CN112660331A - 航速纵倾联合优化方法、装置及电子设备 - Google Patents
航速纵倾联合优化方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112660331A CN112660331A CN202110051770.9A CN202110051770A CN112660331A CN 112660331 A CN112660331 A CN 112660331A CN 202110051770 A CN202110051770 A CN 202110051770A CN 112660331 A CN112660331 A CN 112660331A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- ship
- consumption model
- trim
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005265 energy consumption Methods 0.000 claims abstract description 163
- 238000012360 testing method Methods 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 70
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000002706 hydrostatic effect Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Abstract
本发明提供了一种航速纵倾联合优化方法、装置及电子设备，涉及船舶技术领域，该方法包括：获取船舶对应的航线数据和吃水数据；其中，航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据；根据航线数据、吃水数据和预先建立的能耗模型，确定该船舶对应的航速纵倾优化决策；其中，能耗模型是基于船舶的能耗模型数据建立的，能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据。由于能耗模型是基于模型试验与数值计算数据、实船试航数据和实船营运数据等多源数据的融合建立的，因此该能耗模型的准确性高、适用性广，从而基于该能耗模型的优化方式，提高了优化结果的准确性。
Description
技术领域
本发明涉及船舶技术领域，尤其是涉及一种航速纵倾联合优化方法、装置及电子设备。
背景技术
船舶节能是建设资源节约型和环境友好型社会的迫切需要，通常通过调整船速和纵倾来达到降低船舶能耗的目的。当前，通常是通过传统的经验公式来计算船舶能耗，从而优化船速和纵倾，然而这种方式误差较大，难以保证优化结果的准确性。
发明内容
本发明的目的在于提供一种航速纵倾联合优化方法、装置及电子设备，以提高优化结果的准确性。
本发明实施例提供了一种航速纵倾联合优化方法，包括：
获取船舶对应的航线数据和吃水数据；其中，所述航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据；
根据所述航线数据、所述吃水数据和预先建立的能耗模型，确定所述船舶对应的航速纵倾优化决策；其中，所述能耗模型是基于所述船舶的能耗模型数据建立的，所述能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据；所述航速纵倾优化决策包括每个所述航段对应的目标航速和目标纵倾。
进一步地，所述方法还包括：
获取所述船舶的能耗模型数据；
根据所述能耗模型数据中的模型试验与数值计算数据和实船试航数据，建立目标函数；其中，所述模型试验与数值计算数据包括船桨匹配后的螺旋桨推力系数图谱、螺旋桨转矩系数图谱、波浪增阻图谱和风阻力图谱，所述实船试航数据包括试航报告中静水条件下的阻力图谱，所述目标函数包括螺旋桨推力系数函数、螺旋桨转矩系数函数、波浪增阻函数、风阻力函数和试航报告中的静水阻力函数；
根据所述目标函数和所述实船试航数据，建立初始能耗模型；其中，所述实船试航数据还包括如下参数数据：航速、吃水、纵倾、功率、相对风速、相对风向、有效浪高、谱峰周期和相对浪向；
根据所述能耗模型数据中的实船营运数据，对所述初始能耗模型进行修正，得到所述船舶的能耗模型。
进一步地，根据所述能耗模型数据中的实船营运数据，对所述初始能耗模型进行修正，得到所述船舶的能耗模型的步骤，包括：
根据所述实船营运数据，利用机器学习算法或深度学习算法确定所述初始能耗模型对应的实船营运修正系数；
根据所述实船营运修正系数对所述初始能耗模型进行修正，得到所述船舶的能耗模型。
进一步地，根据所述航线数据、所述吃水数据和预先建立的能耗模型，确定所述船舶对应的航速纵倾优化决策的步骤，包括：
将所述航线数据和所述吃水数据带入所述能耗模型，得到总能耗函数；
根据所述总能耗函数、预设的约束条件和总能耗最低的优化目标，确定所述船舶对应的航速纵倾优化决策；其中，所述约束条件包括所述船舶跑完整个航线所花的时间与航行计划规定的时间一致和每个所述航段上计算的功率小于或等于所述船舶的主机的最大输出功率。
进一步地，根据所述总能耗函数、预设的约束条件和总能耗最低的优化目标，确定所述船舶对应的航速纵倾优化决策的步骤，包括：
在所述约束条件和所述优化目标下，根据所述总能耗函数，利用群智能算法或CPLEX算法对每个所述航段的航速和纵倾进行寻优，得到所述船舶对应的航速纵倾优化决策。
进一步地，根据所述航线数据、所述吃水数据和预先建立的能耗模型，确定所述船舶对应的航速纵倾优化决策之后，所述方法还包括：
将所述船舶对应的航速纵倾优化决策推送至预设的终端设备，以为用户提供航行辅助决策。
本发明实施例还提供了一种航速纵倾联合优化装置，包括：
数据获取模块，用于获取船舶对应的航线数据和吃水数据；其中，所述航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据；
决策确定模块，用于根据所述航线数据、所述吃水数据和预先建立的能耗模型，确定所述船舶对应的航速纵倾优化决策；其中，所述能耗模型是基于所述船舶的能耗模型数据建立的，所述能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据；所述航速纵倾优化决策包括每个所述航段对应的目标航速和目标纵倾。
进一步地，所述装置还包括模型建立模块，用于：
获取所述船舶的能耗模型数据；
根据所述能耗模型数据中的模型试验与数值计算数据和实船试航数据，建立目标函数；其中，所述模型试验与数值计算数据包括船桨匹配后的螺旋桨推力系数图谱、螺旋桨转矩系数图谱、波浪增阻图谱和风阻力图谱，所述实船试航数据包括试航报告中静水条件下的阻力图谱，所述目标函数包括螺旋桨推力系数函数、螺旋桨转矩系数函数、波浪增阻函数、风阻力函数和试航报告中的静水阻力函数；
根据所述目标函数和所述实船试航数据，建立初始能耗模型；其中，所述实船试航数据还包括如下参数数据：航速、吃水、纵倾、功率、相对风速、相对风向、有效浪高、谱峰周期和相对浪向；
根据所述能耗模型数据中的实船营运数据，对所述初始能耗模型进行修正，得到所述船舶的能耗模型。
本发明实施例还提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的航速纵倾联合优化方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的航速纵倾联合优化方法。
本发明实施例提供了一种航速纵倾联合优化方法、装置及电子设备，在对船舶进行航速纵倾联合优化时，先获取船舶对应的航线数据和吃水数据；其中，航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据；然后根据航线数据、吃水数据和预先建立的能耗模型，确定该船舶对应的航速纵倾优化决策；其中，能耗模型是基于船舶的能耗模型数据建立的，能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据；航速纵倾优化决策包括每个航段对应的目标航速和目标纵倾。由于能耗模型是基于模型试验与数值计算数据、实船试航数据和实船营运数据等多源数据的融合建立的，因此该能耗模型的准确性高、适用性广，从而与基于传统的经验公式的航速纵倾优化方式相比，这种基于该能耗模型的优化方式，提高了优化结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种航速纵倾联合优化方法的流程示意图；
图2为本发明实施例提供的一种建立能耗模型的流程示意图；
图3为本发明实施例提供的一种航速纵倾联合优化装置的结构示意图；
图4为本发明实施例提供的另一种航速纵倾联合优化装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。
当前，通常是通过传统的经验公式来计算船舶能耗，从而优化船速和纵倾，这种方式误差较大，难以保证优化结果的准确性。另外，考虑到单纯用模型试验与数值计算数据来建立能耗模型，具有局限性，不能适应各类航行场景；而单纯使用实船试航数据进行回归拟合，同样难以保证能耗模型的准确性。基于此，本发明实施例提供的一种航速纵倾联合优化方法、装置及电子设备，建立了一个融合多源数据的能耗模型，兼顾了模型的准确性和适用性，并在此基础上针对最小能耗需求，利用优化算法对船舶航速、纵倾进行联合寻优，这种方式可以提高优化结果的准确性。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种航速纵倾联合优化方法进行详细介绍。
本发明实施例提供了一种航速纵倾联合优化方法，该方法可以由具有数据处理能力的电子设备执行，该电子设备例如是台式电脑、笔记本电脑、平板电脑或手机等。该方法将模型试验与数值计算数据、实船试航数据和实船营运数据等多源数据进行融合，建立了一个准确性高、适用性广的能耗模型，在此基础上，针对最小能耗需求，利用优化算法实现船舶航速、纵倾的联合寻优，其优化决策可以作为船员航行操纵的辅助参考。
参见图1所示的一种航速纵倾联合优化方法的流程示意图，该方法主要包括如下步骤S102～步骤S104：
步骤S102，获取船舶对应的航线数据和吃水数据；其中，航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据。
在进行船舶航行任务规划时，航线往往是确定不变的，也就是船舶要经过哪些地方是确定的，因此沿程的水深h也就是确定的。而一条完整的航线往往可以分成若干个航段，因此可以确定每个航段的水深数据。并且每个航段对应一个路程，因此目标航线对应的每个航段的路程数据可以记为S＝(S1,S2,S3,...Sn)。气象数据可以通过气象预报获得，气象数据可以包括相对风速Vrw、相对风向ψrw、有效浪高Hs、谱峰周期Tp和相对浪向Φr等的参数。船舶的吃水(即吃水深度)d是根据船舶所运货物的装载量确定的，开航前也能确定，也即可以根据船舶所运货物的装载量获取吃水数据。
步骤S104，根据航线数据、吃水数据和预先建立的能耗模型，确定船舶对应的航速纵倾优化决策；其中，能耗模型是基于船舶的能耗模型数据建立的，能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据；航速纵倾优化决策包括每个航段对应的目标航速和目标纵倾。
上述能耗模型是预先建立好的，建立该能耗模型时融合了模型试验与数值计算数据、实船试航数据和实船营运数据等多源数据，使得该能耗模型对船舶的能耗预报准确性高、适用性广。后续将对该能耗模型的建立过程进行详细介绍。由于航线数据和吃水数据都是确定的，因此可寻优的是船舶以多大的速度和什么样的纵倾走完目标航线。
可选地，上述步骤S104可以通过如下过程实现：将航线数据和吃水数据带入能耗模型，得到总能耗函数；根据总能耗函数、预设的约束条件和总能耗最低的优化目标，确定船舶对应的航速纵倾优化决策；其中，约束条件包括船舶跑完整个航线所花的时间与航行计划规定的时间一致和每个航段上计算的功率小于或等于船舶的主机的最大输出功率。
在一些可能的实施例中，上述根据总能耗函数、预设的约束条件和总能耗最低的优化目标，确定船舶对应的航速纵倾优化决策的步骤，具体可以如下：在上述约束条件和优化目标下，根据总能耗函数，利用群智能算法或CPLEX算法对每个航段的航速和纵倾进行寻优，得到该船舶对应的航速纵倾优化决策。
具体实现时，按照航海习惯，每个航段对应一个航速，航速可以记为V＝(V1,V2,V3,...Vn)。同时也可以设置每个航段调整一次纵倾，纵倾可以记为t＝(t1,t2,t3,..tn.)。以船舶跑完全程的能耗最低为优化目标，能耗模型寻优的约束条件可以表达为：
即船舶跑完整个目标航线所花的时间要与航行计划规定的时间一致，其中，planTime表示航行计划规定的时间；同时还应满足：Pspi(V,n,d,t,h,Hs,Tp,Φr,Vrw,ψrw)<Pm(n)，即优化时，每个航段上计算的功率都不能大于主机的最大输出功率，其中，Pspi(V,n,d,t,h,Hs,Tp,Φr,Vrw,ψrw)表示航段i上计算的功率，n表示螺旋桨的转速参数，Pm(n)表示主机能够输出的最大功率，Pm(n)是由主机厂商提供的且是转速n的函数。在此约束下，可以利用群智能算法或CPLEX算法等对每个航段上的航速V＝(V1,V2,V3,...Vn)和纵倾t＝(t1,t2,t3,..tn.)进行寻优，得到最终的航速纵倾优化决策。
进一步，可以将寻优得到的航速纵倾优化决策推送给船员和/或船务公司，以提供相应的辅助决策。基于此，在上述步骤S104之后，上述方法还包括：将船舶对应的航速纵倾优化决策推送至预设的终端设备，以为用户提供航行辅助决策。
本发明实施例提供的航速纵倾联合优化方法，在对船舶进行航速纵倾联合优化时，先获取船舶对应的航线数据和吃水数据；其中，航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据；然后根据航线数据、吃水数据和预先建立的能耗模型，确定该船舶对应的航速纵倾优化决策；其中，能耗模型是基于船舶的能耗模型数据建立的，能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据；航速纵倾优化决策包括每个航段对应的目标航速和目标纵倾。由于能耗模型是基于模型试验与数值计算数据、实船试航数据和实船营运数据等多源数据的融合建立的，因此该能耗模型的准确性高、适用性广，从而与基于传统的经验公式的航速纵倾优化方式相比，这种基于该能耗模型的优化方式，提高了优化结果的准确性。
本发明实施例还提供了一种建立上述能耗模型的方法，参见图2所示的一种建立能耗模型的流程示意图，通过如下步骤建立能耗模型：
步骤S202，获取所述船舶的能耗模型数据。
上述能耗模型数据可以包括船型数据、模型试验与数值计算数据、设备性能数据、实船试航数据和实船营运数据。其中，船型数据主要包括：船长Lpp、船宽B、吃水d、方形系数Cb、菱形系数Cp和螺旋桨的直径D等。模型试验与数值计算数据主要包括静水下的阻力(即静水阻力)R0图谱、船桨匹配后的螺旋桨推力系数KT图谱、螺旋桨转矩系数KQ图谱、波浪增阻RWA图谱和风阻力RWI图谱。设备性能数据主要包括主机转矩限制线Pm(n)(即某个转速下主机能输出的最大功率)。实船试航数据主要包括试航报告中静水条件下的阻力(即静水阻力)Rt图谱，以及如下参数数据：航速、吃水、纵倾、功率、相对风速、相对风向、有效浪高、谱峰周期和相对浪向等。实船营运数据主要包括如下参数数据：航速Vs、吃水ds、纵倾ds、轴功率Pss、相对风速Vrws、相对风向ψrws、有效浪高Hss、谱峰周期TPs和相对浪向φrs等。
步骤S204，根据上述能耗模型数据中的模型试验与数值计算数据和实船试航数据，建立目标函数；其中，该目标函数包括螺旋桨推力系数函数、螺旋桨转矩系数函数、波浪增阻函数、风阻力函数和试航报告中的静水阻力函数。
根据静水下的阻力图谱可以得到不同航速V、吃水d、纵倾t、水深h对应下的阻力R0，即模型实验与数值计算得到的静水阻力R0可以表示为航速V、吃水d、纵倾t、水深h的函数：
R0＝R0(V,d,t,h) (1)
同理，船桨匹配后的螺旋桨推力系数KT和螺旋桨转矩系数KQ均是进速系数J＝V/nD、纵倾t、吃水d、水深h的函数，其中n为螺旋桨的转速，D为螺旋桨的直径：
KT＝KT(J,t,d,h)，KQ＝KQ(J,t,d,h) (2)
同理，波浪增阻RWA是航速V、吃水d、纵倾t、有效波高Hs、谱峰周期Tp、相对浪向Φr的函数：
RWA＝RWA(V,d,t,Hs,Tp,Φr) (3)
同理，风阻力RWI是航速V、吃水d、纵倾t、相对风速Vrw、相对风向ψrw的函数：
RWI＝RWI(V,d,t,Vrw,ψrw) (4)
同理，试航报告中的静水阻力Rt可以表示为航速V、吃水d、纵倾t、水深h的函数：
Rt＝Rt(V,d,t,h) (5)
上述函数均可以根据模型试验与数值计算数据和实船试航数据中的图谱数据通过插值建立。
步骤S206，根据上述目标函数和实船试航数据，建立初始能耗模型。
螺旋桨的推力T、转矩Q可以表示为：
T(J,t,d,h)＝ρn2D4KT(J,t,d,h) (6)
Q(J,t,d,h)＝ρn2D5KQ(J,t,d,h) (7)
这里不考虑船舶的加减速过程，因此在理想状态下螺旋桨提供的推力T用来克服船舶的静水阻力R0，波浪增阻RWA，以及风阻力RWI：
T(J,d,t,h)＝R0(V,d,t,h)+RWA(V,d,t,Hs,Tp,Φr)+RWI(V,d,t,Vrw,ψrw) (8)
但是船舶建造完成后的实船往往和设计时的船体有一些出入，所以这里用实船试航数据中的静水阻力Rt来代替R0：
T(J,d,t,h)＝Rt(V,d,t,h)+RWA(V,d,t,Hs,Tp,Φr)+RWI(V,d,t,Vrw,ψrw) (9)
船舶实船试航时，航速V、吃水d、纵倾t、功率P、相对风速Vrw、相对风向ψrw、有效浪高Hs、谱峰周期TP、相对浪向φr均为已知量，因此可以得到Rt、RWA、RWI的值，再利用公式(9)可以得到推力T，再根据公式(6)就可以得到螺旋桨的转速n，得到转速n后就能根据公式(7)得到转矩Q，得到转矩Q之后，可以根据下述公式(10)计算得到轴功率Ps：
Ps(V,n,d,t,h,Hs,Tp,Φr,Vrw,ψrw)＝
2πn(V,d,t,h,Hs,Tp,Φr,Vrw,ψrw)Q(V,n,d,t,h,Hs,Tp,Φr,Vrw,ψrw)/ (10)
其中，η为轴系传递效率系数，由设备厂商提供。
上述过程即为新船的初始能耗模型的计算过程，得到的初始能耗模型即为上述公式(10)。
步骤S208，根据上述能耗模型数据中的实船营运数据，对初始能耗模型进行修正，得到该船舶的能耗模型。
随着新船交付投入运营，船体的性能会随着营运时间的推移而发生变化，因此需要用实船营运数据中实船测得的航速Vs、吃水ds、纵倾ds、轴功率Pss、相对风速Vrws、相对风向ψrws、有效浪高Hss、谱峰周期TPs和相对浪向φrs等数据对公式(10)进行修正：
Pss(V,n,d,t,h,Hs,Tp,Φr,Vrw,ψrw)＝λPs(V,n,d,t,h,Hs,Tp,Φr,Vrw,ψrw)(11)
这里的λ为实船营运修正系数。实船营运修正系数可以利用机器学习、深度学习等多种方法确定。其中自变量为实船测得的航速Vs、吃水ds、纵倾ds、轴功率Pss、相对风速Vrws、相对风向ψrws、有效浪高Hss、谱峰周期TPs和相对浪向φrs，应变量为实船测得的轴功率Pss与公式(10)计算得到的轴功率Ps的比值，即应变量为λ＝Pss/Ps。
基于此，上述步骤S208可以通过如下过程实现：根据上述实船营运数据，利用机器学习算法或深度学习算法确定初始能耗模型对应的实船营运修正系数；根据该实船营运修正系数对初始能耗模型进行修正，得到该船舶的能耗模型。
另外，根据计算机的算力，可以设置实船营运修正系数λ的更新频率，例如每三个月进行一次修正。当λ确定后，可以根据下述公式(12)对船舶的能耗进行预报(公式(12)即为修正后的能耗模型)：
Psp(V,n,d,t,h,Hs,Tp,Φr,Vrw,ψrw)＝λPs(V,n,d,t,h,Hs,Tp,Φr,Vrw,ψrw) (12)
其中，Ps由公式(10)计算，Psp为预报的轴功率。
这样将机理与数理的优势融合来建立能耗模型，能兼顾能耗模型预报的准确性与适用性。
对应于上述的航速纵倾联合优化方法，本发明实施例还提供了一种航速纵倾联合优化装置，参见图3所示的一种航速纵倾联合优化装置的结构示意图，该装置包括：
数据获取模块32，用于获取船舶对应的航线数据和吃水数据；其中，该航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据；
决策确定模块34，用于根据航线数据、吃水数据和预先建立的能耗模型，确定船舶对应的航速纵倾优化决策；其中，能耗模型是基于船舶的能耗模型数据建立的，能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据；航速纵倾优化决策包括每个航段对应的目标航速和目标纵倾。
本发明实施例提供的航速纵倾联合优化装置，在对船舶进行航速纵倾联合优化时，先获取船舶对应的航线数据和吃水数据；其中，航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据；然后根据航线数据、吃水数据和预先建立的能耗模型，确定该船舶对应的航速纵倾优化决策；其中，能耗模型是基于船舶的能耗模型数据建立的，能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据；航速纵倾优化决策包括每个航段对应的目标航速和目标纵倾。由于能耗模型是基于模型试验与数值计算数据、实船试航数据和实船营运数据等多源数据的融合建立的，因此该能耗模型的准确性高、适用性广，从而与基于传统的经验公式的航速纵倾优化方式相比，这种基于该能耗模型的优化方式，提高了优化结果的准确性。
进一步，上述决策确定模块34具体用于：将航线数据和吃水数据带入能耗模型，得到总能耗函数；根据总能耗函数、预设的约束条件和总能耗最低的优化目标，确定船舶对应的航速纵倾优化决策；其中，约束条件包括船舶跑完整个航线所花的时间与航行计划规定的时间一致和每个航段上计算的功率小于或等于船舶的主机的最大输出功率。
进一步，上述决策确定模块34还用于：在上述约束条件和优化目标下，根据总能耗函数，利用群智能算法或CPLEX算法对每个航段的航速和纵倾进行寻优，得到该船舶对应的航速纵倾优化决策。
进一步，参见图4所示的另一种航速纵倾联合优化装置的结构示意图，在图3的基础上，上述装置还包括模型建立模块42，用于：获取船舶的能耗模型数据；根据能耗模型数据中的模型试验与数值计算数据和实船试航数据，建立目标函数；其中，模型试验与数值计算数据包括船桨匹配后的螺旋桨推力系数图谱、螺旋桨转矩系数图谱、波浪增阻图谱和风阻力图谱，实船试航数据包括试航报告中静水条件下的阻力图谱，目标函数包括螺旋桨推力系数函数、螺旋桨转矩系数函数、波浪增阻函数、风阻力函数和试航报告中的静水阻力函数；根据目标函数和实船试航数据，建立初始能耗模型；其中，实船试航数据还包括如下参数数据：航速、吃水、纵倾、功率、相对风速、相对风向、有效浪高、谱峰周期和相对浪向；根据能耗模型数据中的实船营运数据，对初始能耗模型进行修正，得到船舶的能耗模型。
进一步，上述模型建立模块42具体用于：根据实船营运数据，利用机器学习算法或深度学习算法确定初始能耗模型对应的实船营运修正系数；根据实船营运修正系数对初始能耗模型进行修正，得到船舶的能耗模型。
进一步，如图4所示，上述装置还包括推送模块44，用于：将船舶对应的航速纵倾优化决策推送至预设的终端设备，以为用户提供航行辅助决策。
本实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
参见图5，本发明实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含随机存取存储器(RandomAccessMemory，简称RAM)，也可能还包括非易失性存储器(non-volatilememory，简称NVM)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前面方法实施例中所述的航速纵倾联合优化方法。该计算机可读存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
附图中的流程图和框图显示了根据本发明的多个实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种航速纵倾联合优化方法，其特征在于，包括：
获取船舶对应的航线数据和吃水数据；其中，所述航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据；
根据所述航线数据、所述吃水数据和预先建立的能耗模型，确定所述船舶对应的航速纵倾优化决策；其中，所述能耗模型是基于所述船舶的能耗模型数据建立的，所述能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据；所述航速纵倾优化决策包括每个所述航段对应的目标航速和目标纵倾。
2.根据权利要求1所述的航速纵倾联合优化方法，其特征在于，所述方法还包括：
获取所述船舶的能耗模型数据；
根据所述能耗模型数据中的模型试验与数值计算数据和实船试航数据，建立目标函数；其中，所述模型试验与数值计算数据包括船桨匹配后的螺旋桨推力系数图谱、螺旋桨转矩系数图谱、波浪增阻图谱和风阻力图谱，所述实船试航数据包括试航报告中静水条件下的阻力图谱，所述目标函数包括螺旋桨推力系数函数、螺旋桨转矩系数函数、波浪增阻函数、风阻力函数和试航报告中的静水阻力函数；
根据所述目标函数和所述实船试航数据，建立初始能耗模型；其中，所述实船试航数据还包括如下参数数据：航速、吃水、纵倾、功率、相对风速、相对风向、有效浪高、谱峰周期和相对浪向；
根据所述能耗模型数据中的实船营运数据，对所述初始能耗模型进行修正，得到所述船舶的能耗模型。
3.根据权利要求2所述的航速纵倾联合优化方法，其特征在于，根据所述能耗模型数据中的实船营运数据，对所述初始能耗模型进行修正，得到所述船舶的能耗模型的步骤，包括：
根据所述实船营运数据，利用机器学习算法或深度学习算法确定所述初始能耗模型对应的实船营运修正系数；
根据所述实船营运修正系数对所述初始能耗模型进行修正，得到所述船舶的能耗模型。
4.根据权利要求1所述的航速纵倾联合优化方法，其特征在于，根据所述航线数据、所述吃水数据和预先建立的能耗模型，确定所述船舶对应的航速纵倾优化决策的步骤，包括：
将所述航线数据和所述吃水数据带入所述能耗模型，得到总能耗函数；
根据所述总能耗函数、预设的约束条件和总能耗最低的优化目标，确定所述船舶对应的航速纵倾优化决策；其中，所述约束条件包括所述船舶跑完整个航线所花的时间与航行计划规定的时间一致和每个所述航段上计算的功率小于或等于所述船舶的主机的最大输出功率。
5.根据权利要求4所述的航速纵倾联合优化方法，其特征在于，根据所述总能耗函数、预设的约束条件和总能耗最低的优化目标，确定所述船舶对应的航速纵倾优化决策的步骤，包括：
在所述约束条件和所述优化目标下，根据所述总能耗函数，利用群智能算法或CPLEX算法对每个所述航段的航速和纵倾进行寻优，得到所述船舶对应的航速纵倾优化决策。
6.根据权利要求1所述的航速纵倾联合优化方法，其特征在于，根据所述航线数据、所述吃水数据和预先建立的能耗模型，确定所述船舶对应的航速纵倾优化决策之后，所述方法还包括：
将所述船舶对应的航速纵倾优化决策推送至预设的终端设备，以为用户提供航行辅助决策。
7.一种航速纵倾联合优化装置，其特征在于，包括：
数据获取模块，用于获取船舶对应的航线数据和吃水数据；其中，所述航线数据包括目标航线对应的每个航段的路程数据、水深数据和气象数据；
决策确定模块，用于根据所述航线数据、所述吃水数据和预先建立的能耗模型，确定所述船舶对应的航速纵倾优化决策；其中，所述能耗模型是基于所述船舶的能耗模型数据建立的，所述能耗模型数据包括模型试验与数值计算数据、实船试航数据和实船营运数据；所述航速纵倾优化决策包括每个所述航段对应的目标航速和目标纵倾。
8.根据权利要求7所述的航速纵倾联合优化装置，其特征在于，所述装置还包括模型建立模块，用于：
获取所述船舶的能耗模型数据；
根据所述能耗模型数据中的模型试验与数值计算数据和实船试航数据，建立目标函数；其中，所述模型试验与数值计算数据包括船桨匹配后的螺旋桨推力系数图谱、螺旋桨转矩系数图谱、波浪增阻图谱和风阻力图谱，所述实船试航数据包括试航报告中静水条件下的阻力图谱，所述目标函数包括螺旋桨推力系数函数、螺旋桨转矩系数函数、波浪增阻函数、风阻力函数和试航报告中的静水阻力函数；
根据所述目标函数和所述实船试航数据，建立初始能耗模型；其中，所述实船试航数据还包括如下参数数据：航速、吃水、纵倾、功率、相对风速、相对风向、有效浪高、谱峰周期和相对浪向；
根据所述能耗模型数据中的实船营运数据，对所述初始能耗模型进行修正，得到所述船舶的能耗模型。
9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110051770.9A CN112660331B (zh) | 2021-01-15 | 2021-01-15 | 航速纵倾联合优化方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110051770.9A CN112660331B (zh) | 2021-01-15 | 2021-01-15 | 航速纵倾联合优化方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112660331A true CN112660331A (zh) | 2021-04-16 |
| CN112660331B CN112660331B (zh) | 2024-03-08 |
Family
ID=75415252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110051770.9A Active CN112660331B (zh) | 2021-01-15 | 2021-01-15 | 航速纵倾联合优化方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112660331B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106335601A (zh) * | 2016-08-29 | 2017-01-18 | 南通中远川崎船舶工程有限公司 | 一种基于采集并分析大数据的船舶节能方法 |
| CN110110943A (zh) * | 2019-05-21 | 2019-08-09 | 大连海事大学 | 一种基于大数据的船队能效综合智能优化管理系统和优化方法 |
| CN110967022A (zh) * | 2019-12-24 | 2020-04-07 | 上海船舶运输科学研究所 | 船舶航速优化辅助决策系统 |
| CN111382545A (zh) * | 2020-03-23 | 2020-07-07 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | 船舶的航行能耗计算方法、装置以及计算机设备 |
| CN111930123A (zh) * | 2020-08-13 | 2020-11-13 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | 多目标综合优化决策方法、装置及电子设备 |
-
2021
- 2021-01-15 CN CN202110051770.9A patent/CN112660331B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106335601A (zh) * | 2016-08-29 | 2017-01-18 | 南通中远川崎船舶工程有限公司 | 一种基于采集并分析大数据的船舶节能方法 |
| CN110110943A (zh) * | 2019-05-21 | 2019-08-09 | 大连海事大学 | 一种基于大数据的船队能效综合智能优化管理系统和优化方法 |
| CN110967022A (zh) * | 2019-12-24 | 2020-04-07 | 上海船舶运输科学研究所 | 船舶航速优化辅助决策系统 |
| CN111382545A (zh) * | 2020-03-23 | 2020-07-07 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | 船舶的航行能耗计算方法、装置以及计算机设备 |
| CN111930123A (zh) * | 2020-08-13 | 2020-11-13 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | 多目标综合优化决策方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112660331B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A Three-Dimensional Dijkstra's algorithm for multi-objective ship voyage optimization | |
| Papanikolaou et al. | Stochastic uncertainty modelling for ship design loads and operational guidance | |
| US20170032068A1 (en) | Techniques for warm starting finite element analyses with deep neural networks | |
| CN111709579A (zh) | 船舶航速优化方法及装置 | |
| Park et al. | Two-phase approach to optimal weather routing using geometric programming | |
| CN111767612A (zh) | 模型构建方法、船舶控制方法、装置及电子设备 | |
| JP2014127045A (ja) | 運航支援システム、及び運航支援方法 | |
| CN111709090B (zh) | 模型构建方法、装置、电子设备及计算机可读存储介质 | |
| JP2016094105A (ja) | 主機負荷配分算出装置及び主機負荷配分算出方法 | |
| US8417485B2 (en) | Constructing computer aided design models from procedurally defined curve and surface lofts | |
| CN116108995A (zh) | 感潮河段船舶油耗预测方法、装置及电子设备 | |
| CN115465406A (zh) | 一种船舶自动靠泊控制方法、装置、设备及存储介质 | |
| CN111824357B (zh) | 测试方法、装置、电子设备及计算机可读存储介质 | |
| CN112660331A (zh) | 航速纵倾联合优化方法、装置及电子设备 | |
| CN112595329A (zh) | 车辆位置的确定方法、装置和电子设备 | |
| US11403816B2 (en) | Three-dimensional map generation system, three-dimensional map generation method, and computer readable medium | |
| CN116442787A (zh) | 一种电动汽车能耗预警方法、装置、介质及设备 | |
| Shigunov | Added power in seaway | |
| JP6262116B2 (ja) | 船速算出装置及び船速算出方法 | |
| CN113682443A (zh) | Vlcc船舶在指令航速下的理论日燃油消耗确定方法 | |
| CN113570727A (zh) | 场景文件的生成方法、装置、电子设备及存储介质 | |
| CN104112045A (zh) | 基于动力定位能力综合标准的推力器局部最优配置方法 | |
| JP6165697B2 (ja) | 船速算出装置及び船速算出方法 | |
| CN112783221A (zh) | 船体的速度控制方法、装置以及电子设备 | |
| CN117077990B (zh) | 一种基于飞行平台的航线准时到达模型设计方法及装置 |
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 |