CN113365909A - 用于减少船舶燃料消耗的方法和系统 - Google Patents

Abstract

一种用于通过使用历史船舶数据优化船舶吃水、速度和纵倾来减少船只燃料消耗的方法。收集与船舶的先前航程相关联的多个船舶操作性参数的历史全球在线数据。描述了在对采集的数据进行初始过滤和清理之后对所述数据进行分析以确定所述船舶的给定速度的最优吃水、速度和纵倾的过程。然后将确定的最优吃水、速度和纵倾值呈现给船长或自动吃水和纵倾优化系统，以用于调整当前吃水和纵倾。因此，本申请公开了一种用于对历史船舶数据进行分析以提供关于最优吃水、纵倾和速度的建议的方法。还公开了一种用于预测可实现的燃料节省并记录所实现的燃料节省的方法。

Description

用于减少船舶燃料消耗的方法和系统

技术领域

本公开涉及一种用于通过优化操作性参数来改善船舶或船舶类的燃料消耗的方法。本公开还涉及一种用于通过各种数学模型收集船舶数据并对船舶数据进行分析以进一步确定最优操作性参数的方法。

背景技术

通常，船舶以预定纵倾和吃水开始其航程，所述纵倾和吃水然后在航程期间会由于内部转移(如燃料或润滑油转移)以及由于淡水和其它流体的消耗和产生而改变。对于液体天然气(LNG)、液体石油气(LPG)和其它液化气货船，吃水和纵倾也将随着货物通过蒸发气(BOG)消耗减少而改变。此吃水和纵倾可能不是船舶的当前速度的最优状况。此非最优吃水和纵倾状况会导致阻力增加，并且为了维持恒定速度，需要来自一个或多个主发动机的更多动力来克服增加的阻力。这导致整体燃料消耗增加，从而带来更多CO2和其它温室气体排放，所述排放另外可以通过更好地优化船舶纵倾和吃水来防止。燃料消耗的增加也会导致运营成本的增加。

用于确定最优船只速度或动力源配置和利用的当前可用的技术通常基于静态分析，所静态分析是当在装运前在工厂或在初始海上试验期间在船只上对发动机进行测试时执行的。这些计算通常是作为手动计算使用近似数据来执行的。

在工厂测试和初始海上测试之后，船只的最优操作性状况会随着船舶和板载设备的磨损、老化、维护、操作等而变化。每个船舶看起来将略有不同，并且最优操作性参数将随着时间的推移而变化。现有技术没有解决船只的操作性状况的与最优速度以及动力源配置和利用直接相关的这些各种变化。这些现有技术基于先前的静态分析，并且缺乏基于船只的实时操作性参数(即，当前状况)对最优船只性能进行的任何实时分析。

尽管可以使用部分自动化的或涉及操作人员的性能优化系统，但评估示出，船舶目前通常在非最优状况下运行，持续其总航行时间的显著部分，例如约30％。

当前行业实践通常仅将纵倾优化视为单参数，以降低主发动机动力和燃料消耗，并且因此到目前为止，这些举措取得了有限的成功。纵倾值通常是通过CFD计算建模或在海上试验时测量获得，两者都涵盖有限数量的航行状况。以此方式得到的信息不太准确，并且不会释放燃料减少的全部潜力(所测试的航行状况的数量较少)。常规解决方案还具有相对较高的开发成本和较长的部署时间。

仅对纵倾参数进行了优化来燃料消耗。US7243009公开了一种系统，所述系统仅使用输入数据的统计模型来确定最优纵倾。虽然此方法产生了一些性能改进，但可以实现更大的改进。此外，此方法依赖于当前时刻船舶的纵倾、动力和速度，从而限制了准确性。

在US20140336853A1中，公开了一种用于使用历史数据确定船舶的最优速度的方法，以及一种用于计算由此最优速度实现的燃料节省的方法。此方法仅通过将当前船只数据与存储在计算装置上的历史数据进行比较来优化速度。

SG190462公开了一种用于优化海洋船舶的燃料效率的方法，所述方法包括以下的各个步骤：检索船舶的操作性数据并且将所述数据与最优数据进行比较以获得方差，由此基于所述方差自动调整所述船舶的压载舱对以获得所述船舶的最优纵倾，从而实现优化所述船舶的所述燃料效率。

US2016/121979公开了一种实现巡航状况的识别，使得船只可以提供与在预定巡航状况下巡航时相比更高的巡航性能。船只管理装置获取指示预定巡航状况的输入数据，并且提取与所述输入数据相对应的状况数据。所述状况数据包含描述巡航状况与燃料消耗量的组合的数据并且是预定的。所述船只管理装置使用所述状况数据，识别在所述输入数据所指示的所述巡航状况下的燃料消耗量，并且确定是否存在用于改善所述燃料消耗量的空间。之后，所述船只管理装置生成并输出与确定的结果相对应的监测数据。

WO2010/031399公开了一种用于船只的系统，所述系统包括测量多个数据集的多个传感器，所述多个数据集包含可由所述船只的操作者控制的设置，所述数据集各自定义所述船只在特定海上状况下的状态，所述系统生成所述船只的燃料效率的统计回归模型，并且提供所述船只的当前状态的最高燃料效率的最优设置是通过相对于可由所述船只的操作者控制的所述设置优化燃料效率的所述统计回归模型来确定的。在此系统中，船只的当前状态是通过相对于控制变量优化统计模型确定的。控制变量可由船只的操作者控制。将传入数据与控制变量进行比较，并要求船只操作者调整控制变量。进行噪声过滤以得到未知参数Pf、Pg和对应噪声参数。

行业中用于优化纵倾的其它通常使用的方法使用计算流体动力学(CFD)或所测量的海上试验。这仅允许对有限数量的速度和纵倾状况进行测试，而不是正常操作状况的全部范围。另外，船舶仅在“如新”状况下进行测试，并且纵倾优化不考虑性能随时间推移的恶化。这些CFD方法通常不包含Metocean数据或天气数据，也不包含船体结垢或涂层性能的影响，这使得产生的结果不太准确。由于需要昂贵的CFD软件、计算能力或需要在船舶上运行海上试验或模型测试，所以所描述的纵倾优化的方法的成本也很高。

优化船只性能可减少总船舶燃料消耗和成本，并最大化船舶盈利性。燃料消耗基于船只的操作性参数，例如仅实际发动机和发电机性能。燃料消耗与在整个其旅程中推动船只所需的燃料的量以及在船只的航程期间为船只上的必要设备提供动力所需的燃料的量有关。最优船只速度必须平衡为节省推动燃料而减慢船只速度的益处与对由以较低速率进行航程所需的过多时间产生的燃料消耗的另外的电气负载影响(即，操作必要设备所需的动力)的相关联的成本。如果存在另外未满足的需求，此最优速度还可以考虑通过借助于执行更多航程获得更多收入来优化船舶利润的机会。进一步地，船只性能可能会基于各种动力源的配置和利用而得到改善。

发明内容

本公开旨在提供一种用于优化航行参数的更准确的方法和系统。

根据第一方面，本公开提供了一种用于使用对正被优化的船舶的历史船舶数据的分析来确定所述船舶在压载和满载状况下的最优纵倾和吃水的方法，所述方法包括以下步骤：

-从所述船舶收集其先前航程中一个或多个航程的操作性数据，其中所述操作性数据包括一个或多个操作性参数或数据标签；

-过滤掉由所述操作性数据的选定源产生的误差和噪声；

-过滤掉不利天气、船体结垢和/或已经发现降低过程的准确性的其它状况的影响；

-通过将所述操作性数据放置到速度、吃水和纵倾的大小逐渐增加的类或区间中以确定每种历史速度、吃水和纵倾状况的平均动力来对所述操作性数据进行处理；

-基于所述操作性数据产生最优吃水和纵倾状况的数据库，并且将所述数据库提供给如船长等操作员或作为输入提供给自动吃水和纵倾优化系统；

-基于所述操作性数据计算每种速度、吃水和纵倾状况下的预测燃料消耗，以估计可实现的燃料节省；

-将所述预测燃料消耗与所述船舶的实现的燃料消耗进行比较，以使用关于当前燃料价格的信息确定实现的节省。

所述过滤掉误差和噪声的步骤可以包含删除落在被视为合理可实践的范围之外的数据。

所述过滤掉不利天气、船体结垢和/或已经发现降低过程的准确性的其它状况的影响的步骤可以包括删除落在基于先前经验的设定点的范围之外的数据。

在一个实施例中，所述操作性参数包含以下中的一个或多个：船舶吃水、纵倾、燃料消耗、样品收集的日期和时间、对地速度、对水速度、主发动机动力、主发动机rpm、真实风速、相对风向角、发动机燃料质量流速、燃料消耗、水深度、轴rpm和自上次船体清洁以来的时间。

在另一个实施例中，所述方法包含使用人工神经网络和回归树模型来进一步提高模型的准确性。

在又另一个实施例中，所述方法包含使用计算机软件或代码和/或图形显示器向船长或自动吃水和纵倾控制系统显示实时结果的步骤。

在一个实施例中，所述图形显示器向船长提供所述船舶的最优吃水和纵倾以改变所述船舶的当前状况。

任选地，将每个单独步骤组合成工作流程，所述工作流程安装到计算机或芯片上以自动运行分析。

所述方法可以包含持续测量当前船舶速度以进一步选择最优吃水和纵倾的步骤。

在一个实施例中，所述方法包含使用人工神经网络来对整个船队的吃水、纵倾和速度进行分析并提供整个船队的吃水、纵倾和速度优化的步骤，所述船队包括多个基本上类似或相同的船舶。

所述方法可以包含使用关于燃料质量和主发动机机械故障的数据来改进预测燃料消耗以供节省估计的步骤。

根据另一方面，本公开提供了一种系统，所述包括用于实施如上所述的方法的工具。

为了克服纵倾优化的当前方法的局限性，已经公开了一种对船舶数据进行分析以确定在满载状况和压载状况两者下任何给定船舶速度的最优纵倾和最优吃水两者的方法。此方法还可以确定船舶在其当前状况下的最佳吃水和纵倾状况，而不是在所述船舶的整个生命内应用“如新”状况下存在的经优化的纵倾的当前方法。通过使用来自服务中的船舶的“现实世界”数据，当使用此方法时还可以考虑天气、船体结垢和涂层性能的影响。CFD和其它方法可以基于模型仅对现实世界天气进行预测，并且可能无法给出现实世界事件的真实呈现。所公开的方法的成本也大大低于所部署的当前方法。所描述的方法需要数据源，所述数据源可以来自任何数量的数据收集提供者。为了进一步降低成本，还可以通过“中午”或每日报告手动报告的信息来收集数据。所述过程可以在运行所述过程所需的时间最少的情况下使用免费且广泛可用的低成本软件在典型膝上型电脑或计算机上运行。目前，使用历史数据的现有方法无法为船队内的相似或姊妹船舶提供建议。通过使用公开的方法，此吃水、纵倾和速度优化可以应用于整个相似船舶的船队。

通过采用本公开的方法，可以减少燃料消耗和相关联的温室气体排放。由于燃料消耗减少，运营成本可以节省。通过优化吃水、纵倾和速度，船舶可以在燃料消耗相同的情况下维持在更高的速度下，或者在燃料消耗更低的情况下维持相同的速度。发现典型船舶在非最优吃水和纵倾状况下航行持续其总航行时间的低百分比。通过使用本发明，可以增加船舶在最优吃水、纵倾和速度状况下花费的航行时间的百分比。当吃水和纵倾在航程期间由于燃料或其它液体的消耗和转移而变化时，则吃水和纵倾可能会远离最优，并且也可以进行校正以将吃水和纵倾调整回其最优。

本公开的系统提供了一种针对经优化的航行参数的更准确、低成本、高增益的解决方案。所述系统还允许快速部署并且可以在现有船舶上实施。

附图说明

附图仅通过举例的方式而非限制的方式描绘了根据本交到的一个或多个实施方案。在附图中，相似的附图标记是指相同或相似的元件。在本文中，

-图1示出了根据本公开的方法的实施例的示例性吃水和纵倾优化工作流程图，其展示了将数据放置到区间或类中；并且

-图2示出了燃料消耗和动力的用于估计潜在节省的示例性绘图。如所公开的，可能的是使用与燃料消耗和船只动力相关的最佳拟合的多项式线的方程来预测通过吃水和纵倾优化实现的燃料节省。

具体实施方式

本文使用的某些术语定义如下：

“LNG”是指液化天然气，其通常被冷却到至少气体在约1巴压力下可呈液相的温度；对于液化甲烷，此温度为约负162℃；

“吃水”可以指代使船只漂浮所需的水的深度；水线以下到船舶的船体底部的深度；以及船舶抽取的水的深度。在本公开中，“吃水”可以特别指代水线以下到船舶的船体底部的深度；并且

“纵倾”是指船舶相对于水平的位置；换言之，“纵倾”是指船舶的前端的吃水与后端的吃水之间的差。

船舶以给定速度航行的任何时候，无论是承载货物还是在压载下，所述船舶的最优纵倾和吃水状况都存在。对于服务中的船舶，会生成大量与其性能相关的数据。此数据可以由船员采集，例如通过“中午”报告，或通过连接到船舶机械的自动化高频数据收集系统。在操作期间，船舶的船长可以选择给定船舶速度下的吃水和纵倾设置，这需要与先前在相同船舶速度下的吃水和纵倾设置相比更低的发动机动力。

通过公开的方法，可以对数据进行分析以确定与给定速度的其它相比，哪些历史纵倾和吃水状况具有更好的性能。通过将此信息提供给船长，则可以选择在给定速度下给出更低主发动机动力的吃水和纵倾设置，这进而将降低整体燃料消耗。通过实施本公开的方法，实现了每艘船舶每年3％到7％的节省。

公开的方法使用历史船舶数据，所述历史船舶数据包括以下要收集的参数中的一个或多个：

-样品收集的日期和实践；

-对地速度；

-对水速度；

-主发动机动力；

-主发动机rpm；

-真实风速；

-相对风向角；

-吃水；

-纵倾；

-发动机燃料质量流速；

-水深度；

-轴rpm；以及

-自上次船体清洁以来的时间。

此数据可以使用高频数据记录器(其中存在多个提供者)、使用船只的船员报告的“中午”数据或通过任何其它可靠的数据源采集。所使用的数据的时间跨度应保持相对较短，以避免船体结垢增加的影响会影响动力要求。超过一年的时间段的数据将开始包含海洋生物生长对船体造成的摩擦阻力增加的影响，这将降低此方法的准确性。

从高频数据记录器收集的数据通常被称为“噪声”数据，其误差是由数据记录器诱导的。这可以包含丢失数据、零值或在日志中捕获的不可能高或极端的数据。在使用此数据以进行分析之前，可以进行通过删除落在被视为可合理实践的范围之外的数据对数据进行处理或归档，以去除或减少这些误差的影响。例如，可以从数据集中过滤掉并去除零值、空数据和物理可能的那些之外的值。为了去除物理上可能的值之外的数据值，可以设置上限阈值和/或下限阈值，例如基于船舶的专业知识或规格。因此，过滤去除了由感测设备引入的噪声。

例如，本公开的方法可以过滤掉速度大于船只的设计速度的任何值。因此，如果传感器测量的速度比相应船舶的预定设计速度高出预定百分比以上，则所述测量的速度将被忽略。设计速度例如由相应船舶的制造商提供或另外预先确定。例如，如果测量的速度超过设计速度的100.1％，则其将被忽略。例如，如果测量的速度超过设计速度的101％，则其将被忽略。例如，如果测量的速度超过设计速度的102％，则其将被忽略。例如，如果测量的速度超过设计速度的103％，则其将被忽略。例如，如果测量的速度超过设计速度的105％，则其将被忽略。

例如，在超过船舶最大可达到速度的速度(例如以40节)下捕获船舶的速度的数据点显然是错误的并且可以去除。

也可以去除或过滤不利天气的影响，以允许进行吃水和纵倾优化。在极端天气状况下，需要更大的主发动机动力来克服增加的波阻力和风阻力，从而阻止对吃水和纵倾变化的影响进行分析。例如，当海况大于4、蒲福风级(Beaufort wind scale)大于5并且水流影响大于3％时记录的任何数据都可以忽略。水流影响是水流对船舶速度影响了多少的量度。其可以按百分比计算，例如公式1所示：

在此，对地速度和对水速度以节表示，其中1节约等于0.514米/秒。应该注意的是，虽然出于分析的目的去除了不利天气数据，但仍然可以使用吃水和纵倾优化建议来调整不利天气状况下的吃水和纵倾。然而，在不利天气状况下，测量所实现的节省可能具有挑战性。

则可以生发求平均方法。这会将历史数据放置到大小不断增加的组或“区间”中。已经随着时间的推移针对先前列出的数据标签收集了数据，所述数据包含船舶在其先前航程期间的速度、吃水、纵倾和动力。通过将船只的速度、吃水和纵倾四舍五入到最接近的增量，将历史数据放置在大小不断增加的区间中，其中所述样品的其余数据也放置在区间中。船只速度的历史数据求平均为0.5节增量，吃水求平均为0.25米的增量，并且纵倾求平均为0.5米的增量。在每个区间中，将存在几个现在具有相同的吃水、纵倾和速度的数据点，而其它数据标签在数据记录器所捕获的表格中原封不动。对于每个区间中捕获的所有数据，可以计算所述区间中的动力测量结果的平均均值。每个区间现在都具有一个与其相关联的吃水、纵倾、速度和平均动力值。

为了进一步提高对给予船舶船长的建议的置信度，含有有限数量的数据点的区间将被忽略。典型地，船舶航行少于50次的状况会被拒绝，但是可以使用不同的阈值。使用来自姊妹船舶的数据也可用于进一步提高准确性。通过使用来自具有相同长度、宽度和其它几何参数的姊妹船舶的数据，更大的数据集可用于分析。同等地，姊妹船舶可以在与原始船舶不同的吃水和纵倾状况下或在世界上与原始不同的部分航行，从而扩大可用于分析的状况的数量。姊妹船舶除了在几何上相似外，还应在主发动机设计和布置方面在机械上相似，以允许进行燃料节省的比较。

然后开发了数据库，所述数据库示出了各种船舶速度、吃水和纵倾状况下的平均主发动机动力，其中去除了极端天气状况和船体结垢的影响。下面的表1示出了示例表，其展示了当吃水和纵倾改变持续恒定给定速度时主发动机动力的变化，并且展示了将数据放置到如此描述的类或区间中的处理方法。在此实例中呈现了仅一种速度，但是可以对预定范围的船舶速度重复此过程。速度以结表示(符号：[kn]或[kt])，这是海上的速度单位。节被定义为每小时一海里，其中一海里为1,852米。节等于约1.852公里每小时或0.514米/秒(因此13节为约6.69米/秒)。如所展示的，主发动机动力需要也会随着吃水和纵倾变化而显著变化，即使速度保持恒定也是如此。在表1的实例中，最低发动机动力要求(7.93MW)比最高发动机动力要求(12.27MW)低35％以上。

表1

所描述的求平均方法提供了用于基于先前的操作性数据预报吃水和纵倾的简单且易于部署的解决方案。然而，求平均方法可能会导致一些不准确，平均均值误差为10％。求平均方法还受到其无法在数据集之外进行预报的限制。如果船舶航行到现有数据中先前未捕获的状况，则无法给出最优吃水和纵倾状况的直接比较。为了在现有数据集之外确定最优吃水和纵倾，对这些制约进行限制，已经对各种数学预测模型进行了试验。可以使用随机Forrest回归模型来减少在求平均方法中看到的不准确性。看到平均均值误差从10％减少到5％。然而，在现有数据集之外进行预报时，经历了来自随机森林回归模型的有限性能。人工神经网络已被测试并实施为对所述方法的进一步优化。与求平均方法相比，已看到人工神经网络将误差从10％降低到0.5％，其中当在数据集之外进行预报时，看到的最大误差为23％。为了使人工神经网络尽可能最优地执行，应忽略前面描述的天气过滤程序。

人工神经网络(ANN)是由被称为边缘的节点和连接组成的被设计成复制人脑功能的数学结构。每个网络由通过边缘连接在一起的节点的输入层和输出层组成。网络也可以由输入层与输出层之间的隐藏层组成。每个节点都是一个数学传递函数。数据被提供给输入层，在所述输入层中节点发送值直到输出层。将此预测的值与输入值进行比较以确定预测的值与输入的值之间的误差的水平。多次对网络进行训练以减少此误差。然后，网络可以基于看到的原始数据集进行预测。

随机森林回归(RFR)是可以使用被称为自助聚合(Bootstrap Aggregation)或装袋的技术执行数学回归和分类任务两者的学习模型。单个自助聚合发生在决策树内，其中随机森林回归然后是多个决策树的组合。决策树的目的是将训练数据集分裂为最佳二孩子集(best two-child subsets)。被称为树生长的过程旨在基于此最优分裂过程将训练数据分裂为分支和叶，直到不可能进一步分支为止。决策树中的每个分裂实际上都是询问关于数据集的是/否问题，这会导致基于输入数据集的预测的值。

通过使用RFR或ANN技术来预测每个吃水和纵倾状况下的动力，当与存在于数据集中的动力值的简单求平均相比时，准确性提高了。

在使用公开的求平均方法或数学模型确定的最优吃水和纵倾的情况下，创建每个船舶速度具有这些最优值的数据库。然后将此数据包装成可使用的显示器并安装在船只的桥楼上。取决于船舶上可用的基础设施，这可以呈纸质读数、显示、软件包或另一种呈现数据的方法的形式。

利用部署在桥楼上的系统，可以进行对船舶的当前速度、吃水和纵倾的测量。然后可以将这些与存储在系统中的速度、吃水和纵倾进行比较，并且可以将所述给定速度的最优吃水和纵倾显示给船长，或显示为自动吃水和纵倾控制系统的输入。船长或自动控制的压载系统可以将船舶调整到最优状况以开始实现燃料节省。然后船长或自动压载控制系统可以将船舶维持在接近最优持续尽可能多的航程时间。

本文以上的术语“比较”涉及实施而非生成结果。与现有技术系统不同，本公开的方法和系统不使用任何比较来生成结果或分析。相反，一旦通过本公开的过程生成了最优吃水和纵倾值，操作者(例如船舶的船长)就可以检查与在使用本公开的方法生成的结果中的速度相同的船舶的当前速度。因此，操作者识别最优吃水和纵倾。实际上，船长在将其当前速度与表中相同的速度进行比较(实例参见例如表1)以查找值。然而，在结果的生成中，本公开的方法缺乏任何比较步骤。

本公开的方法可以自动化至工作流程，例如图1中所详述的。工作流程10可以包含到表、基于网络的界面或显示器中，以供船只的船长使用来选择最优纵倾或吃水状况的自动化数据收集、处理、过滤、求平均和输出。此工作流程由几个阶段组成。

阶段1可以包括第一步骤12，所述第一步骤包含从数据源(所述数据源可以包含现场设备仪表和/或专用传感器)收集数据14。第二步骤16包含对正被优化的船舶的数据14进行处理以去除误差，例如以所述的负值和极值。

阶段2可以涉及如上所述的天气过滤步骤18和求平均步骤20，或者可替代地使用如人工神经网络等数学模型来提供对最优吃水和纵倾的预报24的步骤22。

阶段3可以包含将阶段2中确定的当前船舶速度的最优吃水和纵倾24显示给船长和/或作为输入提供给自动压载控制系统的步骤26。任选地，阶段3可以包含基于对最优吃水和纵倾的预报来计算估计的(潜在的)燃料节省并且报告计算的估计节省的步骤28。

阶段4包含手动地或通过自动压载控制系统将吃水和纵倾调整到阶段3中显示的状况，即对最优吃水和纵倾的预报24。

阶段5可以包含通过将优化日期之前的平均燃料消耗与优化日期之后的平均燃料消耗进行比较来进行实际燃料消耗的计算的步骤32。

在另一阶段，预测燃料节省。为了预测船舶可实现的潜在节省，绘制了主发动机动力50(x轴线；例如以[MW]表示)与燃料消耗52(y轴线；例如以质量流速[kg/s]表示)。可以对所述图应用最佳拟合54的多项式曲线，如图2所示。对动力曲线或多项式曲线的极端离群值进行过滤，以改进动力曲线的最佳拟合。所述曲线应示出随着发动机动力增加，燃料消耗也增加。使用最佳拟合曲线54的方程来近似燃料消耗52与动力50之间的关系，可以计算在经优化的吃水和纵倾设置下每个经求平均的动力的燃料消耗。

燃料消耗与功率曲线54可以通过使用来自船只的实时数据的自动化系统持续更新，以考虑燃料消耗和功率关系随时间推移的变化，从而给出潜在节省的最新估计。通过利用针对每个非最优吃水和纵倾设置计算的燃料消耗来计算最优吃水与纵倾状况之间的燃料消耗的差，可以确定燃料消耗的差或“增量(delta)”。通过将这些增量燃料节省值相加，可以找到船舶可实现的总潜在燃料节省。这可以乘以当前的燃料价格和每年预测的航行天数的数量。可以并入用于考虑船长选择实施本公开的方法的时间的百分比，以及不利天气将阻止系统被使用的可能性的因素。按照经验，发现本公开的方法可以由船长部署，例如，总航行时间的约30％到50％或更多。

利用公开的船舶上所采用的方法，可以使用来自船舶的相同或不同数据源来将引入吃水和纵倾优化之前到事件之后船舶的性能进行比较。可以将之前与之后记录的燃料消耗进行比较，以确定实现的节省。测试运行示出，通过采用所公开的方法可实现的燃料消耗节省为每艘船只每年约3％到7％或更多。作为另外的实施例，所实现的节省的比较可以作为工作流程的另外的部分自动化，如图1中详述的。也可以将所测量的燃料节省量与所预测燃料消耗节省进行比较，以验证此方法的准确性。

所公开的方法详述了用于确定最优吃水和纵倾以减少压载和满载状况下的燃料消耗的过程。所述过程使用来自一个或多个船舶的正在优化的数据源来确定船舶在任何给定速度下的最优纵倾和吃水。数据可以呈“中午”报告的数据、电子高频数据或另一种数据源的形式。中午报告数据是每天报告一次的、通常由总工程师报告的、给出关于船舶的状态的每天一次更新的船舶操作性数据。

详述了几个过滤和数据优化过程，以确保要完成的过程的良好数据标准。通常，来自高频数据记录器的数据往往是“嘈杂的”，有时会记录误差的值。在应用本专利中详述的方法之前，应进行过滤以去除极值。将需要增加发动机动力以克服风阻力和波阻力增加的不利天气过滤掉。不利天气已被确定为海况大于4、蒲福风级大于5并且水流影响大于3％。可以在不减损过程的情况下应用对不利天气的不同限制。

然后公开了着眼于过去数据的那些纵倾和吃水状况给出了较低燃料消耗的求平均方法。在数据涵盖的时间段期间，有时船舶会在给定速度下的与相同速度下的不同吃水和纵倾相比需要更低主发动机动力的吃水和纵倾下航行。这被编译到指示每种速度下哪些吃水和纵倾状况会促成较低的主发动机动力的数据库或矩阵中。然后可以将数据库或表格中的信息呈现给船长，或充当自动吃水和纵倾控制系统的输入。此信息可以呈现在纸上，或使用电子、基于网络的或类似类型的显示器。使用关于船舶当前速度的最优吃水和纵倾的信息，可以将吃水和纵倾更改为此最优状况。

然后，作为所述过程的另外的阶段，可以基于历史数据预测燃料消耗，以给出对通过引入此方法实现的潜在节省的估计。为了估计潜在燃料节省，应针对船舶的动力绘制历史数据中的燃料质量流量，并且可以找到与这两个参数相关的多项式曲线方程。然后，这可以用于估计存储在数据库中的每个吃水和纵倾状况下的计算的平均动力的燃料消耗。

使用每个经优化的吃水和纵倾状况下的估计的燃料消耗，以及每年航行天数的数量和当前燃料价格的知识，可以预测潜在节省。也可以使用来自装配有用于测量燃料质量的装置的船只的数据来提高燃料节省估计的准确性，因为燃料质量的变化可能会影响燃料消耗。同等地，还可以包含报告的关于船只的主发动机的机械问题或故障的信息，因为具有机械故障的发动机可能会过度消耗燃料，从而影响燃料消耗估计。还应包含考虑何时不利天气阻止进行吃水和纵倾优化的因素。通常，已经发现在总航行时间的30％到40％由于恶劣天气或其它航程优先级而无法进行吃水和纵倾优化。

使用用于计算最优吃水和纵倾的同一数据收集方法，还可以测量实际燃料节省。通过比较在实施吃水和纵倾优化之前与之后收集的燃料消耗数据，可以测量燃料节省。通过实施此过程，测量的每个船只每年的燃料节省介于3％与7％之间。

将详述的各个阶段并入到可以自动化至各个级别的工作流程或过程中。这可以使用如Microsoft Excel等电子表格应用以半手动形式进行。为了减少进行此优化所需的时间，可以使用如Python或C++等编程语言使所描述的工作流程自动化。作为另外的实施例，所述过程的输出可以是自动化的，使得在没有船长输入的情况下由自动控制系统自动更改吃水和纵倾。

对所描述的求平均方法的一个制约是其可以仅给出船舶先前航行的状况的最优吃水和纵倾。如果船舶随后航行到其先前未航行的状态，则求平均系统无法建议最优吃水和纵倾。求平均方法的另一个制约是其将一些不准确性并入到分析中。使用求平均方法可以看到10％的平均误差。为了改善这一点，可以使用几个数学模型并将其并入到过程中，以基于先前的新的看不见的状况下的性能进行最优吃水和纵倾的预测。已经部署了随机Forrest回归和人工神经网络模型以改进在现有数据集之外的预测。

已经证明在现有数据集之外预报最优吃水和纵倾状况方面人工神经网络最为成功，最大百分比误差为23％。人工神经网络还可以显著降低分析的不准确性，其中平均误差从10％降低到0.5％。

本公开的系统和方法允许通过应用高级分析过程识别最优航行参数来降低船只上的主发动机动力和燃料消耗。然后向船长提供关于更改哪些参数(以及更改多少)的建议，以优化航程并减少燃料消耗。本文的建议可以涉及例如添加压载水以改变吃水和纵倾、调整速度等。最终产物可以是具有专有分析驱动输出的用户友好型基于网络的工具。

本公开的方法和系统不将测量的操作性数据与预定默认或最优数据集进行比较。本公开的方法对历史数据进行处理和分析以计算最优。本公开的方法不是与存在于数据处理器的存储器或其它存储区中的已经优化的数据集的比较方法，或者其中将一些测量的或另外识别的数据与预定的航程状况进行比较。

常规方法和系统通常包含将测量的数据与预定最优基本情况进行比较的步骤。本公开的方法和系统中的对数据进行处理不包含比较并且实际上进行处理，所述处理是进一步通过将操作性数据处理成速度、吃水和纵倾的大小不断增加的类来确定每种历史速度、吃水和纵倾状况的平均动力的步骤。例如，表1中的相应行对应于提到的“类”。

所述系统和方法实现了对船舶流体动力学性能的整体评估，并且实现了识别先前使用常规方法未观察到的性能甜蜜点。本公开的系统和方法利用一组先进的算法来对在船只上记录的实时高频数据进行处理和分析。这进一步突出了船只在给定时间并且在给定上下文(风、水流等)内可以操作的最优值。

相对于常规系统，本公开的系统和方法提供了增加数量的经优化的参数、增加了其选择的可选性并且增加了准确性。本公开的系统和方法中应用的先进算法可以克服现有技术系统的制约并且可以成功地预测更大数量的参数的经优化的值，从而为船长提供更多可选性(更多数量的干预)。

通过数据分析获得的结果已经对申请人的船舶进行了全面的测试和验证，产生的误差容限低于约5％。本公开的系统和方法在典型的货物船只上实现的主发动机燃料效率的增加平均超过约3％。所述船只可以包含但不限于原油油轮(MR油轮、VLCC等)、LNG货船、LPG货船、散装货船、集装箱船只等。

本公开不限于如上所述的和所附权利要求书的实施例。其中可以想到许多修改并且可以组合相应实施例的特征。

Claims (12)

1.一种用于使用对正被优化的船舶的历史船舶数据的分析来确定所述船舶在压载和满载状况下的最优纵倾和吃水的方法，所述方法包括以下步骤：

-从所述船舶收集其先前航程中一个或多个航程的操作性数据，其中所述操作性数据包括一个或多个操作性参数或数据标签；

-过滤掉由所述操作性数据的选定源产生的误差和噪声；

-过滤掉不利天气、船体结垢和/或已经发现降低过程的准确性的其它状况的影响；

-通过将所述操作性数据放置到速度、吃水和纵倾的大小逐渐增加的类或区间中以确定每种历史速度、吃水和纵倾状况的平均动力来对所述操作性数据进行处理；

-基于所述操作性数据产生最优吃水和纵倾状况的数据库，并且将所述数据库提供给如船长等操作员或作为输入提供给自动吃水和纵倾优化系统；

-基于所述操作性数据计算每种速度、吃水和纵倾状况下的预测燃料消耗，以估计可实现的燃料节省；

-将所述预测燃料消耗与所述船舶的实现的燃料消耗进行比较，以使用关于当前燃料价格的信息确定实现的节省。

2.根据权利要求1所述的方法，所述过滤掉误差和噪声的步骤包含删除落在被视为可合理实践的范围之外的数据。

3.根据权利要求1所述的方法，所述过滤掉不利天气、船体结垢和/或已经发现降低所述过程的所述准确性的其它状况的影响的步骤包括基于先前经验删除落在设置点的范围之外的数据。

4.根据前述权利要求中任一项所述的方法，其中所述操作性参数包含以下中的一个或多个：船舶吃水、纵倾、燃料消耗、样品收集的日期和时间、对地速度、对水速度、主发动机动力、主发动机rpm、真实风速、相对风向角、发动机燃料质量流速、燃料消耗、水深度、轴rpm和自上次船体清洁以来的时间。

5.根据权利要求1所述的方法，其包含使用人工神经网络和回归树模型来进一步提高模型的准确性。

6.根据权利要求1所述的方法，其包含使用计算机软件或代码和/或图形显示器向所述船长或自动吃水和纵倾控制系统显示实时结果的步骤。

7.根据权利要求6所述的方法，其中所述图形显示器向所述船长提供所述船舶的最优吃水和纵倾以改变所述船舶的当前状况。

8.根据权利要求1所述的方法，其中将每个单独步骤组合成工作流程，所述工作流程安装到计算机或芯片上以自动运行所述分析。

9.根据权利要求8所述的方法，其包含持续测量当前船舶速度以进一步选择所述最优吃水和纵倾的步骤。

10.根据权利要求5所述的方法，其包含使用人工神经网络来为整个船队分析并提供吃水、纵倾和速度优化的步骤，所述船队包括多个基本上类似或相同的船舶。

11.根据权利要求1所述的方法，所述方法包含使用关于燃料质量和主发动机机械故障的数据来改进所述预测燃料消耗以供节省估计的步骤。

12.一种系统，其包括用于实施根据权利要求1所述的方法的工具。

Images