CN117742346A - 一种船舶的实时航行状态分析与能源消耗控制方法 - Google Patents
一种船舶的实时航行状态分析与能源消耗控制方法 Download PDFInfo
- Publication number
- CN117742346A CN117742346A CN202311836724.5A CN202311836724A CN117742346A CN 117742346 A CN117742346 A CN 117742346A CN 202311836724 A CN202311836724 A CN 202311836724A CN 117742346 A CN117742346 A CN 117742346A
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- route
- fuel consumption
- speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005265 energy consumption Methods 0.000 title claims abstract description 12
- 238000004458 analytical method Methods 0.000 title claims abstract description 6
- 239000000446 fuel Substances 0.000 claims abstract description 144
- 238000012423 maintenance Methods 0.000 claims abstract description 65
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 230000007613 environmental effect Effects 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000012417 linear regression Methods 0.000 claims abstract description 31
- 239000012530 fluid Substances 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012502 risk assessment Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 239000013535 sea water Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims description 3
- 238000007654 immersion Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000008451 emotion Effects 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 241000845082 Panama Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种船舶的实时航行状态分析与能源消耗控制方法,包括:获取船舶发动机的实时功率数据,并使用该数据输入到燃料消耗模型,预测燃料消耗;获取船舶维修信息,根据维修信息调整燃料消耗模型;根据船体参数和天气数据,运用计算流体力学,获取船体在不同天气的水阻;获取燃料消耗预测和水阻计算结果,使用线性回归算法计算初步最优航速;获取航路信息,包括航线长度和航线难度,调整初步最优航速,得到最优航速;根据航路信息和最优航速,计算到达目的地的消耗时间,选择消耗时间最短的航路;获取船舶预计到达时间,如果船舶预计到达时间晚于预设时间,根据风险因素和环境影响数据,调整最优航速。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种船舶的实时航行状态分析与能源消耗控制方法。
背景技术
船舶运输业长期以来一直面临高昂的燃料费用,这是船舶运营的重要成本之一,现有的管理方法无法有效地优化船舶的燃料消耗,导致资源浪费和不必要的经济压力。传统的船舶运营管理方法倚赖静态数学模型,这些模型主要考虑基本性能参数,却未能灵活适应实际运行中的变化因素,在不同航行条件下使用相同航速可能浪费燃料。另外,节省燃料对船体维修频率的影响也是不可忽视的,能源消耗控制通常表现为尝试减少燃油消耗,这可能导致船舶操作员减小引擎功率或限制船舶的航速。如果降低航速或减小引擎功率不得当,船舶可能会处于过度负荷状态,恶劣的海洋条件下,如大风浪、急流、恶劣天气等,船舶转弯可能需要更大力量,此时发动机能源不足,会对船鳍或船舵更大压力,增加了磨损。计算和调整最优航速是优化船舶航行的关键步骤,然而,最优航速的计算需要考虑多种因素,包括航线长度、航线难度、燃料消耗预测和水阻计算结果等,这些因素的考虑需要复杂的计算和分析,如何有效地计算和调整最优航速是一个需要解决的问题。评估航线难度并根据航线难度调整最优航速是优化船舶航行的另一个关键步骤,航线难度的评估需要考虑多种因素,包括航道宽度、航行条件和航道标志等。这些因素的考虑需要专业的知识和经验,现有能源控制方案准确评估航线难度并根据其调整最优航速。船舶运输涉及到货物运输和乘客安全,并及时到达目的地,不合理的航线选择和航速规划可能导致安全隐患和不必要的延误,对运输业和船舶运营构成风险。
发明内容
本发明提供了一种船舶的实时航行状态分析与能源消耗控制方法,主要包括:
获取船舶发动机的实时功率数据,并使用该数据输入到燃料消耗模型,预测燃料消耗;获取船舶维修信息,根据维修信息调整燃料消耗模型;根据船体参数和天气数据,运用计算流体力学,获取船体在不同天气的水阻;获取燃料消耗预测和水阻计算结果,使用线性回归算法计算初步最优航速;获取航路信息,包括航线长度和航线难度,调整初步最优航速,得到最优航速;根据航路信息和最优航速,计算到达目的地的消耗时间,选择消耗时间最短的航路;根据最短航路的预期到达时间和当前的出发时间,结合与航路相关的风险因素数据和环境影响,预测船舶到达目的地时间;获取船舶预计到达时间,如果船舶预计到达时间晚于预设时间,根据风险因素和环境影响数据,调整最优航速。
进一步可选的,所述获取船舶发动机的实时功率数据,并使用该数据输入到燃料消耗模型,预测燃料消耗,包括:
在船舶发动机上安装功率传感器,实时测量发动机的功率输出,获取输出功率数据;对数据进行预处理,包括数据清洗、数据采样;从功率数据中提取对燃料消耗有影响的特征,包括平均功率和最大功率;获取船舶的实际燃料消耗数据,用作标签;将数据集分为训练集和测试集,对特征进行标准化和归一化;根据线性回归算法建立燃料消耗模型,使用训练集训练燃料消耗模型,其中平均功率和最大功率是特征,燃料消耗是目标变量;使用测试集来评估模型性能,使用均方根误差评估模型的准确性;通过实时读取船舶发动机功率数据,将船舶发动机功率数据输入到已经训练好的燃料消耗模型中,输出预测的燃料消耗值;获取实际消耗的燃料,调整线性回归模型的参数,优化模型,并定期根据船舶性能和条件重新训练模型。
进一步可选的,所述获取船舶维修信息,根据维修信息调整燃料消耗模型,包括:
根据维修记录、维护报告、发动机上安装功率传感器获取船舶的维修信息包括维修持续时间和维修频率以及发动机功率信息;通过线性回归建立一个发动机功率与维修信息之间的关系模型,量化发动机功率对维修频率和维修持续时间的影响;使用建立的模型,进行数据分析以确定发动机功率对维修的影响,包括获取发动机功率增加时,维修频率和维修持续时间的变化;基于已建立的燃油消耗模型,预测在某一发动机功率下的燃油消耗;利用建立的发动机功率与维修信息模型,根据不同发动机功率的情况,预测维修频率和维修持续时间的值,利用燃油消耗模型,预测在某一发动机功率下的燃油消耗,根据这些预测值,计算出预计的总行程燃油消耗。
进一步可选的,所述根据船体参数和天气数据,运用计算流体力学,获取船体在不同天气的水阻,包括:
获取船体的参数数据,包括船体的几何形状、尺寸、重量、浸没深度、船体的质量和重心位置和船体的浸没深度;通过气象站和卫星数据接口,获取天气数据,包括风速、风向、海浪高度、海水温度;根据船体参数数据,通过ANSYSFluent建立船体的三维流体力学模型,包括船体的几何网格和边界条件,包括入口条件的水流速度及压力、出口条件和壁面条件,模拟水流在船体表面的流动;在不同天气条件下,调整流入条件,包括改变风速、风向和海浪高度,使用计算流体力学模拟不同情景下的水流动态;使用Navier-Stokes方程,使用有限元素法计算水阻系数,得到船体在不同天气条件下的水阻大小;
;其中V是流体速度,p是流体压力,ρ是流体密度,μ是流体动力黏度,是单位体积流体受的外力。
进一步可选的,所述获取燃料消耗预测和水阻计算结果,使用线性回归算法计算初步最优航速,包括:
获取船舶参数数据,包括船体的几何形状、尺寸、重量、浸没深度;获取天气数据,包括风速、风向、海浪高度和海水温度;在船舶发动机上安装功率传感器,实时测量发动机的功率输出,获取输出功率数据;根据输出功率,使用燃料消耗模型预测燃料消耗;使用计算流体力学,根据船舶参数计算船体在不同天气条件下的水阻;利用燃料消耗模型和水阻数据,计算不同速度下的燃料消耗;对于每个速度,燃料消耗模型预测燃料消耗,选择某一天气条件最小化燃料消耗的速度作为初步最优航速。
进一步可选的,所述获取航路信息,包括航线长度和航线难度,调整初步最优航速,得到最优航速,包括:
获取初步最优航速和航路信息,航路信息包括航线长度;使用线性回归算法,根据航线长度调整初步最优航速,若航线长度超出预设长度,增加初步最优航速;通过气象卫星,获取航线潮汐和洋流、风浪强度,评估航线难度,并将其分为简单、中等、困难;使用线性回归算法,根据航线难度等级调整初步最优航速,若难度困难,则降低初步最优航速,航线简单,则增加初步最优航速;通过线性回归算法的输出,获得最优航速;还包括:不同类型的船舶在不同条件下有不同的最优航速,获取船舶参数,调整最优航速;根据航道宽度、航行条件和航道标志因素评估航线难度,并将其分为简单、中等、困难。
所述不同类型的船舶在不同条件下有不同的最优航速,获取船舶参数,调整最优航速,具体包括:
获取不同类型船舶的性能参数,包括最大速度、燃料效率、排水量、吃水深度。获取航线信息、气象数据、海洋条件。对获取的船舶性能参数数据进行清理和标准化处理,将数据整合为数据集,包括船舶类型、性能参数。使用决策树建立不同类型船舶的最优航速模型,将船舶类型、航线长度、气象条件和海洋条件作为输入特征,预测最优航速作为输出。使用历史数据对最优航速模型进行训练,并使用交叉验证进行评估。获取船舶类型,航线长度、气象数据和海洋条件,输入到最优航速模型中。若某种船舶类型在某种气象数据、海洋条件下的最优航速不是最优,根据模型的输出,将航速调整为最优航速。
所述根据航道宽度、航行条件和航道标志因素评估航线难度,并将其分为简单、中等、困难,具体包括:
使用海图、卫星图像、气象数据获取有关航道宽度、航行条件包括潮汐、洋流和风浪以及航道标志方面的数据。清理和标准化收集的数据,确保数据的一致性和准确性,将数据整合为数据集,包括航道宽度、航行条件、航道标志。使用决策树建立航线难度评估模型,将航道宽度、航行条件和航道标志作为输入特征,预测航线难度等级包括简单、中等、困难作为输出。使用历史数据对模型进行训练,并使用交叉验证等方法进行评估,确保模型的准确性和可靠性。实时获取航道宽度、航行条件和航道标志数据,将数据输入到模型中,获取航线难度等级。
进一步可选的,所述根据航路信息和最优航速,计算到达目的地的消耗时间,选择消耗时间最短的航路,包括:
通过航路信息获取当前位置、目的地位置以及中途停靠点;使用Dijkstra算法计算从当前位置到目的地的最短航路距离;获取最优航速,计算消耗时间;判断是否存在航行障碍,包括风暴、逆洋流或航线深度低于船只吃水深度;若有障碍,则使用Dijkstra算法计算绕行障碍的最短路径,计算绕行路径的消耗时间;对比消耗时间,取消耗时间小的路径作为最终航路;更新航路信息,按照路线导航至目的地。
进一步可选的,所述根据最短航路的预期到达时间和当前的出发时间,结合与航路相关的风险因素数据和环境影响,预测船舶到达目的地时间,包括:
获取航行信息,包括出发时间、航线长度、船舶速度、天气条件以及海流方向;获取船舶的燃料状态数据和机械状况数据;使用文本挖掘算法,从航路信息中提取风险因素数据,并进行验证和清洗处理;获取与航路相关的环境影响数据,并进行验证和整合;使用线性回归算法建立预测模型,根据天气、海流、燃料状态、机械状况、风险因素和环境影响,预测预测船舶到达目的地的时间,根据实时天气和海流数据,对预测结果进行修正;建立监控机制,定期更新数据并监测预测模型的准确性和有效性;根据实际航行和新的数据输入,优化预测模型,提高预测精度;还包括:根据船舶航线沿途的新闻文本和气象文本,得到航线沿途的风险因素。
所述根据船舶航线沿途的新闻文本和气象文本,得到航线沿途的风险因素,具体包括:
根据公开的新闻网站、气象机构或船舶交通管理系统获取与船舶航线相关的新闻文本和气象文本。对收集到的数据进行清洗、去重、标准化,使用TF-IDF从新闻文本和气象文本中提取关键词和短语,形成特征向量。使用支持向量机,对文本数据进行分类,根据主题、事件,将文本分为不同的类别。对文本数据进行情感极性判断,识别出正面、负面或中性的情绪,获取航线沿途的社会和政治环境。根据文本挖掘结果,获取出与船舶航线相关的风险因素,包括恶劣天气、海盗活动、政治冲突。根据风险因素的属性、影响范围和概率,对每个风险因素进行评估,为船舶航行提供决策依据。根据风险评估结果,为船舶航行提供建议,包括调整航线、加强安全防范措施,并对航线沿途的风险因素进行实时监控,及时发现风险。
进一步可选的,所述获取船舶预计到达时间,如果船舶预计到达时间晚于预设时间,根据风险因素和环境影响数据,调整最优航速,包括:
获取船舶到达时间和最优航速;根据船舶交通管理系统、气象机构获取风险因素和环境影响数据;对收集到的数据进行清洗、去重和标准化;根据获取的风险因素和环境影响数据,对船舶的航行风险进行评估,风险包括恶劣天气、海盗活动、政治冲突,风险分为高风险、中风险和低风险;根据风险评估结果,对船舶的最优航速进行调整;若预计风险为高风险,降低最优航速;若预计风险为低风险,增加最优航速;当船舶预计到达时间晚于预设时间,触发最优航速调整机制,根据风险评估结果和环境因素,动态调整船舶的最优航速;若遇到顺风条件时,增加最优航速,缩短到达时间;对船舶的航行状态和环境因素进行实时监控,调整最优航速。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明公开了一种利用多种技术手段预测船舶燃料消耗和到达时间的方法。通过实时获取船舶发动机的实时功率数据,并结合燃料消耗模型进行预测,有效优化船舶燃料的使用,降低运营成本,提高燃料利用率。根据船舶的维修信息来调整燃料消耗模型,更准确地预测燃料消耗。
通过利用船体参数、天气数据以及流体力学计算水阻,优化船体在不同天气条件下的航行表现,提高船舶的航行效率和稳定性,减少航行耗能。基于燃料消耗预测和水阻计算结果,结合线性回归算法计算最优航速,保证船舶安全的前提下,实现燃料消耗与航行效率的最佳平衡,提高船舶的航行效率和经济性。根据航路信息调整最优航速选择最短航路,有效缩短航行时间,提高船舶的运输效率。通过结合航路信息、风险因素数据和环境影响,根据预计到达时间和风险因素数据,调整最优航速,预测船舶到达目的地的时间,提前做好物流安排和调度,降低延误风险,提高运输准确性和可靠性。
附图说明
图1为本发明的一种船舶的实时航行状态分析与能源消耗控制方法的流程图。
图2为本发明的一种船舶的实时航行状态分析与能源消耗控制方法的示意图。
图3为本发明的一种船舶的实时航行状态分析与能源消耗控制方法的又一示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
本实施例一种船舶的实时航行状态分析与能源消耗控制方法具体可以包括:
步骤S101,获取船舶发动机的实时功率数据,并使用该数据输入到燃料消耗模型,预测燃料消耗。
在船舶发动机上安装功率传感器,实时测量发动机的功率输出,获取输出功率数据。对数据进行预处理,包括数据清洗、数据采样。从功率数据中提取对燃料消耗有影响的特征,包括平均功率和最大功率。获取船舶的实际燃料消耗数据,用作标签。将数据集分为训练集和测试集,对特征进行标准化和归一化。根据线性回归算法建立燃料消耗模型,使用训练集训练燃料消耗模型,其中平均功率和最大功率是特征,燃料消耗是目标变量。使用测试集来评估模型性能,使用均方根误差评估模型的准确性。通过实时读取船舶发动机功率数据,将船舶发动机功率数据输入到已经训练好的燃料消耗模型中,输出预测的燃料消耗值。获取实际消耗的燃料,调整线性回归模型的参数,优化模型,并定期根据船舶性能和条件重新训练模型。例如,有一艘船舶,其发动机的功率数据和燃料消耗数据如下,7:00到8:00,平均功率1500kW,最大功率2000kW,实际燃料消耗3000kg/h、8:00到9:00,平均功率1800kW,最大功率2200kW,实际燃料消耗3600kg/h、9:00到10:00,平均功率1600kW,最大功率2100kW,实际燃料消耗3400kg/h。对数据进行预处理,选择每小时的数据作为样本,并计算每小时的平均功率和最大功率。将数据分为训练集和测试集,70%的数据作为训练集,30%的数据作为测试集。接下来,使用训练集训练燃料消耗模型。特征是平均功率和最大功率,目标变量是燃料消耗。得到模型,燃料消耗(kg/h)=1.5*平均功率(kW)+0.7*最大功率(kW)-1000。使用测试集来评估模型性能,使用均方根误差来评估模型的准确性。均方根误差越低,模型的准确性越高,得到模型的RMSE为50kg/h。通过实时读取船舶发动机功率数据,将数据输入到已经训练好的燃料消耗模型中,输出预测的燃料消耗值。在接下来的一个小时内,船舶的平均功率为1700kW,最大功率为2300kW。根据模型,预测燃料消耗为:燃料消耗(kg/h)=1.5*1700+0.7*2300-1000=3160kg/h。最后,获取实际消耗的燃料,并将其与预测值进行比较。若预测值与实际值相差较大,调整燃料消耗模型的参数,优化模型,定期根据船舶的性能和条件重新训练模型。
步骤S102,获取船舶维修信息,根据维修信息调整燃料消耗模型。
根据维修记录、维护报告、发动机上安装功率传感器获取船舶的维修信息包括维修持续时间和维修频率以及发动机功率信息。通过线性回归建立一个发动机功率与维修信息之间的关系模型,量化发动机功率对维修频率和维修持续时间的影响。使用建立的模型,进行数据分析以确定发动机功率对维修的影响,包括获取发动机功率增加时,维修频率和维修持续时间的变化。基于已建立的燃油消耗模型,预测在某一发动机功率下的燃油消耗。利用建立的发动机功率与维修信息模型,根据不同发动机功率的情况,预测维修频率和维修持续时间的值,利用燃油消耗模型,预测在某一发动机功率下的燃油消耗,根据这些预测值,计算出预计的总行程燃油消耗。例如,从一艘船上获得了以下数据,发动机功率,400kW、450kW、500kW、550kW、600kW,对应的维修持续时间(小时),10、12、14、16、18,对应的维修频率(次数/年),2、2、3、4、4。将这些数据用于建立一个线性关系模型,随着发动机功率的增加,维修持续时间和维修频率也在增加。建立以下线性关系模型,维修持续时间
=0.02*发动机功率+5;维修频率=0.001*发动机功率+2。根据上述模型,分析发动机功率对维修的影响,如果船舶的发动机功率从400kW增加到500kW,那么,预测的维修持续时间为0.02*500+5=15小时;预测的维修频率为0.001*500+2=2.5次/年。基于已建立的燃油消耗模型,预测在500kW的发动机功率下的燃油消耗。基于维修频率的预测,计算在总行程内需要进行的维修次数,将每次维修的燃油消耗相加,得出预计的总行程燃油消耗。
步骤S103,根据船体参数和天气数据,运用计算流体力学,获取船体在不同天气的水阻。
获取船体的参数数据,包括船体的几何形状、尺寸、重量、浸没深度、船体的质量和重心位置和船体的浸没深度。通过气象站和卫星数据接口,获取天气数据,包括风速、风向、海浪高度、海水温度。根据船体参数数据,通过ANSYSFluent建立船体的三维流体力学模型,包括船体的几何网格和边界条件,包括入口条件的水流速度及压力、出口条件和壁面条件,模拟水流在船体表面的流动。在不同天气条件下,调整流入条件,包括改变风速、风向和海浪高度,使用计算流体力学模拟不同情景下的水流动态。使用Navier-Stokes方程,使用有限元素法计算水阻系数,得到船体在不同天气条件下的水阻大小。
。其中V是流体速度,p是流体压力,ρ是流体密度,μ是流体动力黏度,是单位体积流体受的外力。例如,有一艘长为100米、宽为20米、高为10米的货船,船体的总质量为5000吨,重心位于船体的垂直中心线上,距离船首10米处。通过气象站和卫星数据接口获取了当前海上的天气数据,当前的风速为15节,约28千米/小时,风向为北,海浪高度为2米,海水温度为20℃。使用流体力学软件ANSYSFluent,创建三维船体模型,包括船体的外形几何。设置适当的边界条件,包括船体表面的壁面条件,模拟水流在船体表面的流动。在入口处设置水流速度和压力条件,模拟实际海洋条件。入口处的水流速度为15节,28千米/小时,压力为大气压力。在模拟中,更改风速、风向和海浪高度,模拟不同天气条件下的水流动态,模拟在相同风速和风向下,海浪高度从0米到3米的不同情景。在每个不同的天气情景下运行计算流体力学模拟,使用Navier-Stokes方程求解水流动态,计算水阻系数为0.5。当风速为15节,风向为北,海浪为2米时,水阻系数0.5,计算得到的水阻5000N,比较不同情景下的水阻,获取天气条件对船体性能的影响。
步骤S104,获取燃料消耗预测和水阻计算结果,使用线性回归算法计算初步最优航速。
获取船舶参数数据,包括船体的几何形状、尺寸、重量、浸没深度。获取天气数据,包括风速、风向、海浪高度和海水温度。在船舶发动机上安装功率传感器,实时测量发动机的功率输出,获取输出功率数据。根据输出功率,使用燃料消耗模型预测燃料消耗;使用计算流体力学,根据船舶参数计算船体在不同天气条件下的水阻。利用燃料消耗模型和水阻数据,计算不同速度下的燃料消耗。对于每个速度,燃料消耗模型预测燃料消耗,选择某一天气条件最小化燃料消耗的速度作为初步最优航速。例如,假设要获取一艘货船的船舶参数数据。测量船体的几何形状,包括船长为100米,船宽为20米,船高为10米,船的浸没深度为5米,船的重量为5000吨。获取天气数据,假设当前风速为20节,风向为东北方向,海浪高度为3米,海水温度为25摄氏度。在船舶发动机上安装功率传感器,并实时测量发动机的功率输出,当前发动机输出功率为5000千瓦。根据输出功率,使用燃料消耗模型来预测燃料消耗,根据该模型,每小时的燃料消耗量为2000升。使用流体力学计算,根据船舶参数计算船体在不同天气条件下的水阻,在当前天气条件下,水阻为5000N。利用燃料消耗模型和水阻数据,计算不同速度下的燃料消耗。在当前条件下,船舶以10节的速度航行,燃料消耗为500升/小时。对于每个速度,使用燃料消耗模型来预测燃料消耗。在当前天气条件下,以不同速度航行时,燃料消耗如下,10节,500升/小时、12节,600升/小时、15节,750升/小时、18节,900升/小时。在当前天气条件且满足运输时限的条件下,以12节的速度航行时,燃料消耗最小,为600升/小时,初步最优航速为12节。
步骤S105,获取航路信息,包括航线长度和航线难度,调整初步最优航速,得到最优航速。
获取初步最优航速和航路信息,航路信息包括航线长度。使用线性回归算法,根据航线长度调整初步最优航速,若航线长度超出预设长度,增加初步最优航速。通过气象卫星,获取航线潮汐和洋流、风浪强度,评估航线难度,并将其分为简单、中等、困难。使用线性回归算法,根据航线难度等级调整初步最优航速,若难度困难,则降低初步最优航速,航线简单,则增加初步最优航速。通过线性回归算法的输出,获得最优航速。例如,需要计算航线的初步最优航速,并根据航线长度和航线难度对其进行调整。已经获取到航线的长度为1000公里,航线的难度等级为中等。使用线性回归算法来基于航线长度和航线难度对初步最优航速进行调整。为航线难度分配权重,航线难度困难为3,中等为2,简单为1,得到的线性回归方程为,初步最优航速=10+0.02*航线长度-5*航线难度。根据航线长度1000公里和航线难度中等,可以计算出初步最优航速为,初步最优航速=10+0.02*1000-5*2=10+20-10=20节。接下来,根据航线长度来调整初步最优航速。预设航线长度上限为800公里,如果航线长度超过800公里,将增加初步最优航速,增加的速度为5节,得到最优航速
=20+5=25节。
不同类型的船舶在不同条件下有不同的最优航速,获取船舶参数,调整最优航速。
获取不同类型船舶的性能参数,包括最大速度、燃料效率、排水量、吃水深度。获取航线信息、气象数据、海洋条件。对获取的船舶性能参数数据进行清理和标准化处理,将数据整合为数据集,包括船舶类型、性能参数。使用决策树建立不同类型船舶的最优航速模型,将船舶类型、航线长度、气象条件和海洋条件作为输入特征,预测最优航速作为输出。使用历史数据对最优航速模型进行训练,并使用交叉验证进行评估。获取船舶类型,航线长度、气象数据和海洋条件,输入到最优航速模型中。若某种船舶类型在某种气象数据、海洋条件下的最优航速不是最优,根据模型的输出,将航速调整为最优航速。例如,有一艘货船从中国上海出发,目的地是美国洛杉矶,在出发前,这艘货船的性能参数、航线信息、气象数据和海洋条件都已经被收集和预测。这艘货船的最大速度为25节,燃料效率为每小时消耗0.5吨燃料,排水量为1000吨,吃水深度为5米。航线为太平洋航线,长度约为10000海里,在航行过程中,会经过一些狭窄的水道,包括巴拿马运河。根据预测,航行期间可能会遇到强风和巨浪,风速在每小时60公里左右,风向变化较大,巨浪的高度可能达到3米。根据海洋气象服务的数据,航行区域的海洋流速较为稳定,没有明显的潮流或涡流。根据这些数据,使用最优航速模型来计算这艘货船的最优航速,模型将船舶类型货船、航线长度10000海里、气象条件强风、巨浪和海洋条件流速稳定作为输入特征,将最大速度作为输出。模型预测的最优航速为20节,在这个气象条件和海洋条件下,20节的速度航行可以节省燃料并确保安全通过狭窄水道。若这艘货船在航行过程中遇到与预测不同的气象条件或海洋条件,调整最优航速,如果实际风速比预测要小,最优航速可能会提高;如果遇到潮流或涡流,最优航速会降低,避免风险。
根据航道宽度、航行条件和航道标志因素评估航线难度,并将其分为简单、中等、困难。
使用海图、卫星图像、气象数据获取有关航道宽度、航行条件包括潮汐、洋流和风浪以及航道标志方面的数据。清理和标准化收集的数据,确保数据的一致性和准确性,将数据整合为数据集,包括航道宽度、航行条件、航道标志。使用决策树建立航线难度评估模型,将航道宽度、航行条件和航道标志作为输入特征,预测航线难度等级包括简单、中等、困难作为输出。使用历史数据对模型进行训练,并使用交叉验证等方法进行评估,确保模型的准确性和可靠性。实时获取航道宽度、航行条件和航道标志数据,将数据输入到模型中,获取航线难度等级。例如,正在研究一条新航道。使用海图和卫星图像来获取航道的详细宽度和航行条件,海图提供航道的精确宽度和周围地形的信息,而卫星图像提供航道周围的天气情况,包括风浪、潮汐和洋流等,使用气象数据获取更详细和实时的天气信息。清理和标准化获取的数据,确保数据的一致性和准确性,将数据整合为数据集,包括航道宽度、航行条件、航道标志。在获取完数据后,进行数据清理和标准化,包括去除异常值、填充缺失值、将数据转换为统一格式,将海图的航道宽度数据转换为统一的度量单位,并将卫星图像的天气数据标准化。使用决策树建立航线难度评估模型,将航道宽度、航行条件和航道标志作为输入特征,预测航线难度等级包括简单、中等、困难作为输出:如果航道宽度较宽且风浪较小,那么航线难度会被评估为简单。使用历史数据来训练我们的航线难度评估模型,使用交叉验证来评估模型的性能,通过将数据集分成多个部分,并使用一部分数据进行模型训练,另一部分数据进行模型测试,得到更准确的评估结果。在实际应用中,获取航道宽度、航行条件和航道标志数据,将数据输入到航线难度评估模型中,获取实时的航线难度等级,如果实时数据显示航道宽度较窄且风浪较大,模型会输出困难的航线难度等级。
步骤S106,根据航路信息和最优航速,计算到达目的地的消耗时间,选择消耗时间最短的航路。
通过航路信息获取当前位置、目的地位置以及中途停靠点。使用Dijkstra算法计算从当前位置到目的地的最短航路距离。获取最优航速,计算消耗时间。判断是否存在航行障碍,包括风暴、逆洋流或航线深度低于船只吃水深度。若有障碍,则使用Dijkstra算法计算绕行障碍的最短路径,计算绕行路径的消耗时间。对比消耗时间,取消耗时间小的路径作为最终航路。更新航路信息,按照路线导航至目的地。例如,有一艘船舶从位置A出发,目的地是位置B。使用Dijkstra算法计算从A到B的最短路径,得到距离为10。航速为10节,计算消耗时间=10/10=1,那么消耗时间为1小时。判断是否存在航行障碍。从A到B的航路上存在风暴,会使航速降低50%,再次计算消耗时间,为10/(10*50%)=2小时。使用Dijkstra算法计算从A到C再到B的最短路径,得到距离为15。航速仍为10节,计算绕行路径的消耗时间=15/10=1.5,那么绕行路径的消耗时间为1.5小时。比较消耗时间,不绕行2小时大于绕行1.5小时,选择绕行。更新航路信息为从A经过C到B,按照路线导航至目的地。
步骤S107,根据最短航路的预期到达时间和当前的出发时间,结合与航路相关的风险因素数据和环境影响,预测船舶到达目的地时间。
具体的,获取航行信息,例如:出发时间是2022年1月1日10:00,航线长度为500海里,船舶速度为20节,天气条件为晴朗,海流方向为东北。获取船舶的燃料状态数据,例如:燃料状态为剩余5000吨燃料。获取船舶的机械状况数据,例如:机械状况良好,无异常报警。使用文本挖掘算法,从航路信息中提取风险因素数据,例如:从航路信息中提取出海上风力为6级,海浪为3米的风险因素。进行验证和清洗处理,例如:验证风力是否符合国际航行标准,对超出范围的数据进行清洗或修正。获取与航路相关的环境影响数据,例如:根据航线位置,获取附近海域的水质、气候等环境影响数据。进行验证和整合,例如:验证水质是否符合航行要求,将环境影响数据整合到航行信息中。使用线性回归算法建立预测模型,例如:根据天气、海流、燃料状态、机械状况、风险因素和环境影响等因素,建立预测船舶到达目的地的时间模型。根据实时天气和海流数据,对预测结果进行修正,例如:通过与实时数据对比,根据当前天气和海流情况,修正预测的到达时间。建立监控机制,定期更新数据并监测预测模型的准确性和有效性,例如:每天定时更新天气和海流数据,并监测预测模型的预测准确度和效果。根据实际航行和新的数据输入,优化预测模型,提高预测精度,例如:根据实际航行的数据和新的输入数据,进行模型优化,提高预测的精度和准确性。获取航行信息,例如:出发时间是2022年1月1日10:00,航线长度为500海里,船舶速度为20节,天气条件为晴朗,海流方向为东北。获取船舶的燃料状态数据,例如:燃料状态为剩余5000吨燃料。获取船舶的机械状况数据,例如:机械状况良好,无异常报警。使用文本挖掘算法,从航路信息中提取风险因素数据,例如:从航路信息中提取出海上风力为6级,海浪为3米的风险因素。进行验证和清洗处理,例如:验证风力是否符合国际航行标准,对超出范围的数据进行清洗或修正。获取与航路相关的环境影响数据,例如:根据航线位置,获取附近海域的水质、气候等环境影响数据。进行验证和整合,例如:验证水质是否符合航行要求,将环境影响数据整合到航行信息中。使用线性回归算法建立预测模型,例如:根据天气、海流、燃料状态、机械状况、风险因素和环境影响等因素,建立预测船舶到达目的地的时间模型。根据实时天气和海流数据,对预测结果进行修正,例如:通过与实时数据对比,根据当前天气和海流情况,修正预测的到达时间。建立监控机制,定期更新数据并监测预测模型的准确性和有效性,例如:每天定时更新天气和海流数据,并监测预测模型的预测准确度和效果。根据实际航行和新的数据输入,优化预测模型,提高预测精度,例如:根据实际航行的数据和新的输入数据,进行模型优化,提高预测的精度和准确性。
根据船舶航线沿途的新闻文本和气象文本,得到航线沿途的风险因素。
根据公开的新闻网站、气象机构或船舶交通管理系统获取与船舶航线相关的新闻文本和气象文本。对收集到的数据进行清洗、去重、标准化,使用TF-IDF从新闻文本和气象文本中提取关键词和短语,形成特征向量。使用支持向量机,对文本数据进行分类,根据主题、事件,将文本分为不同的类别。对文本数据进行情感极性判断,识别出正面、负面或中性的情绪,获取航线沿途的社会和政治环境。根据文本挖掘结果,获取出与船舶航线相关的风险因素,包括恶劣天气、海盗活动、政治冲突。根据风险因素的属性、影响范围和概率,对每个风险因素进行评估,为船舶航行提供决策依据。根据风险评估结果,为船舶航行提供建议,包括调整航线、加强安全防范措施,并对航线沿途的风险因素进行实时监控,及时发现风险。例如,对一个从中国上海到美国洛杉矶的航线进行分析,这条航线可能会因为各种原因而面临风险,包括恶劣天气、海盗活动、政治冲突。通过从新闻网站、气象机构和船舶交通管理系统获取数据,了解到这条航线沿途的天气情况、海盗活动状况、政治环境等信息,这些数据经过清洗、去重和标准化处理后,使用TF-IDF方法从文本中提取出关键词和短语,形成了特征向量。使用支持向量机对这些文本数据进行分类,根据主题和事件类型,将文本分为几类,包括天气情况、海盗活动、政治环境等。通过对文本数据进行情感极性判断,识别出正面、负面或中性的情绪表达,得到航线沿途的社会和政治环境,包括是否存在对航线的安全隐患或者对船舶的不满情绪。通过文本挖掘和分类,发现这条航线可能会遇到恶劣天气强风暴雨,还可能会遇到海盗活动,对船舶的安全造成威胁,此外,政治冲突也可能对航线产生影响。针对这些风险因素,进行风险评估,根据风险因素的属性、影响范围和概率,为每个风险因素打分,为船舶航行提供决策依据,如果预计遇到恶劣天气的概率较高且影响范围较大,建议船舶提前做好应对措施。根据风险评估结果,为船舶航行提供了建议,如果预计航线沿途的天气状况不佳,建议船舶加强与气象部门的联系,及时获取最新天气信息并调整航线;如果航线可能遇到海盗活动,建议船舶加强安保措施并提前与当地政府或保安公司联系;如果航线沿途的政治环境不稳定,建议船舶与当地大使馆或领事馆保持联系并密切关注当地政治动态。对航线沿途的风险因素进行实时监控,通过实时数据采集和监控系统,及时发现并应对潜在的风险,如果突然出现恶劣天气预警,及时通知船舶采取应对措施,确保航行安全。
步骤S108,获取船舶预计到达时间,如果船舶预计到达时间晚于预设时间,根据风险因素和环境影响数据,调整最优航速。
获取船舶到达时间和最优航速。根据船舶交通管理系统、气象机构获取风险因素和环境影响数据。对收集到的数据进行清洗、去重和标准化。根据获取的风险因素和环境影响数据,对船舶的航行风险进行评估,风险包括恶劣天气、海盗活动、政治冲突,风险分为高风险、中风险和低风险。根据风险评估结果,对船舶的最优航速进行调整。若预计风险为高风险,降低最优航速;若预计风险为低风险,增加最优航速。当船舶预计到达时间晚于预设时间,触发最优航速调整机制,根据风险评估结果和环境因素,动态调整船舶的最优航速。若遇到顺风条件时,增加最优航速,缩短到达时间。对船舶的航行状态和环境因素进行实时监控,调整最优航速。例如,以一艘从中国上海到美国洛杉矶的货船为例。这艘货船在某一天从上海出发,预计在10天后到达洛杉矶,在出发后的前三天,船舶交通管理系统和气象机构的数据显示,航线沿途的天气状况良好,没有恶劣天气、海盗活动或政治冲突的风险。根据这些数据,船舶的最优航速被设定为每小时20节。在航行的第四天,气象预报显示航线将遭遇一次强风暴雨,预计持续4天,根据风险评估,这次强风暴雨被视为高风险因素,为了降低风险,船舶的最优航速被降低到每小时15节。在风暴过后,预计航行将恢复到正常的最优航速每小时20节。在风暴过后,船舶交通管理系统报告该地区可能存在海盗活动。虽然这个风险因素不如恶劣天气直接,但为了安全起见,船舶的最优航速再次被降低到每小时18节。在此期间,如果船舶预计到达时间晚于预设时间,根据当时的风险评估和环境因素动态调整最优航速。如果遇到顺风条件,最优航速可能会被短暂提高到每小时22节,缩短航行时间。如果发现实际航行状况与预测存在较大偏差,实际航速高于或低于预期,根据实际情况调整最优航速以确保航行安全。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种船舶的实时航行状态分析与能源消耗控制方法,其特征在于,所述方法包括:
获取船舶发动机的实时功率数据,并使用该数据输入到燃料消耗模型,预测燃料消耗;获取船舶维修信息,根据维修信息调整燃料消耗模型;根据船体参数和天气数据,运用计算流体力学,获取船体在不同天气的水阻;获取燃料消耗预测和水阻计算结果,使用线性回归算法计算初步最优航速;获取航路信息,包括航线长度和航线难度,调整初步最优航速,得到最优航速;根据航路信息和最优航速,计算到达目的地的消耗时间,选择消耗时间最短的航路;根据最短航路的预期到达时间和当前的出发时间,结合与航路相关的风险因素数据和环境影响,预测船舶到达目的地时间;获取船舶预计到达时间,如果船舶预计到达时间晚于预设时间,根据风险因素和环境影响数据,调整最优航速。
2.根据权利要求1所述的方法,其中,所述获取船舶发动机的实时功率数据,并使用该数据输入到燃料消耗模型,预测燃料消耗,包括:
在船舶发动机上安装功率传感器,实时测量发动机的功率输出,获取输出功率数据;对数据进行预处理,包括数据清洗和数据采样;从功率数据中提取对燃料消耗有影响的特征,包括平均功率和最大功率;获取船舶的实际燃料消耗数据,用作标签;将数据集分为训练集和测试集,对特征进行标准化和归一化;根据线性回归算法建立燃料消耗模型,使用训练集训练燃料消耗模型,其中平均功率和最大功率是特征,燃料消耗是目标变量;使用测试集来评估模型性能,使用均方根误差评估模型的准确性;通过实时读取船舶发动机功率数据,将船舶发动机功率数据输入到已经训练好的燃料消耗模型中,输出预测的燃料消耗值;获取实际消耗的燃料,调整线性回归模型的参数,优化模型,并定期根据船舶性能和条件重新训练模型。
3.根据权利要求1所述的方法,其中,所述获取船舶维修信息,根据维修信息调整燃料消耗模型,包括:
根据维修记录、维护报告、发动机上安装功率传感器获取船舶的维修信息包括维修持续时间和维修频率以及发动机功率信息;通过线性回归建立一个发动机功率与维修信息之间的关系模型,量化发动机功率对维修频率和维修持续时间的影响;使用建立的模型,进行数据分析以确定发动机功率对维修的影响,包括获取发动机功率增加时,维修频率和维修持续时间的变化;基于已建立的燃油消耗模型,预测在某一发动机功率下的燃油消耗;利用建立的发动机功率与维修信息模型,根据不同发动机功率的情况,预测维修频率和维修持续时间的值,利用燃油消耗模型,预测在某一发动机功率下的燃油消耗,根据这些预测值,计算出预计的总行程燃油消耗。
4.根据权利要求1所述的方法,其中,所述根据船体参数和天气数据,运用计算流体力学,获取船体在不同天气的水阻,包括:
获取船体的参数数据,包括船体的几何形状、尺寸、重量、浸没深度、船体的质量和重心位置和船体的浸没深度;通过气象站和卫星数据接口,获取天气数据,包括风速、风向、海浪高度和海水温度;根据船体参数数据,通过ANSYSFluent建立船体的三维流体力学模型,包括船体的几何网格和边界条件,包括入口条件的水流速度及压力、出口条件和壁面条件,模拟水流在船体表面的流动;在不同天气条件下,调整流入条件,包括改变风速、风向和海浪高度,使用计算流体力学模拟不同情景下的水流动态;使用Navier-Stokes方程,使用有限元素法计算水阻系数,得到船体在不同天气条件下的水阻大小;
;
其中V是流体速度,p是流体压力,ρ是流体密度,μ是流体动力黏度,是单位体积流体受的外力。
5.根据权利要求1所述的方法,其中,所述获取燃料消耗预测和水阻计算结果,使用线性回归算法计算初步最优航速,包括:
获取船舶参数数据,包括船体的几何形状、尺寸、重量和浸没深度;获取天气数据,包括风速、风向、海浪高度和海水温度;在船舶发动机上安装功率传感器,实时测量发动机的功率输出,获取输出功率数据;根据输出功率,使用燃料消耗模型预测燃料消耗;使用计算流体力学,根据船舶参数计算船体在不同天气条件下的水阻;利用燃料消耗模型和水阻数据,计算不同速度下的燃料消耗;对于每个速度,燃料消耗模型预测燃料消耗,选择某一天气条件最小化燃料消耗的速度作为初步最优航速。
6.根据权利要求1所述的方法,其中,所述获取航路信息,包括航线长度和航线难度,调整初步最优航速,得到最优航速,包括:
获取初步最优航速和航路信息,航路信息包括航线长度;使用线性回归算法,根据航线长度调整初步最优航速,若航线长度超出预设长度,增加初步最优航速;通过气象卫星,获取航线潮汐和洋流和风浪强度,评估航线难度,并将其分为简单、中等和困难;使用线性回归算法,根据航线难度等级调整初步最优航速,若难度困难,则降低初步最优航速,航线简单,则增加初步最优航速;通过线性回归算法的输出,获得最优航速;还包括:不同类型的船舶在不同条件下有不同的最优航速,获取船舶参数,调整最优航速;根据航道宽度、航行条件和航道标志因素评估航线难度,并将其分为简单、中等、困难。
7.根据权利要求1所述的方法,其中,所述根据航路信息和最优航速,计算到达目的地的消耗时间,选择消耗时间最短的航路,包括:
通过航路信息获取当前位置和目的地位置以及中途停靠点;使用Dijkstra算法计算从当前位置到目的地的最短航路距离;获取最优航速,计算消耗时间;判断是否存在航行障碍,包括风暴和逆洋流或航线深度低于船只吃水深度;若有障碍,则使用Dijkstra算法计算绕行障碍的最短路径,计算绕行路径的消耗时间;对比消耗时间,取消耗时间小的路径作为最终航路;更新航路信息,按照路线导航至目的地。
8.根据权利要求1所述的方法,其中,所述根据最短航路的预期到达时间和当前的出发时间,结合与航路相关的风险因素数据和环境影响,预测船舶到达目的地时间,包括:
获取航行信息,包括出发时间、航线长度、船舶速度和天气条件以及海流方向;获取船舶的燃料状态数据和机械状况数据;使用文本挖掘算法,从航路信息中提取风险因素数据,并进行验证和清洗处理;获取与航路相关的环境影响数据,并进行验证和整合;使用线性回归算法建立预测模型,根据天气、海流、燃料状态、机械状况、风险因素和环境影响,预测预测船舶到达目的地的时间,根据实时天气和海流数据,对预测结果进行修正;建立监控机制,定期更新数据并监测预测模型的准确性和有效性;根据实际航行和新的数据输入,优化预测模型,提高预测精度;还包括:根据船舶航线沿途的新闻文本和气象文本,得到航线沿途的风险因素。
9.根据权利要求1所述的方法,其中,所述获取船舶预计到达时间,如果船舶预计到达时间晚于预设时间,根据风险因素和环境影响数据,调整最优航速,包括:
获取船舶到达时间和最优航速;根据船舶交通管理系统、气象机构获取风险因素和环境影响数据;对收集到的数据进行清洗、去重和标准化;根据获取的风险因素和环境影响数据,对船舶的航行风险进行评估,风险包括恶劣天气、海盗活动和政治冲突,风险分为高风险、中风险和低风险;根据风险评估结果,对船舶的最优航速进行调整;若预计风险为高风险,降低最优航速;若预计风险为低风险,增加最优航速;当船舶预计到达时间晚于预设时间,触发最优航速调整机制,根据风险评估结果和环境因素,动态调整船舶的最优航速;若遇到顺风条件时,增加最优航速,缩短到达时间;对船舶的航行状态和环境因素进行实时监控,调整最优航速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311836724.5A CN117742346A (zh) | 2023-12-28 | 2023-12-28 | 一种船舶的实时航行状态分析与能源消耗控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311836724.5A CN117742346A (zh) | 2023-12-28 | 2023-12-28 | 一种船舶的实时航行状态分析与能源消耗控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117742346A true CN117742346A (zh) | 2024-03-22 |
Family
ID=90257629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311836724.5A Pending CN117742346A (zh) | 2023-12-28 | 2023-12-28 | 一种船舶的实时航行状态分析与能源消耗控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117742346A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117948985A (zh) * | 2024-03-26 | 2024-04-30 | 广东海洋大学 | 航线规划装置以及规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008128894A1 (de) * | 2007-04-20 | 2008-10-30 | Siemens Aktiengesellschaft | Verfahren zur bewertung von geplanten wartungszeitpunkten einer strömungsmaschine sowie leitsystem für eine strömungsmaschine |
CN106197590A (zh) * | 2016-06-30 | 2016-12-07 | 苏州德锐朗智能科技有限公司 | 一种由发动机驱动的发电机燃油量无线监控系统和方法 |
CN107202615A (zh) * | 2016-09-12 | 2017-09-26 | 上海中车汉格船舶与海洋工程有限公司 | 燃油消耗率计算方法 |
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 |
CN111199103A (zh) * | 2019-12-30 | 2020-05-26 | 中国船舶重工集团公司第七一一研究所 | 全电力推进船舶的全流程自动计算的航速优化方法及系统 |
CN116753114A (zh) * | 2023-07-28 | 2023-09-15 | 扬州宇安电子科技有限公司 | 一种基于大数据的风电场数据管控方法及系统 |
-
2023
- 2023-12-28 CN CN202311836724.5A patent/CN117742346A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008128894A1 (de) * | 2007-04-20 | 2008-10-30 | Siemens Aktiengesellschaft | Verfahren zur bewertung von geplanten wartungszeitpunkten einer strömungsmaschine sowie leitsystem für eine strömungsmaschine |
CN106197590A (zh) * | 2016-06-30 | 2016-12-07 | 苏州德锐朗智能科技有限公司 | 一种由发动机驱动的发电机燃油量无线监控系统和方法 |
CN107202615A (zh) * | 2016-09-12 | 2017-09-26 | 上海中车汉格船舶与海洋工程有限公司 | 燃油消耗率计算方法 |
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 |
CN111199103A (zh) * | 2019-12-30 | 2020-05-26 | 中国船舶重工集团公司第七一一研究所 | 全电力推进船舶的全流程自动计算的航速优化方法及系统 |
CN116753114A (zh) * | 2023-07-28 | 2023-09-15 | 扬州宇安电子科技有限公司 | 一种基于大数据的风电场数据管控方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117948985A (zh) * | 2024-03-26 | 2024-04-30 | 广东海洋大学 | 航线规划装置以及规划方法 |
CN117948985B (zh) * | 2024-03-26 | 2024-05-31 | 广东海洋大学 | 航线规划装置以及规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A Three-Dimensional Dijkstra's algorithm for multi-objective ship voyage optimization | |
Hinnenthal et al. | Robust Pareto-optimum routing of ships utilising deterministic and ensemble weather forecasts | |
JP5312425B2 (ja) | 船舶運航支援システム | |
EP2498056A1 (en) | Maneuvering control method and maneuvering control system | |
KR20150021970A (ko) | 선박의 성능을 예측하는 방법 및 시스템 | |
CN117742346A (zh) | 一种船舶的实时航行状态分析与能源消耗控制方法 | |
JP2009286230A (ja) | 船舶の運航支援システムと船舶の運航支援方法 | |
CN111613094A (zh) | 一种港口水域船舶交通风险预警方法 | |
KR20070013701A (ko) | 선박 최적화 항해 시스템 및 방법 | |
JP7114228B2 (ja) | 船舶性能解析システム | |
KR20210124229A (ko) | 선박 연료 소모를 감소시키기 위한 방법 및 시스템 | |
JP2013134089A (ja) | 最適航路計算装置及び最適航路計算方法 | |
Anan et al. | New artificial intelligence technology improving fuel efficiency and reducing CO2 emissions of ships through use of operational big data | |
CN117232520A (zh) | 一种适用于海上航行的船舶智能导航系统及导航方法 | |
CN118062188A (zh) | 船舶的实际海域性能提供系统 | |
KR20210116798A (ko) | 디지털 트윈을 이용하여 선박의 경제운항을 위한 파랑 정보 수집 장치 | |
Bergström et al. | A goal-based approach for selecting a ship's polar class | |
KR20200004628A (ko) | 선박의 최적항로 도출 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 | |
Mannarini et al. | VISIR-1. b: Ocean surface gravity waves and currents for energy-efficient navigation | |
Tomaselli et al. | A decision-making tool for planning o&m activities of offshore wind farms using simulated actual decision drivers | |
CN116630907A (zh) | 一种基于遥感的船舶航行数字孪生方法、系统、终端及存储介质 | |
KR102561270B1 (ko) | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 | |
Sandvik et al. | Estimation of fuel consumption using discrete-event simulation—A validation study | |
Filippopoulos et al. | Multi-sensor data fusion for the vessel trim analyzer and optimization platform | |
Walther | Development of a weather routing system for analysis and optimization of ship voyages |
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 |