CN113743014A - 一种航速优化方法和装置 - Google Patents
一种航速优化方法和装置 Download PDFInfo
- Publication number
- CN113743014A CN113743014A CN202111052040.7A CN202111052040A CN113743014A CN 113743014 A CN113743014 A CN 113743014A CN 202111052040 A CN202111052040 A CN 202111052040A CN 113743014 A CN113743014 A CN 113743014A
- Authority
- CN
- China
- Prior art keywords
- ship
- route
- preset
- fuel consumption
- navigation
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Abstract
本发明提供了一种航速优化方法和装置,涉及航速优化的技术领域,包括:获取船舶的航线,将航线分割为多个航段,并确定航线的属性数据;基于属性数据和油耗模型,确定航线的耗油量函数;利用耗油量函数、目标参数和航线的环境参数,构建航速优化函数;利用预设算法和预设约束条件,求解航速优化函数,得到船舶的最优航速,其中,预设约束条件包括:船舶的航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值,航行的环境状态小于或等于第二预设阈值,解决了现有的航速优化方法的工程可行性较差的技术问题。
Description
技术领域
本发明涉及航速优化的技术领域,尤其是涉及一种航速优化方法和装置。
背景技术
海上运输相较于陆路运输,具有运量大、发展成熟和费用低廉的优势,在全球经济中扮演着重要的角色。在整个航运过程中,相对航运企业其他的运营成本,燃油耗费占据整个航运成本的很大一部分,因此,需要在航运过程中对航速进行优化,从而达到节油的目的,但是,现有航速优化算法还不成熟,未考虑诸多工程限制条件,导致现有的航速优化方法的工程可行性较差的技术问题。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种航速优化方法和装置,以缓解了现有的航速优化方法的工程可行性较差的技术问题。
第一方面,本发明实施例提供了一种航速优化方法,包括:获取船舶的航线,将所述航线分割为多个航段,并确定所述航线的属性数据,其中,所述属性数据包括:每个航段的距离,每个航段的航速,所述航线上每个分割点的位置坐标;基于所述属性数据和油耗模型,确定所述航线的耗油量函数;利用所述耗油量函数、目标参数和所述航线的环境参数,构建航速优化函数,其中,所述目标参数包括:所述船舶的主机限制曲线,主机转速模型和主机功率模型;利用预设算法和预设约束条件,求解所述航速优化函数,得到所述船舶的最优航速,其中,所述预设约束条件包括:所述船舶的航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值,所述航行的环境状态小于或等于第二预设阈值。
进一步地,基于所述属性数据和油耗模型,确定所述航线的耗油量函数,包括:基于所述每个航段的距离和所述每个航段的航速,计算出所述船舶到达每个分割点的时间;基于所述船舶到达每个分割点的时间和所述航线上每个分割点的位置坐标和所述航线上每个分割点的位置坐标,确定出每个航段的平均环境状态;基于所述油耗模型和所述每个航段的平均环境状态,确定所述航线的耗油量函数。
进一步地,基于所述船舶到达每个分割点的时间和所述航线上每个分割点的位置坐标和所述航线上每个分割点的位置坐标,确定出每个航段的平均环境状态,包括:基于所述航线上每个分割点的位置坐标,构建第一离散函数,其中,所述第一离散函数用于表征所述航线的气象预报数据;基于所述船舶到达每个分割点的时间和所述航线上每个分割点的位置坐标,构建第二离散函数,其中,所述第一离散函数用于表征所述航线的水深数据;利用所述第一离散函数,所述第二离散函数和数据差值算法,确定出每个航段的平均环境状态。
进一步地,所述航线的环境参数包括:流速,流向,风速,风向,浪高,浪向,浪周期,海水密度,海水粘度,空气密度和水深数据。
进一步地,所述预设算法包括但不限于:粒子群优化算法,遗传算法,蚁群算法和动态规划算法。
进一步地,若所述预设算法为所述粒子群优化算法,则利用预设算法和预设约束条件,求解所述航速优化函数,得到所述船舶的最优航速,包括:初始化一组随机粒子,并确定出每个随机粒子对应的耗油量函数;结合所述预设约束条件和每个随机粒子对应的耗油量函数,对每个随机粒子进行迭代,直到满足迭代停止条件,得到最优迭代数据;基于所述最优迭代数据,确定出所述船舶的最优航速。
进一步地,结合所述预设约束条件和每个随机粒子对应的耗油量函数,对每个随机粒子进行迭代,直到满足迭代停止条件,得到最优迭代数据,包括:迭代步骤,对每个随机粒子进行迭代,得到迭代数据;筛选步骤,对所述迭代数据进行筛选,确定所述迭代数据中的目标结果,其中,所述目标结果为所述迭代数据满足所述预设约束条件数据;将所述目标结果对应的粒子确定为所述随机粒子,并重复执行所述迭代步骤和所述筛选步骤,直至满足所述迭代停止条件,得到最优迭代数据。
第二方面,本发明实施例还提供了一种航速优化装置,包括:获取单元,确定单元,构建单元和优化单元,其中,所述获取单元,用于获取船舶的航线,将所述航线分割为多个航段,并确定所述航线的属性数据,其中,所述属性数据包括:每个航段的距离,每个航段的航速,所述航线上每个分割点的位置坐标;所述确定单元,用于基于所述属性数据和油耗模型,确定所述航线的耗油量函数;所述构建单元,用于利用所述耗油量函数、目标参数和所述航线的环境参数,构建航速优化函数,其中,所述目标参数包括:所述船舶的主机限制曲线,主机转速模型和主机功率模型;所述优化单元,用于利用预设算法和预设约束条件,求解所述航速优化函数,得到所述船舶的最优航速,其中,所述预设约束条件包括:所述船舶的航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值,所述航行的环境状态小于或等于第二预设阈值。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行第一方面中所述方法的步骤。
在本发明实施例中,通过获取船舶的航线,将航线分割为多个航段,并确定航线的属性数据,其中,属性数据包括:每个航段的距离,每个航段的航速,航线上每个分割点的位置坐标;基于属性数据和油耗模型,确定航线的耗油量函数;利用耗油量函数、目标参数和航线的环境参数,构建航速优化函数,其中,目标参数包括:船舶的主机限制曲线,主机转速模型和主机功率模型;利用预设算法和预设约束条件,求解航速优化函数,得到船舶的最优航速,其中,预设约束条件包括:船舶的航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值,航行的环境状态小于或等于第二预设阈值。
由于现有航速优化算法还不成熟,未考虑诸多工程限制条件,导致利用现有的航速优化算法船舶的得到的优化结果的可行性较差,而本申请通过在航速优化算法中添加航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值和航行的环境状态小于或等于第二预设阈值等预设约束条件,达到了能够得到可行性较好的航速优化结果的目的,进而解决了现有的航速优化方法的工程可行性较差的技术问题,从而实现了提高航速优化方法的工程可行性的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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优化方法的流程图;
图2为本发明实施例提供的一种主机功率限制曲线图;
图3为本发明实施例提供的一种航速优化装置的示意图;
图4为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图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。
实施例一:
根据本发明实施例,提供了一种航速优化方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种航速优化方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取船舶的航线,将所述航线分割为多个航段,并确定所述航线的属性数据,其中,所述属性数据包括:每个航段的距离,每个航段的航速,所述航线上每个分割点的位置坐标;
具体的,船舶大洋航行常用四种航线:即大圆弧航线,恒向线航线、等纬圈航线和混合航线,其中等纬圈航线是恒向线航线的特例,混合航线是大圆弧和恒向线的组合。为了构造航线分割算法,需对恒向线和大圆弧进行分割。
恒向线是船舶始终按照恒定航向航行的航线,也叫等角航线。在地球表面,恒向线指与经线处处保持等角的球面螺旋曲线;变换到墨卡托投影平面之后,恒向线被映射为一条直线。恒向线主题求解包括正解与反解。正解是已知起点坐标、航向和航程,计算终点坐标;反解是已知起点和终点坐标,求航向与航程。恒向线主题求解是一个经典航海学问题,不少学者都提出了各自的计算模型。恒向线正反解算法既适用于地球椭球模型,也适用于正球模型。
利用恒向线正反解工具,可以构造分割算法如下:
已知:航线的恒向线起点经纬坐标[lat0,lon0],航线的终点经纬坐标[latm,lonm]。
待求:将恒向线等距分割为n段,求分割点坐标[lati,loni],i=1,2,...,n-1。
第一步,输入起点和终点坐标,调用反解工具,求得总航程S和航向角C;
第二步:将总航程S分割为n段,那么每个分割点距离起点的航程为Si=iS/m,i=1,2,...,n-1;
第三步:输入起点坐标[lat0,lon0],航向C以及各分割点距离起点的航程Si,调用正解工具,求得各分割点坐标[lati,loni],i=1,2,...,n-1。
大圆弧航线假设地球为正球模型,航线端点与地球球心确定的平面与地球表面之交线即为两点间大圆弧。在球模型假设下,可以通过球面三角公式直接求解正反解问题。即正解:已知起点坐标、起点航向角和大圆弧距离,求终点坐标;反解:已知起点和终点坐标,求大圆弧距离和起点航向角。
利用大圆弧正反解工具,可以构造大圆弧分割算法,其计算流程与恒向线一致。
通过上述方法,可以确定出在多个航段的数量为n时,分割点的数量为n+1,分别为L0,L2,...,Ln,上述的属性数据中,每个航段的距离为s=[s1,s2,...,sn]T,每个分割点的位置坐标为[lati,loni],i=1,2,...,n-1,每个航段的航速u=[u1,u2,...,un]T。
步骤S104,基于所述属性数据和油耗模型,确定所述航线的耗油量函数;
需要说明的是,船舶航行时,燃油消耗速率(目标函数y)与航速u、排水Δ、水深、风、浪、流等环境参数(环境影响因子w=[w1,w2,w3...]T)有关。在智能船领域,可通过航测数据和机器学习算法来推算y与各影响因子之间的关系y=f1(u,Δ,w)。
机器学习中,又将f称之为模型。通过数据训练模型,是机器学习在工程领域的主要应用方式之一。
机器学习的优点是:1,以实测数据为基础,形成的模型适用于实际情况。2,利用计算机分析数据,适用于高维复杂问题。
利用Python的机器学习工具包sk-learn,可实现多种不同的模型训练方法,如广义线性回归、决策树、集成学习、神经网络等。模型训练完成之后,输入新参数,就可以预测目标函数了;同时,还可以将预测值与实测值进行对比,验证模型的预测精度。
步骤S106,利用所述耗油量函数、目标参数和所述航线的环境参数,构建航速优化函数,其中,所述目标参数包括:所述船舶的主机限制曲线,主机转速模型和主机功率模型;
需要说明的是,如图2所示,船用主机需在规定的负荷限制内运行,如果超负荷运行,会引起排气温度过高、增压器喘振甚至出现拉缸等严重故障。主机安装前,通过台架试验对其负荷限制线进行标定,然后设定控制装置,确保安全运行。
主机负荷限制线规定了每个转速下允许发出的最大功率Pmax=g(n)。
另外,为了在航速优化算法中融合主机功率限制曲线,需要求得不同工况下主机转速和主机输出功率。
与油耗模型一样,通过航测数据和机器学习方法,可求得主机转速n与航速、排水和环境参数之间的关系(即转速模型):n=f2(u,Δ,w)。
以及主机输出功率Ps与航速、排水和环境参数之间的关系(即功率模型):Ps=f3(u,Δ,w)。
步骤S108,利用预设算法和预设约束条件,求解所述航速优化函数,得到所述船舶的最优航速,其中,所述预设约束条件包括:所述船舶的航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值,所述航行的环境状态小于或等于第二预设阈值。
需要说明的是,上述算法可以为以下算法中的一种:粒子群优化算法,遗传算法,蚁群算法和动态规划算法。
由于现有航速优化算法还不成熟,未考虑诸多工程限制条件,导致利用现有的航速优化算法船舶的得到的优化结果的可行性较差,而本申请通过在航速优化算法中添加航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值和航行的环境状态小于或等于第二预设阈值等预设约束条件,达到了能够得到可行性较好的航速优化结果的目的,进而解决了现有的航速优化方法的工程可行性较差的技术问题,从而实现了提高航速优化方法的工程可行性的技术效果。
在本发明实施例中,步骤S104包括如下步骤:
步骤S11,基于所述每个航段的距离和所述每个航段的航速,计算出所述船舶到达每个分割点的时间;
步骤S12,基于所述船舶到达每个分割点的时间和所述航线上每个分割点的位置坐标和所述航线上每个分割点的位置坐标,确定出每个航段的平均环境状态;
步骤S13,基于所述油耗模型和所述每个航段的平均环境状态,确定所述航线的耗油量函数。
在本发明实施例中,首先,利用s=[s1,s2,...,sn]T和u=[u1,u2,...,un]T计算出船舶到达各分割点的时间:t0=now,ti=ti-1+si/ui,i=0,1,2,...,n。
然后,构建航线上每个分割点的位置坐标的第一离散函数,以及构建船舶到达每个分割点的时间和航线上每个分割点的位置坐标的第二离散函数。
接着,通过数据插值可求得船舶到达各分割点时预期经历的环境状态w(ti,Li),i=0,1,2,...,n,然后根据船舶到达各分割点时预期经历的环境状态w(ti,Li),i=0,1,2,...,n,计算出船舶在每个航段的平均环境状态w(ti/2,Li/2),i=1,2,...,n。
需要说明的是,航线的环境参数包括:流速,流向,风速,风向,浪高,浪向,浪周期,海水密度,海水粘度,空气密度和水深数据,则环境参数向量w各分量如下表所示:
在本发明实施例中,若所述预设算法为所述粒子群优化算法,步骤S108包括如下步骤:
步骤S21,初始化一组随机粒子,并确定出每个随机粒子对应的耗油量函数;
步骤S22,结合所述预设约束条件和每个随机粒子对应的耗油量函数,对每个随机粒子进行迭代,直到满足迭代停止条件,得到最优迭代数据;
步骤S23,基于所述最优迭代数据,确定出所述船舶的最优航速。
在本发明实施例中,在求解所述航速优化函数时,需要在n维空间{u}={u1,u2,...,un}中搜寻最优位置{u}opt,使得总油耗F(u,Δ,w)最小。
需要说明的是,预设条件的表达式为
(2)f3[ui,Δ,w(ti/2,Li/2)]≤g(f2[ui,Δ,w(ti/2,Li/2)]);
其中,表达式(1)为船舶的航行时间小于或等于预设时间的表达式;
表达式(2)为主机输出功率小于或等于第一预设阈值的表达式;
表达式(3)为航行的环境状态小于或等于第二预设阈值的表达式;
另外,需要说明的是,max_current为船舶容许经历的最大流速,max_wind为船舶容许经历的最大风速,max_waveheight为船舶容许经历的最大波高,min_depth为船舶容许经历的最小水深,上述四个参数可以由设计规范确定。
然后通过迭代算法来搜索最优解。在每次迭代时,粒子通过靠近两个“极值”{u}k,pbest,{u}gbest来进行更新,其中{u}k,pbest表示各粒子更新过程中记录的最佳选择,{u}gbest表示所有粒子更新过程中记录的最佳选择。具体计算公式为:
其中,ω为惯性因子,c1和c2为学习因子。
r1和r2是0~1之间的随机数,用于增加搜寻的随机性。
在每一次迭代之后,算法更新{u}k,pbest和{u}gbest(即迭代数据)。然后进行下一次迭代,不断搜索全局最优,直到{u}gbest趋于稳定或者目标函数F(u,Δ,w)足够小(即迭代停止条件)之后,终止迭代,输出{u}gbest作为最优迭代数据。
需要说明的是,在完成每次迭代之后,需要对迭代数据进行筛选,调用约束条件,排除迭代数据不满足约束条件的解。从而确保下一次迭代过程中的{u}k,pbest和{u}gbest都满足预设约束条件,从而保证最终的输出结果也满足预设约束条件。
实施例二:
本发明实施例还提供了一种航速优化装置,该航速优化装置用于执行本发明实施例上述内容所提供的航速优化方法,以下是本发明实施例提供的航速优化装置的具体介绍。
如图3所示,图3为上述航速优化装置的示意图,该航速优化装置包括:获取单元10,确定单元20,构建单元30和优化单元40。
所述获取单元10,用于获取船舶的航线,将所述航线分割为多个航段,并确定所述航线的属性数据,其中,所述属性数据包括:每个航段的距离,每个航段的航速,所述航线上每个分割点的位置坐标;
所述确定单元20,用于基于所述属性数据和油耗模型,确定所述航线的耗油量函数;
所述构建单元30,用于利用所述耗油量函数、目标参数和所述航线的环境参数,构建航速优化函数,其中,所述目标参数包括:所述船舶的主机限制曲线,主机转速模型和主机功率模型;
所述优化单元40,用于利用预设算法和预设约束条件,求解所述航速优化函数,得到所述船舶的最优航速,其中,所述预设约束条件包括:所述船舶的航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值,所述航行的环境状态小于或等于第二预设阈值。
由于现有航速优化算法还不成熟,未考虑诸多工程限制条件,导致利用现有的航速优化算法船舶的得到的优化结果的可行性较差,而本申请通过在航速优化算法中添加航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值和航行的环境状态小于或等于第二预设阈值等预设约束条件,达到了能够得到可行性较好的航速优化结果的目的,进而解决了现有的航速优化方法的工程可行性较差的技术问题,从而实现了提高航速优化方法的工程可行性的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图4,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可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),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ISA总线、PCI总线或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4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过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(Central Processing Unit,简称CPU)、网络处理器(Network Processor,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。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、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:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种航速优化方法,其特征在于,包括:
获取船舶的航线,将所述航线分割为多个航段,并确定所述航线的属性数据,其中,所述属性数据包括:每个航段的距离,每个航段的航速,所述航线上每个分割点的位置坐标;
基于所述属性数据和油耗模型,确定所述航线的耗油量函数;
利用所述耗油量函数、目标参数和所述航线的环境参数,构建航速优化函数,其中,所述目标参数包括:所述船舶的主机限制曲线,主机转速模型和主机功率模型;
利用预设算法和预设约束条件,求解所述航速优化函数,得到所述船舶的最优航速,其中,所述预设约束条件包括:所述船舶的航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值,所述航行的环境状态小于或等于第二预设阈值。
2.根据权利要求1所述的方法,其特征在于,基于所述属性数据和油耗模型,确定所述航线的耗油量函数,包括:
基于所述每个航段的距离和所述每个航段的航速,计算出所述船舶到达每个分割点的时间;
基于所述船舶到达每个分割点的时间和所述航线上每个分割点的位置坐标和所述航线上每个分割点的位置坐标,确定出每个航段的平均环境状态;
基于所述油耗模型和所述每个航段的平均环境状态,确定所述航线的耗油量函数。
3.根据权利要求2所述的方法,其特征在于,基于所述船舶到达每个分割点的时间和所述航线上每个分割点的位置坐标和所述航线上每个分割点的位置坐标,确定出每个航段的平均环境状态,包括:
基于所述航线上每个分割点的位置坐标,构建第一离散函数,其中,所述第一离散函数用于表征所述航线的气象预报数据;
基于所述船舶到达每个分割点的时间和所述航线上每个分割点的位置坐标,构建第二离散函数,其中,所述第一离散函数用于表征所述航线的水深数据;
利用所述第一离散函数,所述第二离散函数和数据差值算法,确定出每个航段的平均环境状态。
4.根据权利要求1所述的方法,其特征在于,
所述航线的环境参数包括:流速,流向,风速,风向,浪高,浪向,浪周期,海水密度,海水粘度,空气密度和水深数据。
5.根据权利要求1所述的方法,其特征在于,
所述预设算法包括但不限于:粒子群优化算法,遗传算法,蚁群算法和动态规划算法。
6.根据权利要求1所述的方法,其特征在于,若所述预设算法为所述粒子群优化算法,则利用预设算法和预设约束条件,求解所述航速优化函数,得到所述船舶的最优航速,包括:
初始化一组随机粒子,并确定出每个随机粒子对应的耗油量函数;
结合所述预设约束条件和每个随机粒子对应的耗油量函数,对每个随机粒子进行迭代,直到满足迭代停止条件,得到最优迭代数据;
基于所述最优迭代数据,确定出所述船舶的最优航速。
7.根据权利要求6所述的方法,其特征在于,结合所述预设约束条件和每个随机粒子对应的耗油量函数,对每个随机粒子进行迭代,直到满足迭代停止条件,得到最优迭代数据,包括:
迭代步骤,对每个随机粒子进行迭代,得到迭代数据;
筛选步骤,对所述迭代数据进行筛选,确定所述迭代数据中的目标结果,其中,所述目标结果为所述迭代数据中满足所述预设约束条件数据;
将所述目标结果对应的粒子确定为所述随机粒子,并重复执行所述迭代步骤和所述筛选步骤,直至满足所述迭代停止条件,得到最优迭代数据。
8.一种航速优化装置,其特征在于,包括:获取单元,确定单元,构建单元和优化单元,其中,
所述获取单元,用于获取船舶的航线,将所述航线分割为多个航段,并确定所述航线的属性数据,其中,所述属性数据包括:每个航段的距离,每个航段的航速,所述航线上每个分割点的位置坐标;
所述确定单元,用于基于所述属性数据和油耗模型,确定所述航线的耗油量函数;
所述构建单元,用于利用所述耗油量函数、目标参数和所述航线的环境参数,构建航速优化函数,其中,所述目标参数包括:所述船舶的主机限制曲线,主机转速模型和主机功率模型;
所述优化单元,用于利用预设算法和预设约束条件,求解所述航速优化函数,得到所述船舶的最优航速,其中,所述预设约束条件包括:所述船舶的航行时间小于或等于预设时间,主机输出功率小于或等于第一预设阈值,所述航行的环境状态小于或等于第二预设阈值。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至6任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至6任一项所述方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111052040.7A CN113743014A (zh) | 2021-09-08 | 2021-09-08 | 一种航速优化方法和装置 |
PCT/CN2022/113672 WO2023035910A1 (zh) | 2021-09-08 | 2022-08-19 | 航速优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111052040.7A CN113743014A (zh) | 2021-09-08 | 2021-09-08 | 一种航速优化方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743014A true CN113743014A (zh) | 2021-12-03 |
Family
ID=78737284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111052040.7A Pending CN113743014A (zh) | 2021-09-08 | 2021-09-08 | 一种航速优化方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113743014A (zh) |
WO (1) | WO2023035910A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115099054A (zh) * | 2022-07-12 | 2022-09-23 | 江苏船来船往物流科技股份有限公司 | 基于船联网航道内河的船舶航速实时优化方法及其系统 |
WO2023035910A1 (zh) * | 2021-09-08 | 2023-03-16 | 上海船舶研究设计院(中国船舶集团有限公司第六〇四研究院) | 航速优化方法和装置 |
CN116001978A (zh) * | 2023-01-06 | 2023-04-25 | 福建国安船业有限公司 | 用于轮渡船的日用油、动力油过渡方法、系统装置及介质 |
CN117073864A (zh) * | 2023-08-18 | 2023-11-17 | 江苏海洋大学 | 一种基于激光散射的海水温度遥感检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040224577A1 (en) * | 2003-05-09 | 2004-11-11 | Yamaha Hatsudoki Kabushiki Kaisha | Parameter optimization method, parameter optimization apparatus, parameter optimization program, and marine vessel navigation control apparatus |
KR20180111196A (ko) * | 2017-03-31 | 2018-10-11 | 삼성중공업 주식회사 | 선박 항로 및 속도 결정 장치, 선박 항로 및 속도 결정 방법, 기록 매체 |
CN109829582A (zh) * | 2019-01-29 | 2019-05-31 | 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) | 航线航速优化方法及系统 |
US20190303859A1 (en) * | 2018-04-03 | 2019-10-03 | Florida A&M University | Application of a multi-objective optimization model for automatic vessel scheduling in liner shipping |
KR20200004628A (ko) * | 2018-07-04 | 2020-01-14 | 대우조선해양 주식회사 | 선박의 최적항로 도출 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 |
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 |
CN111709579A (zh) * | 2020-06-17 | 2020-09-25 | 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) | 船舶航速优化方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837347B (zh) * | 2012-11-22 | 2017-09-15 | 中国舰船研究设计中心 | 一种船舶推进柴油机负荷限制曲线实船标定方法 |
CN113743014A (zh) * | 2021-09-08 | 2021-12-03 | 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) | 一种航速优化方法和装置 |
-
2021
- 2021-09-08 CN CN202111052040.7A patent/CN113743014A/zh active Pending
-
2022
- 2022-08-19 WO PCT/CN2022/113672 patent/WO2023035910A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040224577A1 (en) * | 2003-05-09 | 2004-11-11 | Yamaha Hatsudoki Kabushiki Kaisha | Parameter optimization method, parameter optimization apparatus, parameter optimization program, and marine vessel navigation control apparatus |
KR20180111196A (ko) * | 2017-03-31 | 2018-10-11 | 삼성중공업 주식회사 | 선박 항로 및 속도 결정 장치, 선박 항로 및 속도 결정 방법, 기록 매체 |
US20190303859A1 (en) * | 2018-04-03 | 2019-10-03 | Florida A&M University | Application of a multi-objective optimization model for automatic vessel scheduling in liner shipping |
KR20200004628A (ko) * | 2018-07-04 | 2020-01-14 | 대우조선해양 주식회사 | 선박의 최적항로 도출 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 |
CN109829582A (zh) * | 2019-01-29 | 2019-05-31 | 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) | 航线航速优化方法及系统 |
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 |
CN111709579A (zh) * | 2020-06-17 | 2020-09-25 | 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) | 船舶航速优化方法及装置 |
Non-Patent Citations (2)
Title |
---|
李明峰;王胜正;谢宗轩;: "恶劣气象海况下船舶航线的多变量多目标优化建模", 中国航海, no. 02 * |
马冉祺;黄连忠;魏茂苏;柳霆;刘伊凡;王寰宇;: "基于实船监测数据的定航线船舶智能航速优化", 大连海事大学学报, no. 01 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023035910A1 (zh) * | 2021-09-08 | 2023-03-16 | 上海船舶研究设计院(中国船舶集团有限公司第六〇四研究院) | 航速优化方法和装置 |
CN115099054A (zh) * | 2022-07-12 | 2022-09-23 | 江苏船来船往物流科技股份有限公司 | 基于船联网航道内河的船舶航速实时优化方法及其系统 |
CN115099054B (zh) * | 2022-07-12 | 2023-08-04 | 江苏船来船往物流科技股份有限公司 | 基于船联网航道内河的船舶航速实时优化方法及其系统 |
CN116001978A (zh) * | 2023-01-06 | 2023-04-25 | 福建国安船业有限公司 | 用于轮渡船的日用油、动力油过渡方法、系统装置及介质 |
CN116001978B (zh) * | 2023-01-06 | 2023-11-10 | 福建国安船业有限公司 | 用于轮渡船的日用油、动力油过渡方法、系统装置及介质 |
CN117073864A (zh) * | 2023-08-18 | 2023-11-17 | 江苏海洋大学 | 一种基于激光散射的海水温度遥感检测方法及系统 |
CN117073864B (zh) * | 2023-08-18 | 2024-02-09 | 江苏海洋大学 | 一种基于激光散射的海水温度遥感检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2023035910A1 (zh) | 2023-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743014A (zh) | 一种航速优化方法和装置 | |
CN108680163A (zh) | 一种基于拓扑地图的无人艇路径搜索系统及方法 | |
Wu et al. | Long-voyage route planning method based on multi-scale visibility graph for autonomous ships | |
CN111709579B (zh) | 船舶航速优化方法及装置 | |
CN113033073A (zh) | 一种基于数据驱动的无人船能效数字孪生方法及系统 | |
KR102006925B1 (ko) | 선박 항로 및 속도 결정 장치, 선박 항로 및 속도 결정 방법, 기록 매체 | |
CN110595472B (zh) | 一种无人船双目标气象航线优化方法和系统 | |
Park et al. | Two-phase approach to optimal weather routing using geometric programming | |
Tsou | Integration of a geographic information system and evolutionary computation for automatic routing in coastal navigation | |
Chen et al. | Research on ship meteorological route based on A-star algorithm | |
CN115270644B (zh) | 一种智能船舶节能航行编队方法、电子设备和存储介质 | |
CN112182747A (zh) | 用于船舶波浪增阻性能分析的仿真试验系统及方法 | |
CN115438081A (zh) | 一种海量船舶位置点云多级聚合与实时更新方法 | |
Zaccone et al. | An optimization tool for ship route planning in real weather scenarios | |
CN111824357B (zh) | 测试方法、装置、电子设备及计算机可读存储介质 | |
CN114707327B (zh) | 一种并行的海洋环境水声特征诊断方法、存储介质和装置 | |
CN113239966B (zh) | 混合气偏差自学习方法、系统、可读存储介质及电子设备 | |
CN113487858B (zh) | 一种面向路网数据的异常轨迹检测方法 | |
CN110917624B (zh) | 路径确定方法、装置及设备 | |
CN114547954A (zh) | 物流配送中心选址方法、装置、计算机设备 | |
CN111598941A (zh) | 一种杆塔倾斜度测量方法、装置、设备及存储介质 | |
CN114692997A (zh) | 低会遇冲突的航线群智能推荐方法、终端设备及存储介质 | |
WO2023058178A1 (ja) | シミュレーション装置、シミュレーション方法およびシミュレーションプログラム | |
Liu et al. | A method of ship multi-constraint route planning based on AIS big data | |
CN117197163A (zh) | 地面分割方法、装置、电子设备和存储介质 |
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 |