CN112288910A - 一种船舶航行性能分析方法及系统 - Google Patents

一种船舶航行性能分析方法及系统 Download PDF

Info

Publication number
CN112288910A
CN112288910A CN202011556292.9A CN202011556292A CN112288910A CN 112288910 A CN112288910 A CN 112288910A CN 202011556292 A CN202011556292 A CN 202011556292A CN 112288910 A CN112288910 A CN 112288910A
Authority
CN
China
Prior art keywords
evaluation
data
parameters
level
ship
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.)
Granted
Application number
CN202011556292.9A
Other languages
English (en)
Other versions
CN112288910B (zh
Inventor
文婷
刘烨
杨凌波
段泽
李常伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Highlandr Digital Technology Co ltd
Sansha Highlander Marine Mdt Infotech Ltd
Original Assignee
Beijing Highlandr Digital Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Highlandr Digital Technology Co ltd filed Critical Beijing Highlandr Digital Technology Co ltd
Priority to CN202011556292.9A priority Critical patent/CN112288910B/zh
Publication of CN112288910A publication Critical patent/CN112288910A/zh
Application granted granted Critical
Publication of CN112288910B publication Critical patent/CN112288910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种船舶航行性能分析方法，包括：获取船舶实时数据以及气象数据，并进行数据处理，得到处理后的数据；根据所述处理后的数据，确定用于分析船舶航行性能的多级评价参数；基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，按照评价参数级别逐级递增，直至基于一级评价参数建立置信度模糊评价模型对船舶航行性能进行评价，得到船舶航行性能评价结果。本发明还公开了一种船舶航行性能分析系统。本发明构建基于多级评价参数的置信度模糊评价模型，可对船舶性能进行全面分析评价，加入置信度因子并根据置信度计算结果引导权重因子的调整、评价模型的优化，得到更为可信的评价结果。

Description

一种船舶航行性能分析方法及系统
技术领域
本发明涉及船舶技术领域，具体而言，涉及一种船舶航行性能分析方法及系统。
背景技术
相关技术中，在对船舶性能进行分析评价时，大多只能从单一方面或单一指标进行分析评价，得到单一功能的评价结果，无法充分反应船舶的性能和带来的效果，且评价的置信度未知，评价结果准确度不高。
发明内容
为解决上述问题，本发明的目的在于提供一种船舶航行性能分析方法及系统，构建基于多级评价参数的置信度模糊评价模型，可对船舶性能进行全面分析评价，并根据置信度计算结果引导权重因子的调整、评价模型的优化，得到更为可信的评价结果。
本发明提供了一种船舶航行性能分析方法，所述方法包括：
获取船舶实时数据以及气象数据，并对所述船舶实时数据以及气象数据进行数据处理，得到处理后的数据，其中，所述数据处理包括：数据清洗、数据标准化处理、数据存储和数据备份；
根据所述处理后的数据，确定用于分析船舶航行性能的多级评价参数，其中，所述多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，至少部分二级评价参数包括多个三级评价参数；
基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，按照评价参数级别逐级递增，直至基于一级评价参数建立置信度模糊评价模型对船舶航行性能进行评价，得到船舶航行性能评价结果。
作为本发明进一步的改进，所述数据清洗包括对数据进行筛查、去重和连续性校验，其中，所述连续性校验包括：对数据离散度进行校验，过滤异常跳变的数据；根据数据之间的逻辑关系，采用线性插值法或推算值替换法对缺失数据进行补充；
所述数据标准化处理包括对数据中各个特征值的度量单位、时间间隔进行标准化处理，其中，对各个特征值的度量单位进行标准化处理包括对各类度量单位进行统一变换，对各个特征值的时间间隔进行标准化处理包括指定同一时间间隔并通过线性插值法或二次插值法实现数据向前或向后填充；
所述数据存储包括对处理后的数据进行存储，其中，静态数据以原始数据存储，动态数据以时间序列数据存储；
所述数据备份包括对接收到的船舶实时数据备份存储至存储介质中。
作为本发明进一步的改进，所述基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，包括：
基于下一级评价参数，确定下一级评价参数的权重向量以及权重对应的置信度向量；
基于隶属度函数构建评价矩阵，合成所述评价矩阵和所述权重向量，得到上一级评价参数的评价结果。
作为本发明进一步的改进，所述基于下一级评价参数，确定下一级评价参数的权重向量以及权重对应的置信度向量，包括：
对下一级评价参数，确定评价参数集U，
Figure 711722DEST_PATH_IMAGE001
，其中，
Figure 681952DEST_PATH_IMAGE002
和
Figure 505683DEST_PATH_IMAGE003
表示评价参数，
Figure 535956DEST_PATH_IMAGE004
，m为正整数；
对所述评价参数集U中的各个评价参数，使用成对比较法和1-9比较尺度分别构造一组对比矩阵，每个对比矩阵为V，
Figure 648400DEST_PATH_IMAGE005
，其中，
Figure 422321DEST_PATH_IMAGE006
表示所述评价参数集U中的评价参数
Figure 366137DEST_PATH_IMAGE002
与评价参数
Figure 770573DEST_PATH_IMAGE003
对上一级评价参数的重要性比较结果，
Figure 681898DEST_PATH_IMAGE006
取值为1~9及其倒数值中的任意值；
确定每个对比矩阵的最大特征值以及对应的特征向量，对所述特征向量进行一致性校验，在校验通过后对所述特征向量归一化处理，得到一组初始权重向量；
对权重值进行等级划分，划分等级量化后对应于[0，1]区间的N等分，量化后的等级向量为
Figure 213504DEST_PATH_IMAGE007
，其中，
Figure 995516DEST_PATH_IMAGE008
；
对所述评价参数集U的评价参数
Figure 383903DEST_PATH_IMAGE002
，遍历每个初始权重向量中评价参数
Figure 720206DEST_PATH_IMAGE002
对应的权重值并组成向量
Figure 101509DEST_PATH_IMAGE009
，提取属于所述等级向量
Figure 766057DEST_PATH_IMAGE007
的个数
Figure 512296DEST_PATH_IMAGE010
，并做如下处理：
Figure 148945DEST_PATH_IMAGE011
，
Figure 6042DEST_PATH_IMAGE012
，其中，K为初始权重向量个数，
Figure 28225DEST_PATH_IMAGE013
；
将向量
Figure 961677DEST_PATH_IMAGE014
归一化处理后，得到权重向量A以及对应的置信度向量C，
Figure 69310DEST_PATH_IMAGE015
，
Figure 277569DEST_PATH_IMAGE016
，其中，
Figure 357521DEST_PATH_IMAGE017
，
Figure 507879DEST_PATH_IMAGE018
。
所述基于隶属度函数构建评价矩阵，合成所述评价矩阵和所述权重向量，得到上一级评价参数的评价结果，包括：
确定所述评价参数集U中评价参数的上一级评价参数的评价等级集
Figure 791224DEST_PATH_IMAGE019
，其中，
Figure 318020DEST_PATH_IMAGE020
表示所述评价参数集U中评价参数的上一级评价参数的评价等级，
Figure 799948DEST_PATH_IMAGE021
，n为正整数；
对所述评价参数集U中的每一个评价参数，根据所述评价等级集P中的等级进行模糊评判，得到评价矩阵R，
Figure 58891DEST_PATH_IMAGE022
，其中，
Figure 141117DEST_PATH_IMAGE023
表示评价参数
Figure 894440DEST_PATH_IMAGE024
关于评价等级
Figure 745722DEST_PATH_IMAGE025
的隶属程度；
通过对所述评价矩阵R和所述权重向量A进行矩阵运算得到模糊评价向量
Figure 441145DEST_PATH_IMAGE026
，
Figure 495820DEST_PATH_IMAGE027
；
对所述置信度向量C进行如下合成：
Figure 98840DEST_PATH_IMAGE028
，
Figure 758622DEST_PATH_IMAGE029
，其中，
Figure 421685DEST_PATH_IMAGE013
，
Figure 416186DEST_PATH_IMAGE021
，
Figure 308049DEST_PATH_IMAGE030
，
Figure 133923DEST_PATH_IMAGE031
为计算中间值，
Figure 718619DEST_PATH_IMAGE032
为合成后的置信度；
对所述模糊评价向量
Figure 934837DEST_PATH_IMAGE026
归一化处理后，得到上一级评价参数的评价结果
Figure 895971DEST_PATH_IMAGE033
。
作为发明进一步的改进，所述多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，部分二级评价参数包括多个三级评价参数，
其中，所述一级评价参数包括：控制性能参数、经济性参数和安全性参数；
其中，所述控制性能参数包括二级评价参数：航迹偏差、总航程偏差和操舵性能，所述经济性参数包括二级评价参数：滑失率、平均实际航迹和燃油消耗量，所述安全性参数包括二级评价参数：最高风浪承受力、平均富余水深和姿态稳定性；
其中，所述航迹偏差包括三级评价参数：最大航迹偏差和平均航迹偏差，所述操舵性能包括三级评价参数：操舵频率和操舵幅度，所述滑失率包括三级评价参数：最大滑失率和平均滑失率，所述燃油消耗量包括三级评价参数：油耗总量和每海里平均油耗，所述姿态稳定性包括三级评价参数：横摇周期差、纵摇周期差和升沉数值。
作为本发明进一步的改进，所述方法还包括：实时展示船舶航行过程中，各级评价参数的变化情况及对应的中间评价结果，所述船舶航行性能评价结果以及当前航次和历史航次的船舶航行性能比对结果。
本发明还提供了一种船舶航行性能分析系统，所述系统包括：
船岸通信模块，用于实现船舶和岸基之间的数据信息交互，接收船舶实时数据，并通过网络将数据传输至数据处理模块；
数据处理模块，用于处理所述船岸通信模块接收的船舶实时数据以及气象数据，得到处理后的数据，其中，所述数据处理包括：数据清洗、数据标准化处理、数据存储和数据备份；
航行性能分析模块，用于根据所述处理后的数据，确定用于分析船舶航行性能的多级评价参数，其中，所述多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，至少部分二级评价参数包括多个三级评价参数，基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，按照评价参数级别逐级递增，直至基于一级评价参数建立置信度模糊评价模型对船舶航行性能进行评价，得到船舶航行性能评价结果；
可视化模块，用于实时展示船舶航行过程中，各级评价参数的变化情况及对应的中间评价结果，所述船舶航行性能评价结果以及当前航次和历史航次的船舶航行性能比对结果。
作为本发明进一步的改进，所述数据处理模块包括：
数据清洗模块，用于对数据进行筛查、去重和连续性校验，其中，所述连续性校验包括：对数据离散度进行校验，过滤异常跳变的数据；根据数据之间的逻辑关系，采用线性插值法或推算值替换法对缺失数据进行补充；
数据标准化模块，用于对数据中各个特征值的度量单位、时间间隔进行标准化处理，其中，对各个特征值的度量单位进行标准化处理包括对各类度量单位进行统一变换，对各个特征值的时间间隔进行标准化处理包括指定同一时间间隔并通过线性插值法或二次插值法实现数据向前或向后填充；
数据存储模块，用于对处理后的数据进行存储，其中，静态数据以原始数据存储，动态数据以时间序列数据存储；
数据备份模块，用于对接收到的船舶实时数据备份存储至存储介质中。
作为本发明进一步的改进，所述航行性能分析模块包括：
评价向量模块，用于基于下一级评价参数，确定下一级评价参数的权重向量以及权重对应的置信度向量；
评价模型模块，用于基于隶属度函数构建评价矩阵，合成所述评价矩阵和所述权重向量，得到上一级评价参数的评价结果。
作为本发明进一步的改进，所述评价向量模块包括：
对下一级评价参数，确定评价参数集U，
Figure 514034DEST_PATH_IMAGE001
，其中，
Figure 784478DEST_PATH_IMAGE002
和
Figure 35462DEST_PATH_IMAGE003
表示评价参数，
Figure 721658DEST_PATH_IMAGE004
，m为正整数；
对所述评价参数集U中的各个评价参数，使用成对比较法和1-9比较尺度分别构造一组对比矩阵，每个对比矩阵为V，
Figure 272857DEST_PATH_IMAGE005
，其中，
Figure 448623DEST_PATH_IMAGE006
表示所述评价参数集U中的评价参数
Figure 186903DEST_PATH_IMAGE002
与评价参数
Figure 676790DEST_PATH_IMAGE003
对上一级评价参数的重要性比较结果，
Figure 66183DEST_PATH_IMAGE006
取值为1~9及其倒数值中的任意值；
确定每个对比矩阵的最大特征值以及对应的特征向量，对所述特征向量进行一致性校验，在校验通过后对所述特征向量归一化处理，得到一组初始权重向量；
对权重值进行等级划分，划分等级量化后对应于[0，1]区间的N等分，量化后的等级向量为
Figure 366846DEST_PATH_IMAGE007
，其中，
Figure 107269DEST_PATH_IMAGE008
；
对所述评价参数集U的评价参数
Figure 400847DEST_PATH_IMAGE002
，遍历每个初始权重向量中评价参数
Figure 993547DEST_PATH_IMAGE002
对应的权重值并组成向量
Figure 448799DEST_PATH_IMAGE009
，提取属于所述等级向量
Figure 410939DEST_PATH_IMAGE007
的个数
Figure 55678DEST_PATH_IMAGE010
，并做如下处理：
Figure 622925DEST_PATH_IMAGE011
，
Figure 62128DEST_PATH_IMAGE012
，其中，K为初始权重向量个数，
Figure 714826DEST_PATH_IMAGE013
；
将向量
Figure 146945DEST_PATH_IMAGE014
归一化处理后，得到权重向量A以及对应的置信度向量C，
Figure 116169DEST_PATH_IMAGE015
，
Figure 178803DEST_PATH_IMAGE016
，其中，
Figure 866267DEST_PATH_IMAGE017
，
Figure 102077DEST_PATH_IMAGE018
。
作为本发明进一步的改进，所述评价模型模块包括：
确定所述评价参数集U中评价参数的上一级评价参数的评价等级集
Figure 378337DEST_PATH_IMAGE019
，其中，
Figure 424922DEST_PATH_IMAGE020
表示所述评价参数集U中评价参数的上一级评价参数的评价等级，
Figure 786633DEST_PATH_IMAGE021
，n为正整数；
对所述评价参数集U中的每一个评价参数，根据所述评价等级集P中的等级进行模糊评判，得到评价矩阵R，
Figure 576865DEST_PATH_IMAGE022
，其中，
Figure 707632DEST_PATH_IMAGE023
表示评价参数
Figure 174386DEST_PATH_IMAGE024
关于评价等级
Figure 570863DEST_PATH_IMAGE025
的隶属程度；
通过对所述评价矩阵R和所述权重向量A进行矩阵运算得到模糊评价向量
Figure 86158DEST_PATH_IMAGE026
，
Figure 150060DEST_PATH_IMAGE027
；
对所述置信度向量C进行如下合成：
Figure 725398DEST_PATH_IMAGE028
，
Figure 858439DEST_PATH_IMAGE029
，其中，
Figure 787212DEST_PATH_IMAGE013
，
Figure 705621DEST_PATH_IMAGE021
，
Figure 451860DEST_PATH_IMAGE030
，
Figure 557350DEST_PATH_IMAGE031
为计算中间值，
Figure 742344DEST_PATH_IMAGE032
为合成后的置信度；
对所述模糊评价向量
Figure 702210DEST_PATH_IMAGE026
归一化处理后，得到上一级评价参数的评价结果
Figure 432399DEST_PATH_IMAGE033
。
作为本发明进一步的改进，多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，部分二级评价参数包括多个三级评价参数，
其中，所述一级评价参数包括：控制性能参数、经济性参数和安全性参数；
其中，所述控制性能参数包括二级评价参数：航迹偏差、总航程偏差和操舵性能，所述经济性参数包括二级评价参数：滑失率、平均实际航迹和燃油消耗量，所述安全性参数包括二级评价参数：最高风浪承受力、平均富余水深和姿态稳定性；
其中，所述航迹偏差包括三级评价参数：最大航迹偏差和平均航迹偏差，所述操舵性能包括三级评价参数：操舵频率和操舵幅度，所述滑失率包括三级评价参数：最大滑失率和平均滑失率，所述燃油消耗量包括三级评价参数：油耗总量和每海里平均油耗；所述姿态稳定性包括三级评价参数：横摇周期差、纵摇周期差和升沉数值。
本发明还提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被处理器执行以实现所述的方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现所述的方法。
本发明的有益效果为：构建基于多级评价参数的置信度模糊评价模型，可对船舶性能进行全面分析评价，加入置信度因子并根据置信度计算结果引导权重因子的调整、评价模型的优化，进而得到更为可信的评价结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一示例性实施例所述的一种船舶航行性能分析方法的流程示意图；
图2为本发明一示例性实施例所述的多级评价参数示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明的描述中，所用术语仅用于说明目的，并非旨在限制本发明的范围。术语“包括”和/或“包含”用于指定所述元件、步骤、操作和/或组件的存在，但并不排除存在或添加一个或多个其他元件、步骤、操作和/或组件的情况。术语“第一”、“第二”等可能用于描述各种元件，不代表顺序，且不对这些元件起限定作用。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个及两个以上。这些术语仅用于区分一个元素和另一个元素。结合以下附图，这些和/或其他方面变得显而易见，并且，本领域普通技术人员更容易理解关于本发明所述实施例的说明。附图仅出于说明的目的用来描绘本发明所述实施例。本领域技术人员将很容易地从以下说明中认识到，在不背离本发明所述原理的情况下，可以采用本发明所示结构和方法的替代实施例。
本发明实施例所述的一种船舶航行性能分析方法，如图1所示，所述方法包括：
获取船舶实时数据以及气象数据，并对所述船舶实时数据以及气象数据进行数据处理，得到处理后的数据，其中，所述数据处理包括：数据清洗、数据标准化处理、数据存储和数据备份；
根据所述处理后的数据，确定用于分析船舶航行性能的多级评价参数，其中，所述多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，至少部分二级评价参数包括多个三级评价参数；
基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，按照评价参数级别逐级递增，直至基于一级评价参数建立置信度模糊评价模型对船舶航行性能进行评价，得到船舶航行性能评价结果。
现有技术中，在对智能船舶性能进行分析评价时，多是从单一方面或单一指标进行评价，得到的结果是单一功能的评价结果，无法全面反映智能船舶的性能表现以及其带来的有益效果。对于船舶数据获取来源和数据使用前的处理并未涉及，使得评价结果准确度低。且评价模型中各个指标的权重通过人为制定，可信度未知。
本发明所述方法针对智能船舶性能构建与其性能参数相应的多级评价参数，以从多个方面评价船舶的性能，全面反映船舶的性能表现。针对智能船舶在航行过程中产生的数据实时性强、类型复杂、数据量大的特点，对接收的数据进行数据处理，以使后续分析评价的结果更为准确可信。在构建评价模型时，加入置信度因子，通过置信度模糊评价模型实现多级评价参数的评价，解决评价结果可信度未知的问题，以提高评价结果的准确性。
船舶和岸基之间具有数据信息交互，可根据船岸之间指定的数据模型、数据压缩方式、通信信道与接入方式，实时完成船端数据的无损接收和准确解析，并通过网络将数据传输后进行数据处理。在数据处理时，接收的船舶实时数据和气象数据需要进行统一存储管理。其中，船舶实时数据和气象数据例如表1所示，表中列举为示意数据，不包含所有数据项。
表1 船舶实时数据和气象数据
Figure 540033DEST_PATH_IMAGE034
一种可选的实施方式中，所述数据清洗包括对数据进行筛查、去重和连续性校验，其中，所述连续性校验包括：对数据离散度进行校验，过滤异常跳变的数据；根据数据之间的逻辑关系，采用线性插值法或推算值替换法对缺失数据进行补充；
所述数据标准化处理包括对数据中各个特征值的度量单位、时间间隔进行标准化处理，其中，对各个特征值的度量单位进行标准化处理包括对各类度量单位进行统一变换，对各个特征值的时间间隔进行标准化处理包括指定同一时间间隔并线性插值法或二次插值法实现数据向前或向后填充；
所述数据存储包括对处理后的数据进行存储，其中，静态数据以原始数据存储，动态数据以时间序列数据存储；
所述数据备份包括对接收到的船舶实时数据备份存储至存储介质中。
其中，数据清洗包含非法数据筛查、数据去重和连续性数据校验三个部分。
（1）非法数据筛查
非法数据项主要包括两类：一是数据协议规定的无效数值，二是超出应用工况下数据合理取值范围的有效数值。针对每一个数据项，对接收到的每一条数据进行数据合法性检查，统一将非法数据置为无效标识，以进行下一步处理。
（2）数据去重
数据重复冗余存在两种情况：一是由于重复发送或接收导致数据重复，可以通过过滤相同时间戳实时去除重复冗余数据；二是船舶使用多源传感器采集同一信息时（例如两路电罗经同时采集船艏向），由于采集或传输时的细微差异可能导致同一时间采集的数据上传到系统时带有不同时间戳，而时间戳之间的间隔较小，此时通过去除时间戳相同的数据无法完全解决，这就会造成数据的重复冗余。可以通过比较时间戳之间的间隔与采样周期之间的差异，去除差异较小且数据相同的数据以去除该类冗余数据。
（3）连续性数据校验
连续性数据校验包含两种情况：一是针对存在异常跳变值的情况，对数据离散度进行校验，过滤掉跳动较大的数据；二是针对数据缺失的情况，根据数据之间的逻辑关系，采用线性插值法、推算值替换等弥补缺失的数据。
其中，数据标准化包括两个方面：一是度量单位标准化，由于传感器采集的船舶航速、相对风速以及气象数据中的流速等重要特征值的度量单位存在不一致的情况，需统一度量单位再进行数据分析处理；二是时间间隔标准化，由于传感器采集频率、数据传输过程等存在差异，各特征参数的时间间隔也存在差异，为方便实现数据分析处理，需统一各特征参数的数据时间间隔，可以依据参数特性采用线性插值、二次插值等方法实现数据的向前或前后填充。
其中，数据存储包括构建航行数据库，数据库包含两类数据：一是船舶物理参数、航行计划等静态数据，二是由船舶传输到岸基的经初步处理过的各种动态数据，这类数据以时间序列方式存储。
其中，数据备份包括采用物理备份的方式，将岸基通信模块实时接收到的船舶原始数据同步保存备用存储介质中。
本发明所述方法采用采用模糊评价方法，从各项数据中选取船舶航行中的关键参数来构建多级评价参数，以此建立置信度模糊评价模型，根据隶属度法对船舶航行性能进行定量评价。
一种可选的实施方式，如图2所示，多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，部分二级评价参数包括多个三级评价参数，
其中，所述一级评价参数包括：控制性能参数、经济性参数和安全性参数；
其中，所述控制性能参数包括二级评价参数：航迹偏差、总航程偏差和操舵性能，所述经济性参数包括二级评价参数：滑失率、平均实际航迹和燃油消耗量，所述安全性参数包括二级评价参数：最高风浪承受力、平均富余水深和姿态稳定性；
其中，所述航迹偏差包括三级评价参数：最大航迹偏差和平均航迹偏差，所述操舵性能包括三级评价参数：操舵频率和操舵幅度，所述滑失率包括三级评价参数：最大滑失率和平均滑失率，所述燃油消耗量包括三级评价参数：油耗总量和每海里平均油耗，所述姿态稳定性包括三级评价参数：横摇周期差、纵摇周期差和升沉数值。
通过选取各个评价参数，以使评价结果能充分代表一个航次中船舶的性能。在进行多级评价时，以三级评价参数为例，先基于三级评价参数，建立置信度模糊评价模型对二级评价参数进行相应的评价，得到二级评价参数的评价结果，然后基于二级评价参数，建立置信度模糊评价模型对一级评价参数进行相应的评价，得到一级评价参数的评价结果，最后基于一级评价参数，建立置信度模糊评价模型对船舶航行性能进行评价，得到最终的船舶航行性能评价结果。
其中，控制性能参数表征船舶自主航行过程中操纵系统对船舶设定航向或计划航线的保持效果及对舵机设备的使用情况。
总航程偏差表征实际航行里程与计划航线对应的期望航行里程之间的偏差百分比，反应了操纵控制系统的自主控制效果，偏差越小说明性能越好。计算式为
Figure 951554DEST_PATH_IMAGE035
，
Figure 828243DEST_PATH_IMAGE036
为实际航行里程，
Figure 181864DEST_PATH_IMAGE037
为期望航行里程。
航迹偏差表征船舶实际位置到航线中心线的垂直距离，用以衡量航行过程中船舶对计划航线的执行情况，指标越小航行越靠近航道中心。根据船位采样时间可得到航迹偏差的时间序列值，该时间序列值的两个统计量——最大值和平均值可以作为航迹偏差对应的三级评价参数：最大航迹偏差和平均航迹偏差。
操舵性能表征航行过程中舵机的使用情况及损耗。可从操舵频率和操舵幅度两个角度来考量操舵情况，构建其对应的三级评价参数：操舵频率和操舵幅度。操舵频率指航向保持阶段，单位时间（1min）内平均操舵次数；操舵幅度指航向保持阶段，单位时间内平均操舵幅度。
滑失率表征计划航速和实际航速的差值与计划航速之间的百分比，反应航行中由于气象或其它因素导致的速度损失情况。计算式为
Figure 527525DEST_PATH_IMAGE038
，
Figure 788743DEST_PATH_IMAGE039
为实际航行速度，
Figure 220072DEST_PATH_IMAGE040
为期望航行速度。
平均实际航迹表征实际航程与实际航行时间的比值，可得每个航路段的平均航速与全航程的平均航速。
燃油消耗量表征航行中燃油消耗情况，对应两个三级评价参数：全航程的燃油消耗总量和每海里平均油耗（燃油消耗总量除以总航程），对确定航次来说，燃油消耗总量越少经济性越高。
最高风浪承受力表征航行过程中船舶遭遇最大有义浪高时，风速和浪高分别与船舶所能承受最高风速和最高浪高之间的比值，比值越小说明航行越安全。
平均富余水深表征航行过程中实时水深与船舶吃水之间差值的平均值，数值越大说明航行越安全。
姿态稳定性表征船舶在风浪中航行时，船舶姿态变化对船舶稳定性的影响，进而衡量姿态变化对航行安全的影响。参考船舶的六自由度运动，结合风浪对航行安全的影响机制，由于横摇、纵摇和升沉对船舶的危害和影响最大，确定姿态稳定性指标对应的三级评价参数为：横摇周期差（横摇周期与海浪周期之差），该差值越小，越易造成船体与海浪共振，航行越危险；纵摇周期差（纵摇周期与海浪周期之差），该差值越小，越易造成船体与海浪共振，航行越危险；升沉数值，升沉数值越大，越容易出现海浪涌入甲板或船首被压下导致的船身打横现象，航行越危险。
一种可选的实施方式中，所述基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，包括：
基于下一级评价参数，确定下一级评价参数的权重向量以及权重对应的置信度向量；
基于隶属度函数构建评价矩阵，合成所述评价矩阵和所述权重向量，得到上一级评价参数的评价结果。
本发明所述方法可以先根据专家经验和层次分析法构建权重向量和权重对应的置信度，再建立合适的隶属度函数，构建评价矩阵，最后采用合适的合成因子合成评价矩阵和权重向量，完成置信度模糊评价模型的建立。
一种可选的实施方式中，所述基于下一级评价参数，确定下一级评价参数的权重向量以及权重对应的置信度向量，包括：
对下一级评价参数，确定评价参数集U，
Figure 806912DEST_PATH_IMAGE001
，其中，
Figure 826820DEST_PATH_IMAGE002
和
Figure 376881DEST_PATH_IMAGE003
表示评价参数，
Figure 228163DEST_PATH_IMAGE004
，m为正整数；
对所述评价参数集U中的各个评价参数，使用成对比较法和1-9比较尺度分别构造一组对比矩阵，每个对比矩阵为V，
Figure 674319DEST_PATH_IMAGE005
，其中，
Figure 978261DEST_PATH_IMAGE006
表示所述评价参数集U中的评价参数
Figure 332013DEST_PATH_IMAGE002
与评价参数
Figure 241063DEST_PATH_IMAGE003
对上一级评价参数的重要性比较结果，
Figure 904126DEST_PATH_IMAGE006
取值为1~9及其倒数值中的任意值；
确定每个对比矩阵的最大特征值以及对应的特征向量，对所述特征向量进行一致性校验，在校验通过后对所述特征向量归一化处理，得到一组初始权重向量；
对权重值进行等级划分，划分等级量化后对应于[0，1]区间的N等分，量化后的等级向量为
Figure 649359DEST_PATH_IMAGE007
，其中，
Figure 56070DEST_PATH_IMAGE008
；
对所述评价参数集U的评价参数
Figure 367096DEST_PATH_IMAGE002
，遍历每个初始权重向量中评价参数
Figure 138743DEST_PATH_IMAGE002
对应的权重值并组成向量
Figure 682857DEST_PATH_IMAGE009
，提取属于所述等级向量
Figure 581674DEST_PATH_IMAGE007
的个数
Figure 262054DEST_PATH_IMAGE010
，并做如下处理：
Figure 17652DEST_PATH_IMAGE011
，
Figure 721165DEST_PATH_IMAGE012
，其中，K为初始权重向量个数，
Figure 469679DEST_PATH_IMAGE013
；
将向量
Figure 958560DEST_PATH_IMAGE014
归一化处理后，得到权重向量A以及对应的置信度向量C，
Figure 134326DEST_PATH_IMAGE015
，
Figure 872606DEST_PATH_IMAGE016
，其中，
Figure 159231DEST_PATH_IMAGE017
，
Figure 751887DEST_PATH_IMAGE018
。
本发明所述方法基于多级评价参数，分别构建每级评价参数的权重向量。根据每级评价参数的含义及实船意义，结合专家经验（例如K位专家根据经验分别给出评价参数的对比矩阵）和层次分析法确定权重向量，并计算权重对应的置信度，置信度越高说明权重的取值越合理可信度越高，可根据置信度调整权重的取值，以根据置信度对评价模型进行调整，获取更为准确的评价结果。例如，
Figure 114866DEST_PATH_IMAGE041
表示评价参数
Figure 589710DEST_PATH_IMAGE002
与评价参数
Figure 368441DEST_PATH_IMAGE003
对上一级评价参数同样重要，
Figure 877920DEST_PATH_IMAGE042
表示评价参数
Figure 146221DEST_PATH_IMAGE002
与评价参数
Figure 311623DEST_PATH_IMAGE003
对上一级评价参数略为重要，上述为示例举例。在进行一致性检验时，利用一致性指标、随机一致性指标和一致性比率做一致性检验，检验通过，特征向量归一化处理后即为权重向量；若检验不通过，需重新构造对比矩阵。
一种可选的实施方式中，所述基于隶属度函数构建评价矩阵，合成所述评价矩阵和所述权重向量，得到上一级评价参数的评价结果，包括：
确定所述评价参数集U中评价参数的上一级评价参数的评价等级集
Figure 205630DEST_PATH_IMAGE019
，其中，
Figure 258031DEST_PATH_IMAGE020
表示所述评价参数集U中评价参数的上一级评价参数的评价等级，
Figure 946501DEST_PATH_IMAGE021
，n为正整数；
对所述评价参数集U中的每一个评价参数，根据所述评价等级集P中的等级进行模糊评判，得到评价矩阵R，
Figure 412248DEST_PATH_IMAGE022
，其中，
Figure 782050DEST_PATH_IMAGE023
表示评价参数
Figure 266121DEST_PATH_IMAGE024
关于评价等级
Figure 79487DEST_PATH_IMAGE025
的隶属程度；
通过对所述评价矩阵R和所述权重向量A进行矩阵运算得到模糊评价向量
Figure 750640DEST_PATH_IMAGE026
，
Figure 991042DEST_PATH_IMAGE027
；
对所述置信度向量C进行如下合成：
Figure 267303DEST_PATH_IMAGE028
，
Figure 563155DEST_PATH_IMAGE029
，其中，
Figure 675598DEST_PATH_IMAGE013
，
Figure 183940DEST_PATH_IMAGE021
，
Figure 393336DEST_PATH_IMAGE030
，
Figure 797772DEST_PATH_IMAGE031
为计算中间值，
Figure 709096DEST_PATH_IMAGE032
为合成后的置信度；
对所述模糊评价向量
Figure 975124DEST_PATH_IMAGE026
归一化处理后，得到上一级评价参数的评价结果
Figure 22714DEST_PATH_IMAGE033
。
其中，
Figure 411101DEST_PATH_IMAGE023
的值可由德尔菲法确定。
上述模型建立好后，根据各级评价参数的具体数值，代入上述模型后，即可完成最终的计算。
一种可选的实施方式中，所述方法还包括：实时展示船舶航行过程中，各级评价参数的变化情况及对应的中间评价结果，船舶航行性能评价结果以及当前航次和历史航次的船舶航行性能比对结果。
本发明所述方法加入了可视化，可以展示中间评价结果，例如二级评价结果、一级评价结果，还可以以图表形式展示航行过程中关键性能、参数的时间序列变化情况以及对应的统计结果，如油耗、浪高、航速等。同时，还能呈现当前航次与存储的历史航次的船舶航行性能评价比对结果，可为进一步的性能分析或智能功能改进提供参考和支撑。
本发明实施例所述的一种船舶航行性能分析系统，所述系统包括：
船岸通信模块，用于实现船舶和岸基之间的数据信息交互，接收船舶实时数据，并通过网络将数据传输至数据处理模块；
数据处理模块，用于处理所述船岸通信模块接收的船舶实时数据以及气象数据，得到处理后的数据，其中，所述数据处理包括：数据清洗、数据标准化处理、数据存储和数据备份；
航行性能分析模块，用于根据所述处理后的数据，确定用于分析船舶航行性能的多级评价参数，其中，所述多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，至少部分二级评价参数包括多个三级评价参数，基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，按照评价参数级别逐级递增，直至基于一级评价参数建立置信度模糊评价模型对船舶航行性能进行评价，得到船舶航行性能评价结果；
可视化模块，用于实时展示船舶航行过程中，各级评价参数的变化情况及对应的中间评价结果，所述船舶航行性能评价结果以及当前航次和历史航次的船舶航行性能比对结果。
现有技术中，在对智能船舶性能进行分析评价时，多是从单一方面或单一指标进行评价，得到的结果是单一功能的评价结果，无法全面反映智能船舶的性能表现以及其带来的有益效果。对于船舶数据获取来源和数据使用前的处理并未涉及，使得评价结果准确度低。且评价模型中各个指标的权重通过人为制定，可信度未知。
本发明所述系统针对智能船舶性能构建与其性能参数相应的多级评价参数，以从多个方面评价船舶的性能，全面反映船舶的性能表现。针对智能船舶在航行过程中产生的数据实时性强、类型复杂、数据量大的特点，对接收的数据进行数据处理，以使后续分析评价的结果更为准确可信。在构建评价模型时，加入置信度因子，通过置信度模糊评价模型实现多级评价参数的评价，解决评价结果可信度未知的问题，以提高评价结果的准确性。
船舶和岸基之间具有数据信息交互，可根据船岸之间指定的数据模型、数据压缩方式、通信信道与接入方式，实时完成船端数据的无损接收和准确解析，并通过网络将数据传输后进行数据处理。在数据处理时，接收的船舶实时数据和气象数据需要进行统一存储管理。其中，船舶实时数据和气象数据例如表2所示，表中列举为示意数据，不包含所有数据项。
表2 船舶实时数据和气象数据
Figure 747405DEST_PATH_IMAGE043
一种可选的实施方式中，所述数据处理模块包括：
数据清洗模块，用于对数据进行筛查、去重和连续性校验，其中，所述连续性校验包括：对数据离散度进行校验，过滤异常跳变的数据；根据数据之间的逻辑关系，采用线性插值法或推算值替换法对缺失数据进行补充；
数据标准化模块，用于对数据中各个特征值的度量单位、时间间隔进行标准化处理，其中，对各个特征值的度量单位进行标准化处理包括对各个单位统一度量单位，对各个特征值的时间间隔进行标准化处理包括通过线性插值法或二次插值法实现数据向前或向后填充；
数据存储模块，用于对处理后的数据进行存储，其中，静态数据以原始数据存储，动态数据以时间序列数据存储；
数据备份模块，用于对接收到的船舶实时数据备份存储至存储介质中。
其中，数据清洗包含非法数据筛查、数据去重和连续性数据校验三个部分。
（1）非法数据筛查
非法数据项主要包括两类：一是数据协议规定的无效数值，二是超出应用工况下数据合理取值范围的有效数值。针对每一个数据项，对接收到的每一条数据进行数据合法性检查，统一将非法数据置为无效标识，以进行下一步处理。
（2）数据去重
数据重复冗余存在两种情况：一是由于重复发送或接收导致数据重复，可以通过过滤相同时间戳实时去除重复冗余数据；二是船舶使用多源传感器采集同一信息时（例如两路电罗经同时采集船艏向），由于采集或传输时的细微差异可能导致同一时间采集的数据上传到系统时带有不同时间戳，而时间戳之间的间隔较小，此时通过去除时间戳相同的数据无法完全解决，这就会造成数据的重复冗余。可以通过比较时间戳之间的间隔与采样周期之间的差异，去除差异较小且数据相同的数据以去除该类冗余数据。
（3）连续性数据校验
连续性数据校验包含两种情况：一是针对存在异常跳变值的情况，对数据离散度进行校验，过滤掉跳动较大的数据；二是针对数据缺失的情况，根据数据之间的逻辑关系，采用线性插值法、推算值替换等弥补缺失的数据。
其中，数据标准化包括两个方面：一是度量单位标准化，由于传感器采集的船舶航速、相对风速以及气象数据中的流速等重要特征值的度量单位存在不一致的情况，需统一度量单位再进行数据分析处理；二是时间间隔标准化，由于传感器采集频率、数据传输过程等存在差异，各特征参数的时间间隔也存在差异，为方便实现数据分析处理，需统一各特征参数的数据时间间隔，可以依据参数特性采用线性插值、二次插值等方法实现数据的向前或前后填充。
其中，数据存储包括构建航行数据库，数据库包含两类数据：一是船舶物理参数、航行计划等静态数据，二是由船舶传输到岸基的经初步处理过的各种动态数据，这类数据以时间序列方式存储。
其中，数据备份包括采用物理备份的方式，将岸基通信模块实时接收到的船舶原始数据同步保存备用存储介质中。
航行性能分析模块采用采用模糊评价方法，从各项数据中选取船舶航行中的关键参数来构建多级评价参数，以此建立置信度模糊评价模型，根据隶属度法对船舶航行性能进行定量评价。
一种可选的实施方式，如图2所示，多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，部分二级评价参数包括多个三级评价参数，
其中，所述一级评价参数包括：控制性能参数、经济性参数和安全性参数；
其中，所述控制性能参数包括二级评价参数：航迹偏差、总航程偏差和操舵性能，所述经济性参数包括二级评价参数：滑失率、平均实际航迹和燃油消耗量，所述安全性参数包括二级评价参数：最高风浪承受力、平均富余水深和姿态稳定性；
其中，所述航迹偏差包括三级评价参数：最大航迹偏差和平均航迹偏差，所述操舵性能包括三级评价参数：操舵频率和操舵幅度，所述滑失率包括三级评价参数：最大滑失率和平均滑失率，所述燃油消耗量包括三级评价参数：油耗总量和每海里平均油耗，所述姿态稳定性包括三级评价参数：横摇周期差、纵摇周期差和升沉数值。
通过选取各个评价参数，以使评价结果能充分代表一个航次中船舶的性能。在进行多级评价时，以三级评价参数为例，先基于三级评价参数，建立置信度模糊评价模型对二级评价参数进行相应的评价，得到二级评价参数的评价结果，然后基于二级评价参数，建立置信度模糊评价模型对一级评价参数进行相应的评价，得到一级评价参数的评价结果，最后基于一级评价参数，建立置信度模糊评价模型对船舶航行性能进行评价，得到最终的船舶航行性能评价结果。
其中，控制性能参数表征船舶自主航行过程中操纵系统对船舶设定航向或计划航线的保持效果及对舵机设备的使用情况。
总航程偏差表征实际航行里程与计划航线对应的期望航行里程之间的偏差百分比，反应了操纵控制系统的自主控制效果，偏差越小说明性能越好。计算式为
Figure 128708DEST_PATH_IMAGE035
，
Figure 984799DEST_PATH_IMAGE036
为实际航行里程，
Figure 527776DEST_PATH_IMAGE037
为期望航行里程。
航迹偏差表征船舶实际位置到航线中心线的垂直距离，用以衡量航行过程中船舶对计划航线的执行情况，指标越小航行越靠近航道中心。根据船位采样时间可得到航迹偏差的时间序列值，该时间序列值的两个统计量——最大值和平均值可以作为航迹偏差对应的三级评价参数：最大航迹偏差和平均航迹偏差。
操舵性能表征航行过程中舵机的使用情况及损耗。可从操舵频率和操舵幅度两个角度来考量操舵情况，构建其对应的三级评价参数：操舵频率和操舵幅度。操舵频率指航向保持阶段，单位时间（1min）内平均操舵次数；操舵幅度指航向保持阶段，单位时间内平均操舵幅度。
滑失率表征计划航速和实际航速的差值与计划航速之间的百分比，反应航行中由于气象或其它因素导致的速度损失情况。计算式为
Figure 351376DEST_PATH_IMAGE038
，
Figure 21523DEST_PATH_IMAGE039
为实际航行速度，
Figure 43705DEST_PATH_IMAGE040
为期望航行速度。
平均实际航迹表征实际航程与实际航行时间的比值，可得每个航路段的平均航速与全航程的平均航速。
燃油消耗量表征航行中燃油消耗情况，对应两个三级评价参数：全航程的燃油消耗总量和每海里平均油耗（燃油消耗总量除以总航程），对确定航次来说，燃油消耗总量越少经济性越高。
最高风浪承受力表征航行过程中船舶遭遇最大有义浪高时，风速和浪高分别与船舶所能承受最高风速和最高浪高之间的比值，比值越小说明航行越安全。
平均富余水深表征航行过程中实时水深与船舶吃水之间差值的平均值，数值越大说明航行越安全。
姿态稳定性表征船舶在风浪中航行时，船舶姿态变化对船舶稳定性的影响，进而衡量姿态变化对航行安全的影响。参考船舶的六自由度运动，结合风浪对航行安全的影响机制，由于横摇、纵摇和升沉对船舶的危害和影响最大，确定姿态稳定性指标对应的三级评价参数为：横摇周期差（横摇周期与海浪周期之差），该差值越小，越易造成船体与海浪共振，航行越危险；纵摇周期差（纵摇周期与海浪周期之差），该差值越小，越易造成船体与海浪共振，航行越危险；升沉数值，升沉数值越大，越容易出现海浪涌入甲板或船首被压下导致的船身打横现象，航行越危险。
一种可选的实施方式中，所述航行性能分析模块包括：
评价向量模块，用于基于下一级评价参数，确定下一级评价参数的权重向量以及权重对应的置信度向量；
评价模型模块，用于基于隶属度函数构建评价矩阵，合成所述评价矩阵和所述权重向量，得到上一级评价参数的评价结果。
本发明所述系统可以先根据专家经验和层次分析法构建权重向量和权重对应的置信度，再建立合适的隶属度函数，构建评价矩阵，最后采用合适的合成因子合成评价矩阵和权重向量，完成置信度模糊评价模型的建立。
一种可选的实施方式中，所述基于下一级评价参数，确定下一级评价参数的权重向量以及权重对应的置信度向量，包括：
对下一级评价参数，确定评价参数集U，
Figure 711578DEST_PATH_IMAGE001
，其中，
Figure 84791DEST_PATH_IMAGE002
和
Figure 745579DEST_PATH_IMAGE003
表示评价参数，
Figure 107421DEST_PATH_IMAGE004
，m为正整数；
对所述评价参数集U中的各个评价参数，使用成对比较法和1-9比较尺度分别构造一组对比矩阵，每个对比矩阵为V，
Figure 523359DEST_PATH_IMAGE005
，其中，
Figure 806704DEST_PATH_IMAGE006
表示所述评价参数集U中的评价参数
Figure 67921DEST_PATH_IMAGE002
与评价参数
Figure 2379DEST_PATH_IMAGE003
对上一级评价参数的重要性比较结果，
Figure 74371DEST_PATH_IMAGE006
取值为1~9及其倒数值中的任意值；
确定每个对比矩阵的最大特征值以及对应的特征向量，对所述特征向量进行一致性校验，在校验通过后对所述特征向量归一化处理，得到一组初始权重向量；
对权重值进行等级划分，划分等级量化后对应于[0，1]区间的N等分，量化后的等级向量为
Figure 891018DEST_PATH_IMAGE007
，其中，
Figure 909920DEST_PATH_IMAGE008
；
对所述评价参数集U的评价参数
Figure 761202DEST_PATH_IMAGE002
，遍历每个初始权重向量中评价参数
Figure 191046DEST_PATH_IMAGE002
对应的权重值并组成向量
Figure 245721DEST_PATH_IMAGE009
，提取属于所述等级向量
Figure 114320DEST_PATH_IMAGE007
的个数
Figure 508523DEST_PATH_IMAGE010
，并做如下处理：
Figure 437165DEST_PATH_IMAGE011
，
Figure 166086DEST_PATH_IMAGE012
，其中，K为初始权重向量个数，
Figure 589109DEST_PATH_IMAGE013
；
将向量
Figure 149403DEST_PATH_IMAGE014
归一化处理后，得到权重向量A以及对应的置信度向量C，
Figure 671782DEST_PATH_IMAGE015
，
Figure 215896DEST_PATH_IMAGE016
，其中，
Figure 363981DEST_PATH_IMAGE017
，
Figure 806812DEST_PATH_IMAGE018
。
本发明所述系统基于多级评价参数，分别构建每级评价参数的权重向量。根据每级评价参数的含义及实船意义，结合专家经验（例如K位专家根据经验分别给出评价参数的对比矩阵）和层次分析法确定权重向量，并计算权重对应的置信度，置信度越高说明权重的取值越合理可信度越高，可根据置信度调整权重的取值，以根据置信度对评价模型进行调整，获取更为准确的评价结果。例如，
Figure 749360DEST_PATH_IMAGE041
表示评价参数
Figure 265923DEST_PATH_IMAGE002
与评价参数
Figure 14436DEST_PATH_IMAGE003
对上一级评价参数同样重要，
Figure 487006DEST_PATH_IMAGE042
表示评价参数
Figure 679084DEST_PATH_IMAGE002
与评价参数
Figure 869894DEST_PATH_IMAGE003
对上一级评价参数略为重要，上述为示例举例。在进行一致性检验时，利用一致性指标、随机一致性指标和一致性比率做一致性检验，检验通过，特征向量归一化处理后即为权重向量；若检验不通过，需重新构造对比矩阵。
一种可选的实施方式中，所述基于隶属度函数构建评价矩阵，合成所述评价矩阵和所述权重向量，得到上一级评价参数的评价结果，包括：
确定所述评价参数集U中评价参数的上一级评价参数的评价等级集
Figure 172831DEST_PATH_IMAGE019
，其中，
Figure 765486DEST_PATH_IMAGE020
表示所述评价参数集U中评价参数的上一级评价参数的评价等级，
Figure 112154DEST_PATH_IMAGE021
，n为正整数；
对所述评价参数集U中的每一个评价参数，根据所述评价等级集P中的等级进行模糊评判，得到评价矩阵R，
Figure 337730DEST_PATH_IMAGE022
，其中，
Figure 631308DEST_PATH_IMAGE023
表示评价参数
Figure 891519DEST_PATH_IMAGE024
关于评价等级
Figure 612350DEST_PATH_IMAGE025
的隶属程度；
通过对所述评价矩阵R和所述权重向量A进行矩阵运算得到模糊评价向量
Figure 840069DEST_PATH_IMAGE026
，
Figure 422492DEST_PATH_IMAGE027
；
对所述置信度向量C进行如下合成：
Figure 520898DEST_PATH_IMAGE028
，
Figure 225680DEST_PATH_IMAGE029
，其中，
Figure 612799DEST_PATH_IMAGE013
，
Figure 310496DEST_PATH_IMAGE021
，
Figure 279720DEST_PATH_IMAGE030
，
Figure 342354DEST_PATH_IMAGE031
为计算中间值，
Figure 29819DEST_PATH_IMAGE032
为合成后的置信度；
对所述模糊评价向量
Figure 203311DEST_PATH_IMAGE026
归一化处理后，得到上一级评价参数的评价结果
Figure 276309DEST_PATH_IMAGE033
。
其中，
Figure 322894DEST_PATH_IMAGE023
的值可由德尔菲法确定。
上述模型建立好后，根据各级评价参数的具体数值，代入上述模型后，即可完成最终的计算。
本公开还涉及一种电子设备，包括服务器、终端等。该电子设备包括：至少一个处理器；与至少一个处理器通信连接的存储器；以及与存储介质通信连接的通信组件，所述通信组件在处理器的控制下接收和发送数据；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行以实现上述实施例中的方法。
在一种可选的实施方式中，存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器中，当被一个或者多个处理器执行时，执行上述任意方法实施例中的方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本公开还涉及一种计算机可读存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
此外，本领域普通技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本领域技术人员应理解，尽管已经参考示例性实施例描述了本发明，但是在不脱离本发明的范围的情况下，可进行各种改变并可用等同物替换其元件。另外，在不脱离本发明的实质范围的情况下，可进行许多修改以使特定情况或材料适应本发明的教导。因此，本发明不限于所公开的特定实施例，而是本发明将包括落入所附权利要求范围内的所有实施例。

Claims (10)

1.一种船舶航行性能分析方法，其特征在于，所述方法包括：
获取船舶实时数据以及气象数据，并对所述船舶实时数据以及气象数据进行数据处理，得到处理后的数据，其中，所述数据处理包括：数据清洗、数据标准化处理、数据存储和数据备份；
根据所述处理后的数据，确定用于分析船舶航行性能的多级评价参数，其中，所述多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，至少部分二级评价参数包括多个三级评价参数；
基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，按照评价参数级别逐级递增，直至基于一级评价参数建立置信度模糊评价模型对船舶航行性能进行评价，得到船舶航行性能评价结果。
2.如权利要求1所述的方法，其中，所述数据清洗包括对数据进行筛查、去重和连续性校验，其中，所述连续性校验包括：对数据离散度进行校验，过滤异常跳变的数据；根据数据之间的逻辑关系，采用线性插值法或推算值替换法对缺失数据进行补充；
所述数据标准化处理包括对数据中各个特征值的度量单位、时间间隔进行标准化处理，其中，对各个特征值的度量单位进行标准化处理包括对各类度量单位进行统一变换，对各个特征值的时间间隔进行标准化处理包括指定同一时间间隔并通过线性插值法或二次插值法实现数据向前或向后填充；
所述数据存储包括对所述处理后的数据进行存储，其中，静态数据以原始数据存储，动态数据以时间序列数据存储；
所述数据备份包括对接收到的船舶实时数据备份存储至存储介质中。
3.如权利要求1所述的方法，其中，所述基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，包括：
基于下一级评价参数，确定下一级评价参数的权重向量以及权重对应的置信度向量；
基于隶属度函数构建评价矩阵，合成所述评价矩阵和所述权重向量，得到上一级评价参数的评价结果。
4.如权利要求3所述的方法，其中，所述基于下一级评价参数，确定下一级评价参数的权重向量以及权重对应的置信度向量，包括：
对下一级评价参数，确定评价参数集U，
Figure 873333DEST_PATH_IMAGE001
，其中，
Figure 915107DEST_PATH_IMAGE002
和
Figure 512487DEST_PATH_IMAGE003
表示评价参数，
Figure 94647DEST_PATH_IMAGE004
，m为正整数；
对所述评价参数集U中的各个评价参数，使用成对比较法和1-9比较尺度分别构造一组对比矩阵，每个对比矩阵为V，
Figure 3959DEST_PATH_IMAGE005
，其中，
Figure 216635DEST_PATH_IMAGE006
表示所述评价参数集U中的评价参数
Figure 421351DEST_PATH_IMAGE002
与评价参数
Figure 308667DEST_PATH_IMAGE003
对上一级评价参数的重要性比较结果，
Figure 180808DEST_PATH_IMAGE006
取值为1~9及其倒数值中的任意值；
确定每个对比矩阵的最大特征值以及对应的特征向量，对所述特征向量进行一致性校验，在校验通过后对所述特征向量归一化处理，得到一组初始权重向量；
对权重值进行等级划分，划分等级量化后对应于[0，1]区间的N等分，量化后的等级向量为
Figure 361122DEST_PATH_IMAGE007
，其中，
Figure 787556DEST_PATH_IMAGE008
；
对所述评价参数集U的评价参数
Figure 478562DEST_PATH_IMAGE002
，遍历每个初始权重向量中评价参数
Figure 939630DEST_PATH_IMAGE002
对应的权重值并组成向量
Figure 556425DEST_PATH_IMAGE009
，提取属于所述等级向量
Figure 63630DEST_PATH_IMAGE007
的个数
Figure 542016DEST_PATH_IMAGE010
，并做如下处理：
Figure 77165DEST_PATH_IMAGE011
，
Figure 615594DEST_PATH_IMAGE012
，其中，K为初始权重向量个数，
Figure 610094DEST_PATH_IMAGE013
；
将向量
Figure 141439DEST_PATH_IMAGE014
归一化处理后，得到权重向量A以及对应的置信度向量C，
Figure 780362DEST_PATH_IMAGE015
，
Figure 240424DEST_PATH_IMAGE016
，其中，
Figure 394325DEST_PATH_IMAGE017
，
Figure 542409DEST_PATH_IMAGE018
。
5.如权利要求4所述的方法，其中，所述基于隶属度函数构建评价矩阵，合成所述评价矩阵和所述权重向量，得到上一级评价参数的评价结果，包括：
确定所述评价参数集U中评价参数的上一级评价参数的评价等级集
Figure 347423DEST_PATH_IMAGE019
，其中，
Figure 430917DEST_PATH_IMAGE020
表示所述评价参数集U中评价参数的上一级评价参数的评价等级，
Figure 822846DEST_PATH_IMAGE021
，n为正整数；
对所述评价参数集U中的每一个评价参数，根据所述评价等级集P中的等级进行模糊评判，得到评价矩阵R，
Figure 509043DEST_PATH_IMAGE022
，其中，
Figure 184874DEST_PATH_IMAGE023
表示评价参数
Figure 688537DEST_PATH_IMAGE024
关于评价等级
Figure 551451DEST_PATH_IMAGE025
的隶属程度；
通过对所述评价矩阵R和所述权重向量A进行矩阵运算得到模糊评价向量
Figure 306917DEST_PATH_IMAGE026
，
Figure 56830DEST_PATH_IMAGE027
；
对所述置信度向量C进行如下合成：
Figure 544443DEST_PATH_IMAGE028
，
Figure 347183DEST_PATH_IMAGE029
，其中，
Figure 578444DEST_PATH_IMAGE013
，
Figure 25606DEST_PATH_IMAGE021
，
Figure 180992DEST_PATH_IMAGE030
，
Figure 221760DEST_PATH_IMAGE031
为计算中间值，
Figure 240401DEST_PATH_IMAGE032
为合成后的置信度；
对所述模糊评价向量
Figure 807648DEST_PATH_IMAGE026
归一化处理后，得到上一级评价参数的评价结果
Figure 105906DEST_PATH_IMAGE033
。
6.如权利要求1所述的方法，其中，所述多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，部分二级评价参数包括多个三级评价参数，
其中，所述一级评价参数包括：控制性能参数、经济性参数和安全性参数；
其中，所述控制性能参数包括二级评价参数：航迹偏差、总航程偏差和操舵性能，所述经济性参数包括二级评价参数：滑失率、平均实际航迹和燃油消耗量，所述安全性参数包括二级评价参数：最高风浪承受力、平均富余水深和姿态稳定性；
其中，所述航迹偏差包括三级评价参数：最大航迹偏差和平均航迹偏差，所述操舵性能包括三级评价参数：操舵频率和操舵幅度，所述滑失率包括三级评价参数：最大滑失率和平均滑失率，所述燃油消耗量包括三级评价参数：油耗总量和每海里平均油耗，所述姿态稳定性包括三级评价参数：横摇周期差、纵摇周期差和升沉数值。
7.如权利要求1所述的方法，其中，所述方法还包括：实时展示船舶航行过程中，各级评价参数的变化情况及对应的中间评价结果，所述船舶航行性能评价结果以及当前航次和历史航次的船舶航行性能比对结果。
8.一种船舶航行性能分析系统，其特征在于，所述系统包括：
船岸通信模块，用于实现船舶和岸基之间的数据信息交互，接收船舶实时数据，并通过网络将数据传输至数据处理模块；
数据处理模块，用于处理所述船岸通信模块接收的船舶实时数据以及气象数据，得到处理后的数据，其中，所述数据处理包括：数据清洗、数据标准化处理、数据存储和数据备份；
航行性能分析模块，用于根据所述处理后的数据，确定用于分析船舶航行性能的多级评价参数，其中，所述多级评价参数包括三级评价参数，每个一级评价参数包括多个二级评价参数，至少部分二级评价参数包括多个三级评价参数，基于下一级评价参数建立置信度模糊评价模型对上一级评价参数进行评价，得到上一级评价参数的评价结果，按照评价参数级别逐级递增，直至基于一级评价参数建立置信度模糊评价模型对船舶航行性能进行评价，得到船舶航行性能评价结果；
可视化模块，用于实时展示船舶航行过程中，各级评价参数的变化情况及对应的中间评价结果，所述船舶航行性能评价结果以及当前航次和历史航次的船舶航行性能比对结果。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被处理器执行以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行以实现如权利要求1-7中任一项所述的方法。
CN202011556292.9A 2020-12-25 2020-12-25 一种船舶航行性能分析方法及系统 Active CN112288910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011556292.9A CN112288910B (zh) 2020-12-25 2020-12-25 一种船舶航行性能分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011556292.9A CN112288910B (zh) 2020-12-25 2020-12-25 一种船舶航行性能分析方法及系统

Publications (2)

Publication Number Publication Date
CN112288910A true CN112288910A (zh) 2021-01-29
CN112288910B CN112288910B (zh) 2021-03-26

Family

ID=74426188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011556292.9A Active CN112288910B (zh) 2020-12-25 2020-12-25 一种船舶航行性能分析方法及系统

Country Status (1)

Country Link
CN (1) CN112288910B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047889A (zh) * 2022-08-15 2022-09-13 北京海兰信数据科技股份有限公司 一种确定自动舵航向控制效果的方法及系统
CN115523963A (zh) * 2022-11-24 2022-12-27 亚太卫星宽带通信（深圳）有限公司 一种船舶数据智能分析装置与方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105938609A (zh) * 2016-04-28 2016-09-14 国家电网公司 一种实现多层次指标体系的电网运行评估方法
CN106780108A (zh) * 2016-11-25 2017-05-31 武汉大学 一种基于改进证据推理融合的配电变压器状态评估方法
US20190051146A1 (en) * 2017-08-09 2019-02-14 Institute Of Mountain Hazards And Environment, Chinese Academy Of Sciences Three-dimensional multi-point multi-index early warning method for risk at power grid tower in landslide section
CN109978393A (zh) * 2019-03-29 2019-07-05 大连海事大学 基于船舶领域的定线制水域航行风险评估方法
CN110147920A (zh) * 2019-03-12 2019-08-20 上海海事大学 利用模糊层次法对耙吸挖泥船动力装置进行选型的方法
CN110216319A (zh) * 2019-06-14 2019-09-10 北京科技大学 一种基于表面质量在线评估的中厚板优化剪切控制方法
CN111507586A (zh) * 2020-02-19 2020-08-07 中交疏浚技术装备国家工程研究中心有限公司 通航水域水上施工安全风险预警分级方法及系统
CN111612241A (zh) * 2020-05-15 2020-09-01 智慧航海（青岛）科技有限公司 智能船舶路径规划功能实现性的综合评价方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105938609A (zh) * 2016-04-28 2016-09-14 国家电网公司 一种实现多层次指标体系的电网运行评估方法
CN106780108A (zh) * 2016-11-25 2017-05-31 武汉大学 一种基于改进证据推理融合的配电变压器状态评估方法
US20190051146A1 (en) * 2017-08-09 2019-02-14 Institute Of Mountain Hazards And Environment, Chinese Academy Of Sciences Three-dimensional multi-point multi-index early warning method for risk at power grid tower in landslide section
CN110147920A (zh) * 2019-03-12 2019-08-20 上海海事大学 利用模糊层次法对耙吸挖泥船动力装置进行选型的方法
CN109978393A (zh) * 2019-03-29 2019-07-05 大连海事大学 基于船舶领域的定线制水域航行风险评估方法
CN110216319A (zh) * 2019-06-14 2019-09-10 北京科技大学 一种基于表面质量在线评估的中厚板优化剪切控制方法
CN111507586A (zh) * 2020-02-19 2020-08-07 中交疏浚技术装备国家工程研究中心有限公司 通航水域水上施工安全风险预警分级方法及系统
CN111612241A (zh) * 2020-05-15 2020-09-01 智慧航海（青岛）科技有限公司 智能船舶路径规划功能实现性的综合评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王永涛 等: "基于模糊层次分析的沿海小型航海保障工作船风险评判", 《第十五届中国智能交通年会科技论文集》 *
苏会卫 等: "基于模糊综合评价算法的海运物流风险测算", 《物流技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047889A (zh) * 2022-08-15 2022-09-13 北京海兰信数据科技股份有限公司 一种确定自动舵航向控制效果的方法及系统
CN115523963A (zh) * 2022-11-24 2022-12-27 亚太卫星宽带通信（深圳）有限公司 一种船舶数据智能分析装置与方法
CN115523963B (zh) * 2022-11-24 2023-05-12 亚太卫星宽带通信（深圳）有限公司 一种船舶数据智能分析装置与方法

Also Published As

Publication number Publication date
CN112288910B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN113780395B (zh) 海量高维ais轨迹数据聚类方法
CN112288910B (zh) 一种船舶航行性能分析方法及系统
CN113837477A (zh) 数据双驱动的台风灾害下电网故障预测方法、装置和设备
CN111352113B (zh) 一种强对流天气短临预报方法及系统、存储介质和终端
CN116702093B (zh) 一种基于大数据数据融合的海上目标定位方法
CN111966759B (zh) 一种港池航道通航保障评估方法、系统、装置及介质
CN111694913A (zh) 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置
CN101883425A (zh) 基于熵权灰关联的目标跟踪与识别装置及方法
CN112200048A (zh) 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质
CN112287468A (zh) 一种船舶碰撞危险度判别方法及系统
Glotzer et al. Confidence Intervals for Exceedance Probabilities with Application Tto Extreme Ship Motions
CN117104452A (zh) 基于人工神经网络的随船摇荡运动反演波浪方法及系统
CN117434153A (zh) 基于超声波技术的道路无损检测方法及系统
Mounet et al. Deriving spatial wave data from a network of buoys and ships
CN117494573B (zh) 一种风速预测方法、系统及电子设备
CN116611552B (zh) 一种基于目标监测数据的船舶交通流量预测方法及系统
CN107492129B (zh) 基于素描表示和结构化聚类的非凸压缩感知优化重构方法
CN116383723A (zh) 一种泥石流数据异常辨识方法、计算机设备及介质
CN117056845A (zh) 一种自动驾驶汽车异常检测方法及相关系统
CN115883424A (zh) 一种高速骨干网间流量数据预测方法及系统
CN115309948A (zh) 一种基于运动轨迹自动识别的渔船作业方法
CN113805252A (zh) 基于集合预报模型的登陆热带气旋过程大风预报系统
CN115047889B (zh) 一种确定自动舵航向控制效果的方法及系统
CN118312726B (zh) 探地雷达数据实时评估方法及系统、训练方法及系统
CN114779002B (zh) 一种输电线路故障点定位方法、装置、设备及存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210413

Address after: Room 501, 5th floor, building 10, yard 7, Dijin Road, Haidian District, Beijing 100095

Patentee after: BEIJING HIGHLANDR DIGITAL TECHNOLOGY Co.,Ltd.

Patentee after: Sansha Highlander marine Mdt InfoTech Ltd.

Address before: Room 501, 5th floor, building 10, yard 7, Dijin Road, Haidian District, Beijing 100095

Patentee before: BEIJING HIGHLANDR DIGITAL TECHNOLOGY Co.,Ltd.