CN114063450A - 一种基于模型预测控制的拖轮能效优化方法 - Google Patents

一种基于模型预测控制的拖轮能效优化方法 Download PDF

Info

Publication number
CN114063450A
CN114063450A CN202111171244.2A CN202111171244A CN114063450A CN 114063450 A CN114063450 A CN 114063450A CN 202111171244 A CN202111171244 A CN 202111171244A CN 114063450 A CN114063450 A CN 114063450A
Authority
CN
China
Prior art keywords
tug
energy efficiency
speed
prediction
predictive control
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
Application number
CN202111171244.2A
Other languages
English (en)
Inventor
陈琳瑛
李梦霞
贾雪菲
罗宇
陈鹏飞
牟军敏
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202111171244.2A priority Critical patent/CN114063450A/zh
Publication of CN114063450A publication Critical patent/CN114063450A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于模型预测控制的拖轮能效优化方法，包括以下步骤：建立拖轮推进力预测模型；根据拖轮上的各传感器获得的数据，获取周围环境与拖轮自身状态参数；建立拖轮的航速与燃油消耗的回归方程式；通过得到的拖轮航速与油耗的回归方程式，得到拖轮主机功率的能效最优区间，将其作为目标函数的约束条件，从而基于模型预测控制MPC构建拖轮能效最优化问题，通过求解该最优化问题，获取最优航速策略。本发明对拖轮航行速度进行优化，降低拖轮的能源消耗。

Description

一种基于模型预测控制的拖轮能效优化方法
技术领域
本发明涉及航运技术领域，具体涉及一种基于模型预测控制的拖轮能效优化方法。
背景技术
近年来，船舶航运业的快速发展，给贸易运输带来便利的同时，也给区域空气质量改善带来巨大压力，船舶燃油及排放所带来的经济与环保问题也日益突出。在温室效应变得日益严重的当下，有必要对船舶航运业进行节能减排的研究。这不仅符合我国的相关政策以及科技发展趋势，对船运企业来说，也是一个能够降低航运成本的一大利好。研究表明，船舶航速优化是降低船舶油耗和碳排放的有效措施之一。目前关于船舶节能减排的研究大多从优化船体设计，改进推进系统，更换清洁能源等改变船体结构或增加船体设备方面入手，但该方法对船舶进行较大改动，前期投入较高。相较而言，从操作层面利用航速优化减少油耗，实现拖轮能效优化成本低且适用范围广。此外，船舶最优航速与船舶的实时状态、负载情况高度关联，拖轮在协助大型船舶靠泊过程中，根据需要提供拉力或推理，负载是时变的，目前的航速优化研究主要针对货船，未考虑负载时变这一特征，不适用于拖轮。因此，本发明基于港作拖轮航行数据，以节能减排为导向，在模型预测控制(ModelPredictive Control,MPC) 方法基础上考虑拖轮主机特性，提取拖轮有效功率区间对拖轮航行速度进行优化，最终给出最优航行速度指导策略来降低拖轮的能源消耗。
发明内容
本发明要解决的技术问题是，针对现有技术存在的上述缺陷，提供了一种基于模型预测控制的拖轮能效优化方法，对拖轮航行速度进行优化，降低拖轮的能源消耗。
本发明为解决上述技术问题所采用的技术方案是：
一种基于模型预测控制的拖轮能效优化方法，包括以下步骤：
步骤1，建立拖轮推进力预测模型；
步骤2，根据拖轮上的各传感器获得的数据，获取周围环境与拖轮自身状态参数；
步骤3，建立拖轮的航速与燃油消耗的回归方程式；
步骤4，通过得到的拖轮航速与油耗的回归方程式，得到拖轮主机功率的能效最优区间，将其作为目标函数的约束条件，从而基于模型预测控制MPC构建拖轮能效最优化问题，通过求解该最优化问题，获取最优航速策略。
按照上述技术方案，在步骤2中，周围环境与拖轮自身状态参数包括拖轮的位置、速度、吃水深度和纵倾，港口水域的风速、风向和浪速以及拖轮的主机油耗、主机转速和轴系功率。
按照上述技术方案，在步骤2中，各传感器包括风速仪、航速仪、流速仪、船舶自动识别系统、主机转速传感器和进回油流量传感器及定位模块。
按照上述技术方案，在步骤3中，建立了由推力器产生的转矩和推力与分布式MPC算法用于燃油效率之间的关系，通过对拖轮的主机功率分析，得到拖轮柴油机燃油效率回归方程式，并求得到拖轮的燃油消耗曲线，提取其有效的功率区间。
按照上述技术方案，在步骤1中，根据船舶运动模型，建立拖轮推进力预测模型。
按照上述技术方案，在步骤1中，所述船舶运动模型为：
Figure RE-GDA0003403588780000021
其中，R(ψ)为旋转矩阵，M为系统惯性矩阵，包括刚体和附加质量矩阵，C为科里奥利向心矩阵，包括刚体和附加质量的科里奥利向心矩阵，D为阻尼力，x＝[x，y，ψ，u，v，r]T为拖轮状态变量，[x，y，ψ]T为东北向坐标系中坐标x，y和航向角ψ，[u，v，r]T为船体固定参考坐标系中的纵荡和横荡速度u，v和角速度r，τ＝[τu，τv，τr]T为控制输入，是指船体固定参考坐标系中的力τu，τv和力矩τr。
在步骤1中，实际中，拖轮操纵命令为离散命令，因此，将给出的船舶模型离散化(样本时间Ts)；为满足实时计算要求，将该非线性模型在预测区间内基于预测轨迹进行连续线性化：将预测轨迹作为种子轨迹，拖轮推进力预测模型为：
x(k+1|k)＝xe(k+1|k)+Ad(k|k)(x(k|k)-xe(k|k))+Bd(k|k)(u(k|k)-ue(k|k))
其中k为时间步长，x(k|k)是拖轮在第k步的近似状态，x(k+1|k)为拖轮第k步预测第k+1步的状态，u(k|k)为拖轮在第k步的控制输入，xe(k+1|k)为拖轮第k步预测第k+1步的均衡状态。Ad和Bd是相应的离散雅可比矩阵。
按照上述技术方案，拖轮本身的作用力矢量与螺旋桨在拖轮上产生的推力之间的关系为：
Figure RE-GDA0003403588780000022
Figure RE-GDA0003403588780000023
是船舶推力，n1，…，nm是推进器轴速度，m是推进器的数量，Γ为推力配置矩阵。
在步骤3中，对所述拖轮主机功率进行回归分析，其回归方程式如下：
Figure RE-GDA0003403588780000031
式中，P是传递的机械功率，a、b和c是取决于柴油机规格的参数。
在步骤4中，为了使拖轮稳定在油耗最低，本发明使用缆绳拉力传感器、速度传感器和主机功率传感器等设备，将得到的数据进行收集和处理，导入预测模型中得到拖轮下一时刻到达下一位置所需的推力，同时根据拖轮发动机的燃油消耗曲线，将拖轮的主机功率稳定在一定范围内使其航速达到最优，最终实现拖轮的能效优化。
在步骤4中，拖轮能效最优化问题的公式为：
Figure RE-GDA0003403588780000032
Figure RE-GDA0003403588780000033
vmin≤v(k+l|k)≤vmax
τmin≤τ(k+l|k)≤τmax
Figure RE-GDA0003403588780000034
其中，目标函数为到达下一目标位置及推进力位于能效最优区间，α和β分别代表权重， Hp表示预测范围，l表示在预测范围内的第l个时间步长，η(k+l|k)表示在k时刻对拖轮在k+l 时刻的位置和航向所作的预测，ω(k+l)是指在k+l处对拖轮的预期位置与航向，τ(k)表示预测范围内的控制输入，为将推进力τ控制在能耗有效区间范围内，引入松弛变量δ(k+l-1|k)，使在k时刻对预测时域内的控制输入τ的预测在区间
Figure RE-GDA0003403588780000035
和
Figure RE-GDA0003403588780000036
内，vmin，vmax，τmin，τmax是对状态和控制输入的约束。
本发明具有以下有益效果：
本发明在拖轮有效功率区间对拖轮航行速度进行优化，最终给出最优航行速度指导策略来降低拖轮的能源消耗。
附图说明
图1是本发明实施例中基于模型预测控制的拖轮能效优化方法的技术路线图；
图2是本发明实施例中模型预测控制MPC的结构框图；
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
参照图1～图2所示，本发明提供的一个实施例中的基于模型预测控制的拖轮能效优化方法，包括以下步骤：
步骤1，建立拖轮推进力预测模型；
步骤2，根据拖轮上的各传感器获得的数据，获取周围环境与拖轮自身状态参数；
步骤3，建立拖轮的航速与燃油消耗的回归方程式；航速优化主要依据航速与燃油消耗的联系，一般认为燃油消耗量与船舶航速是3次方的关系；
步骤4，通过得到的拖轮航速与油耗的回归方程式，得到拖轮主机功率的能效最优区间，将其作为目标函数的约束条件，从而基于模型预测控制MPC构建拖轮能效最优化问题，通过求解该最优化问题，获取最优航速策略。
进一步地，在步骤2中，周围环境与拖轮自身状态参数包括拖轮的位置、速度、吃水深度和纵倾，港口水域的风速、风向和浪速以及拖轮的主机油耗、主机转速和轴系功率。
进一步地，在步骤2中，各传感器包括风速仪、航速仪、流速仪、船舶自动识别系统、主机转速传感器和进回油流量传感器及定位模块和摄像头；形成信息感知端，用于完成信息感知端与航速优化端之间连接的数据传输模块、用于获取船舶自身运动参数、通航环境参数的感知模块。
用于外部环境及船舶自身状态的感知，基于船舶运动状态及推进力预测和拖轮主机油耗曲线模型，基于MPC框架，通过求解最优化问题，求解拖轮实时能效优化航速；以及一个综合显示平台，用于显示实时数据处理、船舶状态数据，及最终能效优化结果。
控制器作为航速优化端，用于将获得的感知数据进行集合处理的数据处理模块、用于设置船舶主机参数等设备参数及船期、驾驶员偏好模式等的预设置模块、用于计算最优航速的航速优化模块、将当前通航数据及推荐最优航速显示给驾驶员的显示模块。
进一步地，在步骤3中，建立了由推力器产生的转矩和推力与分布式MPC算法用于燃油效率之间的关系，通过模型预测控制得出下一时刻拖轮所需的推力；通过对拖轮的主机功率分析，得到拖轮柴油机燃油效率回归方程式，并求得到拖轮的燃油消耗曲线，提取其有效的功率区间。
进一步地，在步骤1中，根据船舶运动模型，建立拖轮推进力预测模型。
进一步地，在步骤1中，所述船舶运动模型为：
Figure RE-GDA0003403588780000041
其中，R(ψ)为旋转矩阵，M为系统惯性矩阵，包括刚体和附加质量矩阵，C为科里奥利向心矩阵，包括刚体和附加质量的科里奥利向心矩阵，D为阻尼力，x＝[x,y,ψ,u,v,r]T为拖轮状态变量，[x,y,ψ]T为东北向坐标系中坐标x,y和航向角ψ，[u,v,r]T为船体固定参考坐标系中的纵荡和横荡速度u,v和角速度r，τ＝[τu,τv,τr]T为控制输入，是指船体固定参考坐标系中的力τu,τv和力矩τr。
在步骤1中，实际中，拖轮操纵命令为离散命令，因此，将给出的船舶模型离散化(样本时间Ts)；为满足实时计算要求，将该非线性模型在预测区间内基于预测轨迹进行连续线性化：将预测轨迹作为种子轨迹，拖轮推进力预测模型为：
x(k+1|k)＝xe(k+1|k)+Ad(k|k)(x(k|k)-xe(k|k))+Bd(k|k)(u(k|k)-ue(k|k))
其中k为时间步长，x(k|k)是拖轮在第k步的近似状态，x(k+1|k)为拖轮第k步预测第k+1步的状态，u(k|k)为拖轮在第k步的控制输入，xe(k+1|k)为拖轮第k步预测第k+1步的均衡状态，Ad和Bd是相应的离散雅可比矩阵。
进一步地，在步骤3中，对所述拖轮主机功率进行回归分析，在这一部分中，建立了由推力器产生的转矩和推力与分布式MPC算法用于燃油效率之间的关系。
进一步地，拖轮本身的作用力矢量与螺旋桨在拖轮上产生的推力之间的关系为：
Figure RE-GDA0003403588780000051
Figure RE-GDA0003403588780000052
是船舶推力，n1，…，nm是推进器轴速度，m是推进器的数量，Γ为推力配置矩阵。
燃油效率与发动机功率的关系表示为发动机的特定燃油消耗曲线，发动机的燃油消耗曲线函数由下式表示，在步骤3中，对所述拖轮主机功率进行回归分析，其回归方程式如下：
Figure RE-GDA0003403588780000053
式中，P是传递的机械功率，a、b和c是取决于柴油机规格的参数。
为了使拖轮稳定在油耗最低，本发明使用缆绳拉力传感器、速度传感器和主机功率传感器等设备，将得到的数据进行收集和处理，导入预测模型中得到拖轮下一时刻到达下一位置所需的推力，同时根据拖轮发动机的燃油消耗曲线，将拖轮的主机功率稳定在一定范围内使其航速达到最优，最终实现拖轮的能效优化。
进一步地，在步骤4中，为了使拖轮稳定在油耗最低，本发明使用缆绳拉力传感器、速度传感器和主机功率传感器等设备，将得到的数据进行收集和处理，导入预测模型中得到拖轮下一时刻到达下一位置所需的推力，同时根据拖轮发动机的燃油消耗曲线，将拖轮的主机功率稳定在一定范围内使其航速达到最优，最终实现拖轮的能效优化；拖轮能效最优化问题的公式为：
Figure RE-GDA0003403588780000061
Figure RE-GDA0003403588780000062
vmin≤v(k+l|k)≤vmax
τmin≤τ(k+l|k)≤τmax
Figure RE-GDA0003403588780000063
其中，目标函数为到达下一目标位置及推进力位于能效最优区间，α和β分别代表权重， Hp表示预测范围，l表示在预测范围内的第l个时间步长，η(k+l|k)表示在k时刻对拖轮在k+l 时刻的位置和航向所作的预测，ω(k+l)是指在k+l处对拖轮的预期位置与航向，τ(k)表示预测范围内的控制输入，为将推进力τ控制在能耗有效区间范围内，引入松弛变量δ(k+l-1|k)，使在k时刻对预测时域内的控制输入τ的预测在区间
Figure RE-GDA0003403588780000064
和
Figure RE-GDA0003403588780000065
内，vmin，vmax，τmin，τmax是对状态和控制输入的约束。
以上的仅为本发明的较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等效变化，仍属本发明的保护范围。

Claims (10)

1.一种基于模型预测控制的拖轮能效优化方法，其特征在于，包括以下步骤：
步骤1，建立拖轮推进力预测模型；
步骤2，根据拖轮上的各传感器获得的数据，获取周围环境与拖轮自身状态参数；
步骤3，建立拖轮的航速与燃油消耗的回归方程式；
步骤4，通过得到的拖轮航速与油耗的回归方程式，得到拖轮主机功率的能效最优区间，将其作为目标函数的约束条件，从而基于模型预测控制MPC构建拖轮能效最优化问题，通过求解该最优化问题，获取最优航速策略。
2.根据权利要求1所述的基于模型预测控制的拖轮能效优化方法，其特征在于，在步骤2中，周围环境与拖轮自身状态参数包括拖轮的位置、速度、吃水深度和纵倾，港口水域的风速、风向和浪速以及拖轮的主机油耗、主机转速和轴系功率。
3.根据权利要求1所述的基于模型预测控制的拖轮能效优化方法，其特征在于，在步骤2中，各传感器包括风速仪、航速仪、流速仪、船舶自动识别系统、主机转速传感器和进回油流量传感器及定位模块。
4.根据权利要求1所述的基于模型预测控制的拖轮能效优化方法，其特征在于，在步骤3中，建立了由推力器产生的转矩和推力与分布式MPC算法用于燃油效率之间的关系，通过对拖轮的主机功率分析，得到拖轮柴油机燃油效率回归方程式，并求得到拖轮的燃油消耗曲线，提取其有效的功率区间。
5.根据权利要求1所述的基于模型预测控制的拖轮能效优化方法，其特征在于，在步骤1中，根据船舶运动模型，建立拖轮推进力预测模型。
6.根据权利要求5所述的基于模型预测控制的拖轮能效优化方法，其特征在于，在步骤1中，所述船舶运动模型为：
Figure RE-FDA0003403588770000011
其中，R(ψ)为旋转矩阵，M为系统惯性矩阵，包括刚体和附加质量矩阵，C为科里奥利向心矩阵，包括刚体和附加质量的科里奥利向心矩阵，D为阻尼力，x＝[x,y,ψ,u,v,r]T为拖轮状态变量，[x,y,ψ]T为东北向坐标系中坐标x,y和航向角ψ，[u,v,r]T为船体固定参考坐标系中的纵荡和横荡速度u,v和角速度r，τ＝[τu,τv,τr]T为控制输入，是指船体固定参考坐标系中的力τu,τv和力矩τr。
7.根据权利要求6所述的基于模型预测控制的拖轮能效优化方法，其特征在于，在步骤1中，拖轮推进力预测模型为：
x(k+1|k)＝xe(k+1|k)+Ad(k|k)(x(k|k)-xe(k|k))+Bd(k|k)(u(k|k)-ue(k|k))
其中k为时间步长，x(k|k)是拖轮在第k步的近似状态，x(k+1|k)为拖轮第k步预测第k+1步的状态，u(k|k)为拖轮在第k步的控制输入，xe(k+1|k)为拖轮第k步预测第k+1步的均衡状态。Ad和Bd是相应的离散雅可比矩阵。
8.根据权利要求4所述的基于模型预测控制的拖轮能效优化方法，其特征在于，拖轮本身的作用力矢量与螺旋桨在拖轮上产生的推力之间的关系为：
Figure RE-FDA0003403588770000021
Tp1，…，Tpm是船舶推力，n1，…，nm是推进器轴速度，m是推进器的数量，Γ为推力配置矩阵。
9.根据权利要求4所述的基于模型预测控制的拖轮能效优化方法，其特征在于，在步骤3中，对所述拖轮主机功率进行回归分析，其回归方程式如下：
Figure RE-FDA0003403588770000022
式中，P是传递的机械功率，a、b和c是取决于柴油机规格的参数。
10.根据权利要求1所述的基于模型预测控制的拖轮能效优化方法，其特征在于，在步骤4中，拖轮能效最优化问题的公式为：
Figure RE-FDA0003403588770000023
Figure RE-FDA0003403588770000024
vmin≤v(k+l|k)≤vmax
τmin≤τ(k+l|k)≤τmax
Figure RE-FDA0003403588770000025
其中，目标函数为到达下一目标位置及推进力位于能效最优区间，α和β分别代表权重，Hp表示预测范围，l表示在预测范围内的第l个时间步长，η(k+l|k)表示在k时刻对拖轮在k+l时刻的位置和航向所作的预测，ω(k+l)是指在k+l处对拖轮的预期位置与航向，τ(k)表示预测范围内的控制输入，为将推进力τ控制在能耗有效区间范围内，引入松弛变量δ(k+l-1k)，使在k时刻对预测时域内的控制输入τ的预测在区间
Figure RE-FDA0003403588770000026
和
Figure RE-FDA0003403588770000027
内，vmin，vmax，τmin，τmax是对状态和控制输入的约束。
CN202111171244.2A 2021-10-08 2021-10-08 一种基于模型预测控制的拖轮能效优化方法 Pending CN114063450A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111171244.2A CN114063450A (zh) 2021-10-08 2021-10-08 一种基于模型预测控制的拖轮能效优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111171244.2A CN114063450A (zh) 2021-10-08 2021-10-08 一种基于模型预测控制的拖轮能效优化方法

Publications (1)

Publication Number Publication Date
CN114063450A true CN114063450A (zh) 2022-02-18

Family

ID=80234178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111171244.2A Pending CN114063450A (zh) 2021-10-08 2021-10-08 一种基于模型预测控制的拖轮能效优化方法

Country Status (1)

Country Link
CN (1) CN114063450A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471142A (zh) * 2022-11-02 2022-12-13 武汉理工大学 一种基于人机协同的港口拖轮作业智能调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014004911A (ja) * 2012-06-25 2014-01-16 Tokyo Univ Of Marine Science & Technology 非線形の自己回帰モデルによる船舶の航路保持方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014004911A (ja) * 2012-06-25 2014-01-16 Tokyo Univ Of Marine Science & Technology 非線形の自己回帰モデルによる船舶の航路保持方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈琳瑛: "Eco-VTF: Fuel-Ef_cient Vessel Train Formations for All-Electric Autonomous Ships", 《2019 18TH EUROPEAN CONTROL CONFERENCE》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471142A (zh) * 2022-11-02 2022-12-13 武汉理工大学 一种基于人机协同的港口拖轮作业智能调度方法

Similar Documents

Publication Publication Date Title
Klinger et al. Control of an unmanned surface vehicle with uncertain displacement and drag
JP4339016B2 (ja) 推力配分方法及び推力配分装置
CN101342937B (zh) 一种船舶推进系统的航行控制方法
CN111930123B (zh) 多目标综合优化决策方法、装置及电子设备
CN102323820A (zh) 一种智能舵系统及其控制方法
CN114995133B (zh) 基于混杂逻辑动态模型的船舶纵向列队混杂预测控制方法
CN114063450A (zh) 一种基于模型预测控制的拖轮能效优化方法
CN106444359A (zh) 一种喷水推进无人艇自主区域保持的仿人智能控制方法
CN112004741A (zh) 用于控制拖曳船队的方法
CN113009909A (zh) 船岸协同单船自主靠系泊系统及其控制方法
CN113741433A (zh) 一种水面无人船的分布式编队方法
CN112784473A (zh) 智能分析航行信息优化能量的船舶燃料节约系统及其方法
Sauder et al. Hydrodynamic testing of wind-assisted cargo ships using a cyber–physical method
CN113184156A (zh) 控制装置、船舶、计算装置及系统、干扰数据收集系统
EP2563650B1 (en) Steering system for a marine vessel
CN111781923A (zh) 一种水面无人艇区域保持控制系统及方法
CN209433202U (zh) 无人艇转速差动减摇增稳系统
CN112533823A (zh) 评估浅水影响的方法
CN109358495A (zh) 无人艇桨距-转速差动减摇增稳系统及方法
CN115705062A (zh) 航线计算系统、方法和程序、信息处理系统、存储介质
Ghorbani et al. A numerical investigation of a wind-assisted ship to estimate fuel savings
JP4572380B2 (ja) 帆装船用航海計画支援システム
CN116409446A (zh) 一种风力助推船舶的能效实时评估方法
Ferri et al. A systematic method for dynamic modeling and identification of a small-sized autonomous surface vehicle using simulated annealing techniques
JPH029998B2 (zh)

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