一种大型船舶航速油耗率精准预测方法技术

本发明专利技术涉及一种大型船舶航速油耗率精准预测方法，包括：步骤S1、对影响油耗因素的数据进行预处理；步骤S2、对预处理后的数据进行模型验证集和模型训练集的确定，并确定训练模型的输入和目标输出；步骤S3、建立计算航速油耗率模型，对模型参数进行训练，得到训练好的模型；步骤S4、用训练好的模型计算航速油耗率。本发明专利技术充分考虑了包括纵倾、吃水、舵角、风速、主机转速、滑失率、温度等等可能影响油耗的各种因素，采用建立单个隐含层神经网络的油耗模型使预测的油耗更加精确。

【技术实现步骤摘要】
一种大型船舶航速油耗率精准预测方法
本专利技术涉及船舶
，尤其涉及一种大型船舶航速油耗率精准预测方法。
技术介绍
在船舶设备中，主柴油机是为船舶提供动力的装置，保证船舶能够航行的最主要设备，也是产生油耗的主要设备，然而受到环境变化及设备运行状态等多种因素的影响，主机及机电设备的运行状态是不断变化的。为了使船舶在各种可能工况下安全的航行，在规定的时间内完成航行计划，采用最经济环保的策略。构建船舶运行的航速油耗模型，就必须获取相关机电设备和环境因子的稳定运行数据，以便为建模分析提供前提。在船舶航行的大部分时间中，机电设备处于频繁变化运行工况的状态，例如靠港及故障期间均处于过度状态，这就增加了对稳定运行数据提取的难度。对于设备和环境的经济性数据的挖掘均需要设备在一段时间内稳定运行数据，才具有建模意义，需要在尽可能保存不断变化的工况信息的同时剔除过度状态数据，然后可根据稳定转速下各项参数的数据进行后续分析，作为模型构建的基础数据。通过剔除异常值和数据归一化的处理方式预处理取出稳定设备和环境的数据，能够提高建模、评估乃至优化决策的准确度和可靠性，对船舶智能化研究有着重要意义。目前在船舶航速油耗率分析领域通常采用统计学方法进行数据预处理，如统计均值、标准差、变异系数(包括极差变异系数、标准差变异系数)等统计量进行数据的预处理。然而由于船舶航航行实际情况造成的复杂数据，会出现大范围波动异常值。类似船舶遭遇极端天气，设备故障等，仅仅采用上述常规统计方法，很容易造成数据预测不准确，影响油耗预测模型的建立。
技术实现思路
鉴于上述的分析，本专利技术旨在提供一种大型船舶航速油耗率精准预测方法，实现在不改变航行天数的大前提下，有效地预测大型游轮油耗。本专利技术的目的主要是通过以下技术方案实现的：一种大型船舶航速油耗率预测方法，包括以下步骤：步骤S1、对影响油耗因素的数据进行预处理；步骤S2、对预处理后的数据进行油耗模型验证集和训练集的确定，并确定训练油耗模型的输入和目标输出；步骤S3、建立航速油耗模型，对模型参数进行训练，得到训练好的油耗模型；步骤S4、用训练好的油耗模型预测航速油耗率。进一步地，所述影响油耗因素包括纵倾、载货状态、四面吃水、舵角、风速、主机转速、滑失率、滑油温度、气缸平均温度、主机增压器转速和推力轴承温度。进一步地，步骤S1包括以下子步骤：步骤S101、将影响油耗因素的数据进行异常值剔除；步骤S102、对剔除异常值后的数据进行标准化处理，变为均值为0，标准差为1的数据序列；步骤S103、对标准化处理后的数据序列进行特征值选择。进一步地，步骤S2包括以下子步骤：步骤S201、将预处理后数据随机分散，等间隔选择部分样本点作为验证集；剩余样本点作为油耗模型的训练集；步骤S202、选取所述训练集中的特征值作为训练油耗模型的特征输入，将原数据中的航速油耗率作为训练油耗模型的目标输出。进一步地，步骤S3包括以下子步骤：步骤S301、建立单个隐含层神经网络的油耗模型；步骤S302、对油耗模型得到的目标值与实际输出进行误差分析；判断误差趋势，如果趋势下降，则重复步骤3，对油耗模型进行进一步训练，直到趋势不再下降；如果误差趋势上升，则停止训练。进一步地，油耗模型的具体构建方法为：神经网络中输入层各单元的输入值mi，i＝1～M；隐含层各单元的输入为输入值mi与权值Aij相乘后求和；隐含层输出是通过隐含层各单元的输入通过激活函数F映射得到；输出层各单元的输入为hj通过与权值Bjk相乘；神经网络输出为输出层各单元的输入通过激活函数G映射得到，H为隐含层节点数；其中，αj是表示第j个隐含层单元的偏置，βk是表示第k个输出层单元的偏置。进一步地，根据公式选取最佳隐含层节点数H的范围，确定所述模型参数，其中，M为输入层节点数，N为输出层节点数，C为0-10之间的常数。进一步地，激活函数F为激活函数G为G(x)＝x，进一步地，所述误差分析采用误差逆传播算法；具体包括：1)构造误差函数计算误差值根据公式对每个训练集中学习样本的误差函数进行构造，其中，表示第t个学习样本期望输出第k维，表示神经网络对于第t个学习样本输出的第k维，t＝1,…,M，t表示学习样本编号，k＝1,…,N，k表示期望输出或网络输出的维度；所述连接权值ω包括输入层与隐藏层之间的权值Aij以及隐藏层与输出层之间的权值Bjk；2)根据误差值公式求误差值的负梯度，l为迭代次数；3)使用结合梯度下降法和动量因子的混合算法更新权重提升误差逆传播算法的性能，公式如下：ω(l+1)＝ω(l)+ρ[(1-η)D(l)+ηD(l-1)]其中，ρ表示学习率，ρ的起始值指定为0～10，并根据实际油耗模型进行调整，η表示动量因子[0,1)；4)设定验证标准，对误差进行验证，如果得到的误差趋势是下降趋势，则重复步骤3，对油耗模型进行进一步训练；如果得到的误差趋势是上升趋势，则停止训练。进一步地，所述验证标准为测试集的数据输入油耗模型后的输出结果与实测数据的均方根误差RMSE和平均相对误差，所述均方根误差所述平均相对误差其中，表示第t个学习样本期望输出第k维，表示网络对于第t个样本输出的第k维，L表示测试集样本个数。本专利技术有益效果如下：本专利技术充分考虑了包括纵倾、吃水、舵角、风速、主机转速、滑失率、温度等等可能影响油耗的各种因素，预测大型游轮油耗更加精确；进一步地，采用本专利技术的油耗率精准预测方法可有效地降低油耗。附图说明附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。图1为总体映射关系图；图2为航速油耗率预测方法流程图；图3为单个隐含层神经网络的油耗模型构建方法图；图4为对训练后的油耗模型进行评估的结果图。具体实施方式下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理。本专利技术的一个具体实施例，公开了一种大型船舶航速油耗率预测方法；总体映射关系如附图1所示，具体步骤如图2所示，包括以下步骤：步骤S1、对采集的影响油耗因素的数据进行预处理；所述影响油耗因素包括纵倾、载货状态、吃水(四面)、舵角、风速、主机转速、滑失率、滑油温度、气缸平均温度、主机增压器转速和推力轴承温度。所述预处理具体包括以下子步骤：步骤S101、将采集数据根据普遍经验进行异常值剔除首先，以每一个影响油耗因素数据为一个维度计算数据的均值；然后，计算当前维度数据和均值之间的欧式距离；最后，取欧式距离过大的数据进行剔除，并对其填充均值。步骤S102、对剔除异常值后的采集数据进行标准化处理；所述标准化方法根据公式将同一维度的数据进行归一化处理，其中，表示数据点t第i维的标准化数据，表示数据点t第i维的原始数据，σi表示数据点第i维数据的标准差，表示数据点第i维的均值，i＝1～M，M为数据点的最大维度，t表示学习样本编号(t＝1～M)；所述标准化处理后数据将变为均值为0，标准差为1的序列。步骤S103、对标准化处理后数据进行特征值选择；所述特征值选择在进行手工选取后采用主成分分析法(PCA)进行降维处理；其中PCA的方差贡献率临界值定为1.0％。步骤S2、对预处理后的数据进行数据验证集和模型训练集的确定，并确定训练油耗模型的输本文档来自技高网...

【技术保护点】
一种大型船舶航速油耗率预测方法，其特征在于，包括以下步骤：步骤S1、对影响油耗因素的数据进行预处理；步骤S2、对预处理后的数据进行油耗模型验证集和训练集的确定，并确定训练油耗模型的输入和目标输出；步骤S3、建立航速油耗模型，对模型参数进行训练，得到训练好的油耗模型；步骤S4、用训练好的油耗模型预测航速油耗率。

【技术特征摘要】
1.一种大型船舶航速油耗率预测方法，其特征在于，包括以下步骤：步骤S1、对影响油耗因素的数据进行预处理；步骤S2、对预处理后的数据进行油耗模型验证集和训练集的确定，并确定训练油耗模型的输入和目标输出；步骤S3、建立航速油耗模型，对模型参数进行训练，得到训练好的油耗模型；步骤S4、用训练好的油耗模型预测航速油耗率。2.根据权利要求1所述的航速油耗率预测方法，其特征在于，所述影响油耗因素包括纵倾、载货状态、四面吃水、舵角、风速、主机转速、滑失率、滑油温度、气缸平均温度、主机增压器转速和推力轴承温度。3.根据权利要求1或2所述的航速油耗率预测方法，其特征在于，步骤S1包括以下子步骤：步骤S101、将影响油耗因素的数据进行异常值剔除；步骤S102、对剔除异常值后的数据进行标准化处理，变为均值为0，标准差为1的数据序列；步骤S103、对标准化处理后的数据序列进行特征值选择。4.根据权利要求1或2所述的航速油耗率预测方法，其特征在于，步骤S2包括以下子步骤：步骤S201、将预处理后数据随机分散，等间隔选择部分样本点作为验证集；剩余样本点作为油耗模型的训练集；步骤S202、选取所述训练集中的特征值作为训练油耗模型的特征输入，将原数据中的航速油耗率作为训练油耗模型的目标输出。5.根据权利要求4所述的航速油耗率预测方法，其特征在于，步骤S3包括以下子步骤：步骤S301、建立单个隐含层神经网络的油耗模型；步骤S302、对油耗模型得到的目标值与实际输出进行误差分析；判断误差趋势，如果趋势下降，则重复步骤3，对油耗模型进行进一步训练，直到趋势不再下降；如果误差趋势上升，则停止训练。6.根据权利要求5所述的航速油耗率预测方法，其特征在于，油耗模型的具体构建方法为：神经网络中输入层各单元的输入值mi，i＝1～M；隐含层各单元的输入为输入值mi与权值Aij相乘后求和；隐含层输出是通过隐含层各单元的输入通过激活函数F映射得到...

【专利技术属性】
技术研发人员：邱伯华，蒋云鹏，何晓，魏慕恒，刘成明，蓝天广，关文渊，谭笑，
申请(专利权)人：中国船舶工业系统工程研究院，
类型：发明
国别省市：北京,11