속도의 시계열 예측값으로 상기 로터의 최적의 회전속도를 수립할 수 있다.The learning unit analyzes the correlation between the optimal rotational speed (RPM) of the rotor with respect to ship speed/wind direction/wind speed and establishes the optimal rotational speed of the rotor as a time series predicted value of the rotor's rotational speed according to the real-time maritime environment. there is.
상기 시계열 예측 모델은 선속/풍향/풍속에 대한 로터의 최적의 회전 속도(RPM)를 학습하여 로터의 최적 효율값을 예측할 수 있다.The time series prediction model can predict the optimal efficiency value of the rotor by learning the optimal rotational speed (RPM) of the rotor for ship speed/wind direction/wind speed.
상기 시계열 예측 모델은 RNN(Recurrent Neural Network) 모델을 이용하여 시간에 종속되어 데이터를 학습하여 유사한 특성을 가진 데이터의 학습을 수행할 수 있다.The time series prediction model can learn data with similar characteristics by learning data dependent on time using a Recurrent Neural Network (RNN) model.
모니터링 및 제어 시스템(200)은, 최적 효율 예측 모델에 의해 로터의 최적 효율이 적용되는 로터의 회전속도(RPM)을 설정하여, 로터를 제어할 수 있다.The monitoring and control system 200 can control the rotor by setting the rotational speed (RPM) of the rotor at which the optimal efficiency of the rotor is applied according to the optimal efficiency prediction model.
또한, 모니터링 및 제어 시스템(200)은 데이터 수집부(210)와, 데이터 수집부(210)에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리부(220)와 데이터 전처리부(220)에서 전처리된 데이터에 대하여 기계학습을 수행하여 로터의 회전 속도를 시계열(Time Series) 데이터 학습 데이터 셋을 생성하는 학습부(230) 및 상기 학습부(230)에서 수립된 예측 모델을 이용하여 해상 환경과 로터의 구동 상태를 실시간으로 모니터링하고 풍향 및 풍속에 따른 최적의 회전속도로 로터를 제어하는 모니터링 및 제어부(240)를 포함할 수 있다.In addition, the monitoring and control system 200 includes a data collection unit 210, a data preprocessor 220 and a data preprocessor that performs preprocessing on the data collected in the data collection unit 210 to generate a learning data set. A learning unit 230 that performs machine learning on the data preprocessed in (220) to generate a time series learning data set of the rotational speed of the rotor, and uses the prediction model established in the learning unit 230. Thus, it may include a monitoring and control unit 240 that monitors the marine environment and the driving state of the rotor in real time and controls the rotor at an optimal rotation speed according to wind direction and wind speed.
본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용 방법은, 선속, 선박의 진행방향, 추진력 및 RPM, 스티어링 각도를 고려할 수 있다.The optimal operation method of a rotor sail using artificial intelligence according to the present invention can take into account ship speed, ship's direction of movement, thrust and RPM, and steering angle.
선박에 구비되는 적어도 하나의 로터(21 내지 23)를 구동하기 위해 로터의 속도 데이터와 적어도 하나의 풍향풍속계(131, 132)로부터 실시간 풍향 및 풍속 데이터를 수신하여, 풍속 및 풍향에 따라 로터의 운전모드를 결정할 수 있다.In order to drive at least one rotor (21 to 23) provided on the ship, real-time wind direction and wind speed data are received from the rotor speed data and at least one wind direction anemometer (131, 132), and the rotor is operated according to the wind speed and direction. You can decide the mode.
로터 구동에 의해 발생되는 추력을 연료절감 및 CO2 배출 저감으로 전환할 수 있다.The thrust generated by rotor drive can be converted to fuel savings and CO2 emissions reduction.
따라서, 본 발명의 인공지능을 이용한 로터 세일의 최적 운용 방법은 선박에 구비되는 적어도 하나의 로터의 회전속도 데이터와 선속과 선수 방향 및 추진력 데이터를 수집하는 데이터 수집 단계(S110)와, 상기 데이터 수집 단계에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리 단계(S120)와, 상기 데이터 전처리 단계에서 전처리된 데이터에 대한 기계학습을 수행하여 로터 주변 구조물의 간섭, 풍향계 설치 위치와 로터에 실제 작용하는 풍속/풍향의 차이를 고려하여 로터의 시계열 최적 효율을 예측하는 모델을 수립하는 학습 단계(S130) 및 상기 학습 단계에서 수립된 예측 모델을 이용하여 해상 환경과 로터의 구동 상태를 실시간으로 모니터링하고 풍향 및 풍속에 따른 최적의 회전속도로 로터를 제어하는 모니터링 및 제어 단계(S150)를 포함할 수 있다.Therefore, the optimal operation method of a rotor sail using artificial intelligence of the present invention includes a data collection step (S110) of collecting rotational speed data of at least one rotor provided on the ship, ship speed, bow direction, and propulsion data, and collecting the data. A data preprocessing step (S120) of generating a learning data set by performing preprocessing on the data collected in the step, and performing machine learning on the data preprocessed in the data preprocessing step to determine interference from structures around the rotor, wind vane installation location, and A learning step (S130) to establish a model that predicts the time series optimal efficiency of the rotor by considering the difference in wind speed/wind direction actually acting on the rotor, and the marine environment and driving state of the rotor using the prediction model established in the learning step. It may include a monitoring and control step (S150) that monitors in real time and controls the rotor at an optimal rotation speed according to wind direction and wind speed.
또한, 학습 단계(S130)는, 초기 로터 회전 속도를 CFD(Computational Fluid Dynamics) 기반으로 결정하고, 선속, 풍속 및 풍향에 대해 시계열 최적의 회전 속도를 예측할 수 있다.Additionally, in the learning step (S130), the initial rotor rotation speed can be determined based on CFD (Computational Fluid Dynamics) and the optimal rotation speed in time series can be predicted for line speed, wind speed, and wind direction.
또한, 학습 단계(S130)에서, 상기 시계열 예측 모델은 선속, 풍향 및 풍속에 대한 로터의 회전속도 변화에 따른 로터의 추진 효율을 학습하여 최적의 로터 회전속도를 예측할 수 있다.Additionally, in the learning step (S130), the time series prediction model can predict the optimal rotor rotation speed by learning the propulsion efficiency of the rotor according to changes in the rotation speed of the rotor with respect to ship speed, wind direction, and wind speed.
또한, 학습 단계(S130)에서, 상기 시계열 예측 모델은 RNN(Recurrent Neural Network) 모델을 이용하여, 로터의 최적 효율에 따른 회전속도를 예측할 수 있다.Additionally, in the learning step (S130), the time series prediction model can predict the rotation speed according to the optimal efficiency of the rotor using a Recurrent Neural Network (RNN) model.
또한, 학습 단계(S130) 이후에, 상기 수립된 예측 모델을 평가하는 평가 단계(S140)를 더 포함할 수 있다.In addition, after the learning step (S130), an evaluation step (S140) of evaluating the established prediction model may be further included.
평가 단계(S140)를 통해 학습 모델을 통한 예측값과 실시간 측정 데이터를 비교하여 추진 효율이 설정값 이상인지를 평가하며, 로터 회전속도를 예측 결과 추진 효율이 설정값 미만인 경우, 모델 알고리즘을 수정하여 로터 구동 시 추진효율이 설정값 이상이 되도록 로터의 회전 속도를 제어할 수 있다.In the evaluation step (S140), the predicted value through the learning model is compared with the real-time measurement data to evaluate whether the propulsion efficiency is above the set value. If the propulsion efficiency is less than the set value as a result of predicting the rotor rotation speed, the model algorithm is modified to When driving, the rotation speed of the rotor can be controlled so that the propulsion efficiency is above the set value.
따라서, 시계열 학습 모델은 데이터가 이전 타임 스텝(Time Step)의 데이터와 연관성을 갖는지 여부를 RNN(Recurrent Neural Network)을 통해 확인하고, 유사한 특성을 가진 데이터의 학습을 수행할 수 있다.Therefore, the time series learning model can check whether the data is related to the data of the previous time step through RNN (Recurrent Neural Network) and perform learning on data with similar characteristics.
또한, 데이터 특성 파악을 위한 방법으로는, 분류(classification) 방법은, KNN(K-Nearest Neighbor), SVM(Support Vector Machine) 등의 방법을 사용할 수 있으며, 군집화(Clustering) 방법은, K-Means, K-Medians, Mean-Shift 등을 사용할 수 있다.In addition, as a method for identifying data characteristics, classification methods such as KNN (K-Nearest Neighbor) and SVM (Support Vector Machine) can be used, and clustering methods include K-Means. , K-Medians, Mean-Shift, etc. can be used.
따라서 본 발명에 따른 인공지능을 이용한 로터 세일의 최적 운용 방법은, 선종 및 실제 로터 운영 환경 및 해상 환경에 따른 선속/풍향/풍속에 대해 최적의 로터 회전 속도를 기계학습을 통해 산출하여 인공지능을 이용한 로터 세일의 최적 운용 방법을 통해 추진 효율 최적화를 구현할 수 있는 효과를 갖는다.Therefore, the optimal operation method of the rotor sail using artificial intelligence according to the present invention is to calculate the optimal rotor rotation speed through machine learning for ship speed/wind direction/wind speed according to the ship type, actual rotor operating environment, and maritime environment, and use artificial intelligence to calculate the optimal rotor rotation speed through machine learning. It has the effect of optimizing propulsion efficiency through the optimal operation method of the rotor sail used.
또한, 본 발명에 따르면 인공지능을 이용한 로터 세일의 최적 운용 방법을 통해 연료절감을 극대화할 수 있는 효과를 갖는다.In addition, according to the present invention, fuel savings can be maximized through the optimal operation method of the rotor sail using artificial intelligence.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium) 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며 그 역도 마찬가지이다.The embodiments according to the present invention described above can be implemented in the form of program instructions that can be executed through various computer components and recorded on a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and usable by those skilled in the computer software field. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks. ) and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc. Examples of program instructions include not only machine language code such as that created by a compiler, but also high-level language code that can be executed by a computer using an interpreter, etc. A hardware device can be converted into one or more software modules to perform processing according to the invention and vice versa.
이상에서 설명되는 실시예들은 본 발명의 기술사상을 당업자가 용이하게 이해할 수 있도록 제공되는 것으로서, 이에 의하여 본 발명이 한정되는 것으로 해석되어서는 안되며, 본 발명의 실시예들은 본 발명의 사상 및 범위를 벗어나지 않는 범위 내에서 다양하게 수정 및 변형될 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정예 또는 변형예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이다.The embodiments described above are provided so that those skilled in the art can easily understand the technical idea of the present invention, and should not be construed as limiting the present invention, and the embodiments of the present invention do not convey the spirit and scope of the present invention. It is obvious to those skilled in the art that various modifications and variations can be made without departing from the scope. Accordingly, such modifications or variations should be considered to fall within the scope of the claims of the present invention.
10: 선박
21 내지 23: 로터(rotor)
111 내지 113: 구동 장치(drive system)
131, 132: 풍향풍속계
200: 모니터링 및 제어 시스템10: Ship
21 to 23: rotor
111 to 113: drive system
131, 132: Wind sensor
200: Monitoring and control system
Claims (5)
상기 데이터 수집 단계에서 수집된 데이터에 대한 전처리를 수행하여 학습데이터 셋을 생성하는 데이터 전처리 단계;
상기 데이터 전처리 단계에서 전처리된 데이터에 대한 기계학습을 수행하여 로터 주변 구조물의 간섭, 풍향계 설치 위치와 로터에 실제 작용하는 풍속/풍향의 차이를 고려하여 로터의 시계열 최적 효율을 예측하는 모델을 수립하는 학습 단계; 및
상기 학습 단계에서 수립된 예측 모델을 이용하여 해상 환경과 로터의 구동 상태를 실시간으로 모니터링하고 풍향 및 풍속에 따른 최적의 회전속도로 로터를 제어하는 모니터링 및 제어 단계를 포함하는, 인공지능을 이용한 로터 세일의 최적 운용 방법.A data collection step of collecting rotational speed data, ship speed, bow direction, and propulsion data of at least one rotor provided on the ship;
A data pre-processing step of generating a learning data set by performing pre-processing on the data collected in the data collection step;
In the data preprocessing step, machine learning is performed on the preprocessed data to establish a model that predicts the time series optimal efficiency of the rotor by considering interference from structures around the rotor, wind vane installation location, and differences in wind speed/direction actually acting on the rotor. learning phase; and
A rotor using artificial intelligence, including a monitoring and control step of monitoring the marine environment and the driving state of the rotor in real time using the prediction model established in the learning step and controlling the rotor at an optimal rotation speed according to wind direction and wind speed. The optimal way to operate sails.
상기 학습 단계는, 초기 로터 회전 속도를 CFD 기반으로 결정하고, 선속, 풍속 및 풍향에 대해 시계열 최적의 회전 속도를 예측하는, 인공지능을 이용한 로터 세일의 최적 운용 방법.In claim 1,
The learning step is an optimal operation method of a rotor sail using artificial intelligence, which determines the initial rotor rotation speed based on CFD and predicts the optimal rotation speed in time series for ship speed, wind speed, and wind direction.
상기 학습 단계에서, 상기 시계열 예측 모델은 선속, 풍향 및 풍속에 대한 로터의 회전속도 변화에 따른 로터의 추진 효율을 학습하여 최적의 로터 회전속도를 예측하는, 인공지능을 이용한 로터 세일의 최적 운용 방법.In claim 2,
In the learning step, the time series prediction model predicts the optimal rotor rotation speed by learning the propulsion efficiency of the rotor according to changes in rotor rotation speed with respect to ship speed, wind direction, and wind speed. An optimal operation method of a rotor sail using artificial intelligence. .
상기 학습 단계에서, 상기 시계열 예측 모델은 RNN(Recurrent Neural Network) 모델을 이용하여, 로터의 최적 효율에 따른 회전속도를 예측하는, 인공지능을 이용한 로터 세일의 최적 운용 방법.In claim 3,
In the learning step, the time series prediction model uses a Recurrent Neural Network (RNN) model to predict rotational speed according to the optimal efficiency of the rotor. An optimal operation method of a rotor sail using artificial intelligence.
상기 학습 단계 이후에,
상기 수립된 예측 모델을 평가하는 평가 단계를 더 포함하며;
상기 평가 단계를 통해 학습 모델을 통한 예측값과 실시간 측정 데이터를 비교하여 추진 효율이 설정값 이상인지를 평가하며;
로터 회전속도를 예측 결과 추진 효율이 설정값 미만인 경우, 모델 알고리즘을 수정하여 로터 구동 시 추진효율이 설정값 이상이 되도록 로터의 회전 속도를 제어할 수 있는 것을 특징으로 하는, 인공지능을 이용한 로터 세일의 최적 운용 방법.In claim 1,
After the above learning phase,
Further comprising an evaluation step of evaluating the established prediction model;
Through the above evaluation step, the predicted value through the learning model is compared with the real-time measured data to evaluate whether the propulsion efficiency is above the set value;
If the propulsion efficiency is less than the set value as a result of predicting the rotor rotation speed, the model algorithm can be modified to control the rotor rotation speed so that the propulsion efficiency is above the set value when the rotor is driven. Rotor sail using artificial intelligence The optimal operation method of.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220142339A KR20240061091A (en) | 2022-10-31 | 2022-10-31 | Optimal Operation Method Of Rotor Sail Using Artificial Intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220142339A KR20240061091A (en) | 2022-10-31 | 2022-10-31 | Optimal Operation Method Of Rotor Sail Using Artificial Intelligence |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240061091A true KR20240061091A (en) | 2024-05-08 |
Family
ID=91074308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220142339A KR20240061091A (en) | 2022-10-31 | 2022-10-31 | Optimal Operation Method Of Rotor Sail Using Artificial Intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240061091A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101488836B1 (en) | 2010-09-16 | 2015-02-03 | 보벤 프로퍼티즈 게엠베하 | Ship comprising a magnus rotor and force-measuring device |
-
2022
- 2022-10-31 KR KR1020220142339A patent/KR20240061091A/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101488836B1 (en) | 2010-09-16 | 2015-02-03 | 보벤 프로퍼티즈 게엠베하 | Ship comprising a magnus rotor and force-measuring device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9195234B2 (en) | Dynamic positioning systems and methods | |
| Perera et al. | Data analysis on marine engine operating regions in relation to ship navigation | |
| EP2178745B1 (en) | Efficiency optimizing propeller speed control for ships | |
| JP5827245B2 (en) | Active adaptive gyro-stabilizer control system | |
| CN110446853A (en) | System and method for managing the torsional oscillation of wind turbine tower | |
| DK178410B1 (en) | Active control of a wind turbine blade | |
| Kanev et al. | Wind turbine extreme gust control | |
| SE1130084A1 (en) | Method and apparatus for avoiding and attenuating the rolling of a ship | |
| CN102365443B (en) | Ship engine control system | |
| DK2924280T3 (en) | METHOD AND DEVICE FOR CONTROL OF DEVICE FOR GENERATION OF WINDOW ELECTRICITY ON A LIQUID BODY AND DEVICE FOR GENERATION OF WINDOW ELECTRICITY ON A LIQUID BODY | |
| KR20240061091A (en) | Optimal Operation Method Of Rotor Sail Using Artificial Intelligence | |
| Smogeli et al. | The concept of anti-spin thruster control | |
| JP2017044088A (en) | Wind generator system | |
| EP3054152A1 (en) | Wind power generation apparatus | |
| Gao et al. | Improved control of propeller ventilation using an evidence reasoning rule based Adaboost. M1 approach | |
| Trudnowski et al. | Independent pitch control using rotor position feedback for wind-shear and gravity fatigue reduction in a wind turbine | |
| Deparday et al. | Dynamic measurements of pressures, sail shape and forces on a full-scale spinnaker | |
| US20220269232A1 (en) | Method for computer-implemented determination of a drag coefficient of a wind turbine | |
| Johnson | Comparison of calculated and measured helicopter rotor lateral flapping angles | |
| KR101863825B1 (en) | Propulsive force generation device | |
| KR102365369B1 (en) | Performance estimation and controlling method for ship energy saving device using digital twin | |
| JP7090440B2 (en) | Control systems, learning devices, control devices, and control methods | |
| KR20240045752A (en) | Rudder Automation System And Method For Side Force Control Of Wing Sail | |
| KR20220108650A (en) | A angle adjustable pre-swirl stator management method and angle adjustable pre-swirl stator management system | |
| CN113761736B (en) | Energy-saving effect evaluation method for marine wind power boosting rotor |