一种船舶油耗实时监测预警方法技术

本发明专利技术涉及一种船舶油耗实时监测预警方法，包括以下步骤：获取船舶实时数据，Kafka生产者将数据发送到Kafka消息队列，在消息队列中进行预处理；将预处理后的数据输入船端部署好的船舶油耗预测模型，得到船舶油耗预测结果；将预测结果发送至Kafka消费者，Kafka消费者将预测结果进行输出；计算输出的预测结果与实际油耗之间的差值率，根据差值率的大小进行预警，并将差值率以及预测结果保存入数据库中，保存的数据用于更新部署好的船舶油耗预测模型。与现有技术相比，本发明专利技术具有实时计算、预警准确性高等优点。警准确性高等优点。警准确性高等优点。

【技术实现步骤摘要】
一种船舶油耗实时监测预警方法


[0001]本专利技术涉及船舶油耗监测的
，尤其是涉及一种船舶油耗实时监测预警方法。

技术介绍

[0002]船舶能耗与多种因素有关，比如发动机转速、航速、风速风向、船舶姿态(吃水差)等，船舶现有的管理系统仅能够对船舶油耗以及油耗相关的参数进行监测，但当前船舶油耗是否合理并没有一个参考标准，也没有任何预警和报警，船舶操作人员往往对监测出来的异常能耗数据得不到及时的感知，而船舶推进系统的异常如螺旋桨变形，或者船舶的不良操作方法，如船舶姿态不佳会导致船舶油耗的异常增加，船舶操作人员难以对这些异常情况进行及时的识别。

技术实现思路

[0003]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供的一种船舶油耗实时监测预警方法，选取了随机森林作为船舶油耗预测模型的预测算法以及Kafka流处理框架来实现实时船舶油耗预测。
[0004]本专利技术的目的可以通过以下技术方案来实现：
[0005]一种船舶油耗实时监测预警方法，包括以下步骤：
[0006]获取船舶实时数据，Kafka生产者将数据发送到Kafka消息队列，在消息队列中进行预处理；
[0007]将预处理后的数据输入船端部署好的船舶油耗预测模型，得到船舶油耗预测结果；
[0008]将预测结果发送至Kafka消费者，Kafka消费者将预测结果进行输出；
[0009]计算输出的预测结果与实际油耗之间的差值率，根据差值率的大小进行预警，并将差值率以及预测结果保存入数据库中，保存的数据用于更新部署好的船舶油耗预测模型。
[0010]进一步地，部署好的船舶油耗预测模型的建立过程具体为：
[0011]从数据库中获取船舶历史数据，选择其中所需的船舶数据；
[0012]对所需的船舶数据进行预处理，并提取特征，将特征整合为训练数据；
[0013]采用随机森林算法对训练数据进行建模，得到船舶油耗预测模型；
[0014]其中，建模的具体过程为：通过对训练数据抽样得到多份子训练数据，对每份子训练数据生成一棵决策树，所述预测结果为所有决策树结果平均后的结果，决策树的每个节点分叉时，从全部特征集合中随机选择一个特征的子集，再从此子集中选择一个最优的划分特征，重复每个节点的分叉过程，直至达到叶子节点为止。
[0015]进一步地，节点分叉时，选择一个最优的划分特征，最优的划分特征满足平方误差最小，平方误差最小的表达式为：
[0016][0017]其中，j表示特征，s表示特征划分值，R1，R2是划分之后的两个子集，c1、c2是两个子集数据的均值，y
i
为划分之后的两个子集中的第i个样本所对应的船舶油耗的真实值，x
i
表示划分之后的两个子集中的第i个样本。
[0018]进一步地，提取的特征包括船舶航速、主机转速、主机扭矩、滑失比、船舶姿态和风速风向中的一种或多种。
[0019]进一步地，对训练数据抽样时，采用自助采样法。
[0020]进一步地，从数据库中获取船舶历史数据时，如果数据库中缺少历史数据，则从船端系统中采集船舶历史数据，并存入数据库中。
[0021]进一步地，预处理具体包括数据清洗，所述数据清洗包括去除异常数据和重复值。
[0022]进一步地，根据差值率的大小进行预警具体为：
[0023]将差值率
‑
时间图像在船舶系统主页进行展示，若两种油耗值的差值率小于第一阈值，则图像中的差值率处于三级状态；若两种油耗值的差值率不小于第一阈值且小于第二阈值，则图像中的差值率处于二级状态；若两种油耗值的差值率不小于第三阈值，则图像中的差值率处于一级状态，当一级状态的持续时间超过阈值，发出预警信号。
[0024]进一步地，阈值为2分钟。
[0025]进一步地，预警信号中包括多个概率最高的故障项。
[0026]与现有技术相比，本专利技术具有以下有益效果：
[0027](1)本专利技术综合考虑船端系统的条件、船端系统产生的数据特点以及船端预警系统的需求特点，选取了随机森林作为船舶油耗预测模型的预测算法以及Kafka流处理框架来实现实时船舶油耗预测，随机森林作为一个综合预测精度与效率的最好折衷方案，与即使在船端不稳定网络环境下依然能保证可靠预测的Kafka流处理框架一起，保证了船舶油耗预测结果的实时性和精准性。
[0028](2)本专利技术采用的随机森林算法能够处理高维度和稀疏数据、对于数据中的缺失值具有良好鲁棒性的特点也使得其适合应用船舶油耗数据的预测，达到较高精度的同时，不需要像其他一些算法一样需要先对缺失值进行填充或删除。
[0029](3)本专利技术的船舶油耗实时监测系统面对的是需要对船舶航行过程中源源不断产生的数据进行实时处理和分析的场景，使用Kafka流处理框架可以更好地满足实时性的要求。Kafka流处理框架具有高度的可靠性，可以保证实时消息传递的一致性和可靠性，进而与随机森林模型一起保证了船舶油耗预测结果的精准性。
附图说明
[0030]图1为本专利技术的流程图；
[0031]图2为本专利技术的对船舶油耗的预测值、真实值以及差值率
‑
时间图。
具体实施方式
[0032]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案
为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0033]本专利技术提出一种船舶油耗实时监测预警方法，方法的流程图如图1所示。本专利技术通过历史数据，建立机器学习预测模型，基于船舶航速、主机转速、主机扭矩、滑失比、船舶姿态(吃水差)、风速风向等参数采用Kafka流处理框架来高效实时预测当前操作环境下的正常能耗值，将预测值作为参考基准与实测油耗进行对比，及时发现能耗异常超标的情况，用于及时发现船舶异常能耗问题并完成相应的提醒和报警功能，以便令船员及时改善或消除相关故障，帮助船舶开展节能减碳的操作。
[0034]方法包括以下步骤：
[0035]获取船舶实时数据，Kafka生产者将数据发送到Kafka消息队列，在消息队列中进行预处理；
[0036]将预处理后的数据输入船端部署好的船舶油耗预测模型，得到船舶油耗预测结果；
[0037]将预测结果发送至Kafka消费者，Kafka消费者将预测结果进行输出；
[0038]计算输出的预测结果与实际油耗之间的差值率，根据差值率的大小进行预警，并将差值率以及预测结果保存入数据库中，保存的数据用于更新部署好的船舶油耗预测模型。
[0039]其中，部署好的船舶油耗预测模型的建立过程具体为：
[0040]1)从数据库中获取船舶历史数据，选择其中所需的船舶数据；
[0041]2)对所需的船舶数据进行预处理，并提取特征，将特征整合为训练数据；
[0042]3)采用随机森林算法对训练数据进行建模，得到船舶油耗预测模型。
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶油耗实时监测预警方法，其特征在于，包括以下步骤：获取船舶实时数据，Kafka生产者将数据发送到Kafka消息队列，在消息队列中进行预处理；将预处理后的数据输入船端部署好的船舶油耗预测模型，得到船舶油耗预测结果；将预测结果发送至Kafka消费者，Kafka消费者将预测结果进行输出；计算输出的预测结果与实际油耗之间的差值率，根据差值率的大小进行预警，并将差值率以及预测结果保存入数据库中，保存的数据用于更新部署好的船舶油耗预测模型。2.根据权利要求1所述的一种船舶油耗实时监测预警方法，其特征在于，部署好的船舶油耗预测模型的建立过程具体为：从数据库中获取船舶历史数据，选择其中所需的船舶数据；对所需的船舶数据进行预处理，并提取特征，将特征整合为训练数据；采用随机森林算法对训练数据进行建模，得到船舶油耗预测模型；其中，建模的具体过程为：通过对训练数据抽样得到多份子训练数据，对每份子训练数据生成一棵决策树，所述预测结果为所有决策树结果平均后的结果，决策树的每个节点分叉时，从全部特征集合中随机选择一个特征的子集，再从此子集中选择一个最优的划分特征，重复每个节点的分叉过程，直至达到叶子节点为止。3.根据权利要求2所述的一种船舶油耗实时监测预警方法，其特征在于，节点分叉时，选择一个最优的划分特征，最优的划分特征满足平方误差最小，平方误差最小的表达式为：其中，j表示特征，s表示特征划分值，R1，R2是划分之后的两个子集，c1、c2是两个子集数据的均值，y
i
为划分之后的...

【专利技术属性】
技术研发人员：曾向明，张宁，陈晓，张春昌，杨柳，
申请(专利权)人：上海慧舫海事科技有限公司，
类型：发明
国别省市：