KR101281673B1 - An intelligent method for identifying abnormal navigating ships - Google Patents
An intelligent method for identifying abnormal navigating ships Download PDFInfo
- Publication number
- KR101281673B1 KR101281673B1 KR1020120045645A KR20120045645A KR101281673B1 KR 101281673 B1 KR101281673 B1 KR 101281673B1 KR 1020120045645 A KR1020120045645 A KR 1020120045645A KR 20120045645 A KR20120045645 A KR 20120045645A KR 101281673 B1 KR101281673 B1 KR 101281673B1
- Authority
- KR
- South Korea
- Prior art keywords
- vessel
- abnormal
- sailing
- behavior
- degree
- Prior art date
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000005856 abnormality Effects 0.000 claims abstract description 33
- 230000001186 cumulative effect Effects 0.000 claims description 59
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 25
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 7
- 230000002547 anomalous effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B49/00—Arrangements of nautical instruments or navigational aids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B2213/00—Navigational aids and use thereof, not otherwise provided for in this class
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Ocean & Marine Engineering (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
본 발명은 지능형 항해 거동 이상 선박 식별방법에 관한 것으로, 좀더 구체적으로는 정상 운항하는 선박에게 심각한 영향을 미칠 수 있는 거동 이상 선박을 퍼지추론에 의한 인공지능 기법으로 자동으로 식별하여 거동 이상 선박에 대한 식별력이 향상되고, 인적 자원에 의한 거동 이상 선박 식별의 한계가 효과적으로 보완되는 지능형 항해 거동 이상 선박 식별방법에 관한 것이다.
The present invention relates to a method for identifying anomalous vessels for intelligent navigation, and more specifically, to anomalous vessels by automatically identifying anomalous vessels that can seriously affect normal vessels by artificial intelligence based on fuzzy inference. The present invention relates to an intelligent navigation behavior abnormal ship identification method in which identification power is improved, and the limitation of ship identification is effectively compensated for by human resources.
국내외 해상 물동량 증가 및 활발한 해상 레저 활동으로 인하여 해상 교통량이 증가함으로써 해양 사고의 발생 빈도가 높아질 뿐만 아니라, 해양 사고의 규모도 대형화되고 있는 추세이다. 특히 선박 사고는 신속한 대처가 어려운 해양의 특수성으로 인하여 육지에서 발생하는 일반적인 교통사고보다 환경적, 인적으로 심각한 피해를 야기시킨다.Increasing marine traffic at home and abroad and active marine leisure activities result in an increase in maritime traffic, leading to an increase in the frequency of marine accidents as well as an increase in the size of marine accidents. In particular, ship accidents cause more serious environmental and human damage than general traffic accidents that occur on land due to the peculiarities of the ocean, which is difficult to deal with quickly.
이와 같은 해상 사고의 주된 원인은 선박 고장에 따른 선박 조정 불능 상태, 예인선 분리에 따른 무동력선의 운항, 운항자의 선교 이탈, 음주 항해 등 비정상적인 상태에서의 선박 운항, 각종 범죄를 위한 비정상 항행 행위 등이며, 황천 등의 기상 상태도 사고를 증가시키는 원인 중의 하나이다.
The main causes of such marine accidents are the inability to adjust ships due to ship breakdown, the operation of non-powered ships due to the separation of tugboats, the departure of the operator's missions, the operation of ships under abnormal conditions such as drunk navigation, and abnormal navigation behavior for various crimes. Weather conditions, such as the Nether, are also one of the causes of increased accidents.
한편, 거동 이상 선박은 밀수선, 도주선, 사고선박, 무동력 운항선, 조정 불능 선박 등, 비정상적 항행 선박을 의미한다. 이와 같은 거동 이상 선박은 일반적으로 갈지자 모양으로 항로를 이탈하고 복귀하는 것을 반복하거나, 급격한 선속 변화가 있거나, 제자리를 선회하거나, 급격하게 항로를 변경하는 패턴으로 항행함으로써 정상적으로 운행하는 선박에 심각한 영향을 초래할 수 있게 된다.On the other hand, a malfunctioning vessel means an abnormal navigation vessel such as a smuggler ship, an escape ship, an accident ship, a non-powered ship, and an uncoordinated ship. Such behavioral ships generally have a severe impact on ships operating normally by repeating the departure and return to the course in the shape of a Galza, or by abruptly changing the speed, turning in place, or navigating in a pattern that changes rapidly. It can be brought about.
이에 따라, 현재 해상 교통관제 센터와 해양 경찰은 긴밀한 연계를 통해서 거동 이상 선박을 육안으로 식별하고 있다.Accordingly, the maritime traffic control center and the maritime police are visually identifying the malfunctioning vessel through close linkage.
그런데, 경험이 많은 전문가나 숙련자가 거동 이상 선박을 직접 식별하는 것이 가장 이상적이지만, 경험이 많은 전문가나 숙련자의 인원수가 한정되어 있어 넓은 해상 영역에서 거동 이상 선박을 직접 식별해내는데 한계가 있었으며, 비전문가나 비숙련자에 의해 거동 이상 선박을 식별해야 할 경우가 빈번하게 발생되고, 이에 따라, 거동 이상 선박에 대한 식별력이 떨어지는 문제점이 있었다.
By the way, it is ideal to have experienced experts or experienced ships directly identify the behavioral vessels, but the limited number of experienced experts or experienced vessels has limited the ability to directly identify the behavioral vessels in a wide maritime area. However, there are frequent cases in which a vessel having an abnormal behavior must be identified by an unskilled person, and thus, there is a problem in that the identification ability of the vessel having a behavior abnormality falls.
따라서, 거동 이상 선박을 정확하고 정밀하게 식별할 수 있는 식별 시스템이나 식별 방법의 개발이 필요한 실정인데, 현재까지는 이에 대한 연구나 기술개발이 미진할 실정이다.Therefore, it is necessary to develop an identification system or an identification method capable of accurately and precisely identifying a vessel with abnormal behavior, but until now, research or technology development is insufficient.
한편, 본 발명자에 의해 기출원된 대한민국 공개특허공보 공개번호 제10-2012-0005194호 "항행안전정보융합서비 및 항행안전정보융합 방법"에서는 전처리모듈, 항행안전정보융합모듈, 상황인지지식베이스, 상황예측지식베이스를 구성으로 가져, 다양한 항행 장비들로부터 습득한 방대한 정보가 종합적으로 처리 및 융합되고, 위험상황 예측에 필요한 가공된 정보가 제공되며, 융합된 정보를 바탕으로 앞으로 일어날 상황에 대한 확률이 예측되면서 전문가시스템 등의 인공지능 기술이 활용되어 항해사가 항행 상황에 대한 적절한 조치를 취할 수 있도록 최적의 행동 지침이 제공되도록 하고 있으나, 거동 이상 선박을 식별하는 시스템이나 방법은 개시되어 있아 거동 이상 선박의 식별에 적용하기에는 한계가 있었다.
On the other hand, the Republic of Korea Patent Publication No. 10-2012-0005194 filed by the inventor in the "navigation safety information fusion service and navigation safety information fusion method" in the pre-processing module, navigation safety information fusion module, situation awareness knowledge base, With a knowledge base of situational prediction, a vast amount of information acquired from various navigational equipment is comprehensively processed and converged, and processed information necessary for risk situation prediction is provided, and the probability of the future situation based on the converged information is provided. As predicted, artificial intelligence technologies such as expert systems are used to provide the best behavioral guidelines for navigators to take appropriate action for navigational situations.However, systems or methods for identifying vessels with abnormal behavior have been disclosed. There was a limit to the application of ship identification.
따라서 본 발명은 이와 같은 종래 기술의 문제점을 개선하여, 거동 이상 선박을 자동으로 식별할 수 있는 이상항해 식별용 퍼지추론 알고리즘을 제공하여 전문가나 숙련도 없이도 거동 이상 선박의 식별이 정확하고 정밀하게 수행되고, 인적 자원에 의해 거동 이상 선박의 식별 작업이 효과적으로 보완될 수 있는 새로운 형태의 지능형 항해 거동 이상 선박 식별방법을 제공하는 것을 목적으로 한다.
Accordingly, the present invention improves the problems of the prior art, and provides a fuzzy inference algorithm for identifying navigation that can automatically identify a malfunctioning vessel so that the identification of the malfunctioning vessel can be performed accurately and precisely without any expert or skill. It aims to provide a new type of intelligent navigation behavior ship identification method that can effectively complement the identification of ship behaviors by human resources.
상술한 목적을 달성하기 위한 본 발명의 특징에 의하면, 본 발명은 감시 대상인 항해 선박의 운동측정값이 측정센서에 의해 설정시간 동안 측정되는 선박 운동 측정값 측정단계와; 상기 선박 운동측정값의 설정된 단위시간 당 변화량과, 산출된 변화량을 누적시킨 누적변화량이 마이크로 프로세서에 의해 산출되는 누적변화량 산출단계와; 상기 마이크로 프로세서의 이상항해 식별용 퍼지추론 알고리즘에 의해 상기 항해 선박에 대한 설정시간 동안의 이상 항해 정도가 산출되는 이상 항해도 산출단계를 포함하는 지능형 항해 거동 이상 선박 식별방법을 제공한다.
According to a feature of the present invention for achieving the above object, the present invention includes a ship motion measurement value measuring step of measuring the motion measurement value of the sailing vessel to be monitored for a set time by the measurement sensor; A cumulative change amount calculating step of calculating a change amount per set unit time of the vessel motion measurement value and a cumulative change amount accumulated by the calculated change amount by a microprocessor; According to the fuzzy inference algorithm for identifying an abnormal navigation of the microprocessor, there is provided an intelligent navigation behavior abnormal ship identification method including an abnormal navigation degree calculation step of calculating an abnormal navigation degree for a set time for the sailing vessel.
이와 같은 본 발명에 따른 지능형 항해 거동 이상 선박 식별방법에서 상기 선박 운동 측정값 측정단계에서 측정되는 상기 선박 운동 측정값은 상기 항해 선박의 이동속도와 이동방향이고, 상기 누적변화량 산출단계에서 산출되는 누적변화량은 항해 선박의 누적 변속량과 누적 변침량인 것을 특징으로 한다.
In the intelligent navigation behavior abnormal vessel identification method according to the present invention, the vessel motion measurement value measured in the vessel motion measurement value measurement step is a moving speed and a movement direction of the sailing vessel, and is accumulated in the cumulative change calculation step. The change amount is characterized in that the cumulative shift amount and cumulative shift amount of the sailing vessel.
이와 같은 본 발명에 따른 지능형 항해 거동 이상 선박 식별방법에서 상기 이상 항해도 산출단계는 상기 마이크로 프로세서의 이상항해 식별용 퍼지추론 알고리즘에 의해 상기 항해 선박의 이상 항해도가 수치값으로 산출되도록 하는 것을 특징으로 한다.
In the intelligent navigation behavior abnormal vessel identification method according to the present invention, the abnormal voyage calculation step is characterized in that the abnormal voyage of the sailing vessel is calculated as a numerical value by the fuzzy inference algorithm for identifying the abnormal navigation of the microprocessor. do.
이와 같은 본 발명에 따른 지능형 항해 거동 이상 선박 식별방법에서 상기 선박 운동 측정값 측정단계, 누적변화량 산출단계, 이상 항해도 산출단계는 시간의 경과에 따라 설정시간 동안 순차적으로 반복 수행되어 각 설정시간 동안의 상기 항해 선박의 이상 항해 정도가 순차적으로 산출되는 것을 특징으로 한다.
In the intelligent vessel behavior abnormal vessel identification method according to the present invention, the vessel movement measurement value measurement step, cumulative change amount calculation step, abnormal navigation degree calculation step is repeatedly performed during the set time according to the passage of time for each set time The degree of abnormal navigation of the sailing vessel is characterized in that it is sequentially calculated.
이와 같은 본 발명에 따른 지능형 항해 거동 이상 선박 식별방법에서 이상 항해 판단단계와 거동별 선박 분류단계가 상기 이상 항해도 산출단계 다음에 순차적으로 수행되도록 하고, 상기 이상 항해도 산출단계는 상기 마이크로 프로세서의 이상항해 식별용 퍼지추론 알고리즘에 의해 상기 항해 선박의 이상 항해도가 수치값으로 산출되도록 하되, 상기 이상 항해 판단단계는 상기 항해 선박의 이상 항해도가 설정된 기준값 이상일 경우에 한하여 이상 항해 상태에 있는 것으로 판단하는 단계이고, 상기 거동별 선박 분류단계는 상기 항해 선박이 연속적으로 이상 항해 상태에 있는 것으로 판단될 경우에 한하여 이상 선박으로 분류하는 단계인 것을 특징으로 한다.
In the intelligent navigation behavior fault vessel identification method according to the present invention, the abnormal voyage determination step and the vessel classification step according to the behavior are performed sequentially after the abnormal voyage calculation step, and the abnormal voyage calculation step is performed by the microprocessor. The abnormal navigation degree of the sailing vessel is calculated as a numerical value by a fuzzy inference algorithm for identifying the abnormal navigation, and the abnormal navigation determination step determines that the abnormal navigation degree is in an abnormal navigation state only when the abnormal navigation degree of the sailing vessel is equal to or greater than a set reference value. The vessel classification step for each of the behaviors may be a step of classifying the abnormal vessel only when it is determined that the sailing vessel is continuously in an abnormal sailing state.
이와 같은 본 발명에 따른 지능형 항해 거동 이상 선박 식별방법에서 상기 이상항해 식별용 퍼지추론 알고리즘은 상기 항해 선박의 누적 변속량과 누적 변침량에 대한 입력 소속함수를 복수개의 크기별 구간으로 범주화하여 각각 설정하고, 현재 입력된 누적 변속량과 누적 변침량에 대응하는 크기별 구간과 소속도를 상기 입력 소속함수로부터 각각 산출하는 크기별 구간 산출단계와; 항해 거동 이상 식별 지식베이스를 설정하고, 현재 입력된 누적 변속량의 크기별 구간과 현재 입력된 누적 변침량의 크기별 구간을 상기 항해 거동 이상 식별 지식베이스에 대응시켜 거동 이상 정도를 산출하는 거동 이상 정도 산출단계와; 항해 이상 정도에 대한 출력 소속함수를 복수개의 정도별 구간으로 범주화하여 설정하고, 현재 입력된 누적 변속량에 대응하는 크기별 구간의 소속함수 소속도와 현재 입력된 누적 변침량에 대응하는 크기별 구간의 소속함수 소속도를 이용하여 거동 이상 정도를 단일 실수값으로 비퍼지화한 상기 항해 선박의 이상 항해도를 상기 출력 소속함수로부터 산출하는 이상 항해도 산출단계를 포함하는 것을 특징으로 한다.
In the intelligent navigation behavior fault vessel identification method according to the present invention, the fuzzy inference algorithm for identifying the fault navigation categorizes the input belonging function for the cumulative shift amount and the cumulative shift amount of the sailing vessel into a plurality of size-specific sections and sets them. A size section calculation step of calculating a size section and a degree of belonging corresponding to a currently inputted cumulative shift amount and a cumulative shift amount from the input belonging function, respectively; Set a navigational abnormality identification knowledge base and calculate a behavioral abnormality level that calculates the degree of behavioral abnormality by matching the section of the currently inputted cumulative shift amount and the section of the currently inputted cumulative shift amount to the navigational abnormality identification knowledge base. Steps; Affiliation function of the voyage abnormality is set by categorizing and setting the belonging function of a plurality of sections, and the membership function of the section by size corresponding to the cumulative shift amount currently input and the membership function of the section by size corresponding to the currently input cumulative shift amount And an abnormal nautical degree calculation step of calculating an abnormal nautical degree of the sailing vessel from which the degree of behavior abnormality is fuzzy using a belonging degree from the output belonging function.
이와 같은 본 발명에 따른 지능형 항해 거동 이상 선박 식별방법에서 상기 입력 소속함수는 크기별로 Zero 구간 소속함수, Small 구간 소속함수, Mid 구간 소속함수, Big 구간 소속함수, Very Big 구간 소속함수로 범주화되고, 상기 출력 소속함수는 정도별로 Zero 구간 소속함수, Small 구간 소속함수, Mid 구간 소속함수, Big 구간 소속함수, Very Big 구간 소속함수로 범주화되는 것을 특징으로 한다.
In the intelligent navigation behavior abnormal vessel identification method according to the present invention, the input membership function is categorized into a Zero section membership function, Small section membership function, Mid section membership function, Big section membership function, Very Big section membership function by size, The output belonging function is categorized into a zero section belonging function, a small section belonging function, a mid section belonging function, a big section belonging function, and a very big section belonging function.
이와 같은 본 발명에 따른 지능형 항해 거동 이상 선박 식별방법에서 상기 항해 거동 이상 식별 지식베이스는 입력 변수인 누적 변속량과 누적 변침량 간의 OR 연산으로 구현되는 것을 특징으로 한다.
In the intelligent navigation behavior failure vessel identification method according to the present invention, the navigation behavior failure identification knowledge base is characterized by being implemented by an OR operation between the cumulative shift amount and the cumulative shift amount which is an input variable.
이와 같은 본 발명에 따른 지능형 항해 거동 이상 선박 식별방법에서 상기 이상항해 식별용 퍼지추론 알고리즘을 이루는 거동 이상 정도 산출단계는 Max-Min 추론기법을 사용하여 상기 항해 선박의 거동 이상 정도를 산출하는 것을 특징으로 한다.
In the intelligent sailing behavior fault vessel identification method according to the present invention, the behavior abnormality calculation step of forming the fuzzy inference algorithm for identifying the fault navigation uses a Max-Min inference technique to calculate the degree of behavior abnormality of the sailing vessel. It is done.
이와 같은 본 발명에 따른 지능형 항해 거동 이상 선박 식별방법에서 상기 거동별 선박 분류단계는 상기 항해 선박이 거동 특성에 따라 이상 선박, 주의 선박, 정상 선박 군 중에서 선택된 어느 하나로 분류되되, 상기 항해 선박의 이상 항해도가 설정된 기준값 미만이면서 상기 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있지 않은 경우에 한하여 정상 선박으로 분류되고, 상기 항해 선박의 이상 항해도가 설정된 기준값 미만이면서 상기 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있은 경우와, 상기 항해 선박의 이상 항해도가 설정된 기준값 이상이면서 상기 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있지 않은 경우에 한하여 주의 선박으로 분류되는 것을 특징으로 한다.
In the intelligent navigation behavior abnormal vessel identification method according to the present invention, the vessel classification step according to the behavior is classified into any one selected from the group of the abnormal vessel, the main vessel, the normal vessel according to the behavior characteristics, the abnormality of the sailing vessel It is classified as a normal ship only when the sailing degree is less than the set reference value and the sailing vessel is not in a sailing state until the previous set time, and the abnormal sailing degree of the sailing vessel is lower than the set reference value and the sailing vessel is set to the previous set time. It is characterized in that it is classified as a main vessel only when it is in an abnormal sailing state, and when the abnormal sailing degree of the sailing vessel is equal to or higher than a set reference value and the sailing vessel is not in an abnormal sailing state by a previous set time.
본 발명에 의한 지능형 항해 거동 이상 선박 식별방법에 의하면, 정교하게 설계된 이상항해 식별용 퍼지추론 알고리즘을 통해 항해 선박의 이상 항해 정도가 수치적으로 산출됨에 따라, 전문가나 숙련도 없이도 거동 이상 선박의 식별이 정확하고 정밀하게 수행되는 효과가 있다. According to the intelligent navigation behavior fault vessel identification method according to the present invention, as the abnormal sailing degree of the sailing vessel is numerically calculated through a precisely designed fuzzy inference algorithm for identifying the fault navigation, it is possible to identify the faulty vessel without any expert or skill. It has the effect of performing accurately and precisely.
또한, 본 발명은 이상 항해 판단단계와 거동별 선박 분류단계를 통해 항해 선박이 정상 선박, 주의 선박, 이상 선박으로 분류되어 해상 교통관제 센터나 해양 경찰의 선박 운항 감시자나 선박 항해사에게 통보될 수 있도록 함에 따라, 인적 자원에 의해 거동 이상 선박의 식별 작업이 효과적으로 보완되고, 해상 사고의 위험을 최소화시키는 한편, 사고의 위험에 적절하게 대처할 수 있는 효과가 있다.
In addition, the present invention is to be classified as a normal vessel, a state vessel, an abnormal vessel through the abnormal navigation determination step and the vessel classification step by action to be notified to the maritime traffic control center or the maritime police's vessel operation monitor or vessel navigator As a result, the identification of abnormal behavior vessels can be effectively supplemented by human resources, and the risk of marine accidents can be minimized, and the risk of accidents can be coped with appropriately.
도 1은 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법을 보여주기 위한 블록도;
도 2는 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법을 구현하기 위한 휴대용 단말기의 구성을 보여주기 위한 블록도;
도 3은 본 발명의 실시예에 따른 마이크로 프로세서에 구비되는 이상항해 식별용 퍼지추론 알고리즘을 보여주기 위한 블록도;
도 4는 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법의 상세 프로세스를 보여주기 위한 블록도;
도 5는 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법에서 사용되는 누적 변속량의 입력 소속함수를 보여주기 위한 도면;
도 6은 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법에서 사용되는 누적 변침량의 입력 소속함수를 보여주기 위한 도면;
도 7은 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법에서 사용되는 항해 거동 이상 식별 지식베이스를 보여주기 위한 도면;
도 8은 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법에서 사용되는 항해 거동 이상 식별 지식베이스 일부의 언어적 기술을 보여주기 위한 도면
도 9는 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법에서 사용되는 항해 이상 정도의 출력 소속함수를 보여주기 위한 도면이다.1 is a block diagram for showing an intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention;
2 is a block diagram showing the configuration of a portable terminal for implementing an intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention;
3 is a block diagram showing a fuzzy inference algorithm for identifying anomalies provided in a microprocessor according to an embodiment of the present invention;
4 is a block diagram showing the detailed process of the intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention;
5 is a view for showing the input belonging function of the cumulative shift amount used in the intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention;
6 is a view for showing the input membership function of the cumulative change amount used in the intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention;
7 is a view for showing a navigation behavior failure identification knowledge base used in the intelligent navigation behavior failure vessel identification method according to an embodiment of the present invention;
8 is a view for showing the linguistic description of a part of the navigation behavior failure identification knowledge base used in the intelligent navigation behavior failure vessel identification method according to an embodiment of the present invention.
9 is a view for showing the output belonging function of the degree of navigation abnormality used in the intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention.
이하, 본 발명의 실시예를 첨부된 도면 도 1 내지 도 9에 의거하여 상세히 설명한다. 한편, 도면과 상세한 설명에서 일반적인 인공지능 기법, 퍼지 이론, 퍼지 추론, 마이크로 프로세서 등으로부터 이 분야의 종사자들이 용이하게 알 수 있는 구성 및 작용에 대한 도시 및 언급은 간략히 하거나 생략하였다. 특히 도면의 도시 및 상세한 설명에 있어서 본 발명의 기술적 특징과 직접적으로 연관되지 않는 요소의 구체적인 기술적 구성 및 작용에 대한 상세한 설명 및 도시는 생략하고, 본 발명과 관련되는 기술적 구성만을 간략하게 도시하거나 설명하였다.
Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying
도 1은 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법을 보여주기 위한 블록도이고, 도 2는 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법을 구현하기 위한 휴대용 단말기의 구성을 보여주기 위한 블록도이며, 도 3은 본 발명의 실시예에 따른 마이크로 프로세서에 구비되는 이상항해 식별용 퍼지추론 알고리즘을 보여주기 위한 블록도이고, 도 4는 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법의 상세 프로세스를 보여주기 위한 블록도이다.
1 is a block diagram showing an intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention, Figure 2 is a configuration of a portable terminal for implementing the intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention Figure 3 is a block diagram for showing a fuzzy inference algorithm for identifying anomalies provided in the microprocessor according to an embodiment of the present invention, Figure 4 is an intelligent navigation according to an embodiment of the present invention This is a block diagram showing the detailed process of the vessel identification method.
도 1 내지 도 4를 참조하면, 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법은 선박 운동 측정값 측정단계, 누적 변화량 산출단계, 이상 항해도 산출단계, 이상 항해 판단단계, 거동별 선박 분류단계를 포함하여 이루어진다.
1 to 4, intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention is a vessel motion measurement value measurement step, cumulative change amount calculation step, abnormal navigation degree calculation step, abnormal navigation determination step, vessel by behavior It includes a classification step.
선박 운동 측정값 측정단계는 감시 대상인 항해 선박의 운동측정값이 측정장치(10)에 의해 설정시간 동안 측정되는 단계이다. 여기서, 측정장치(10)로는 ARPA 레이더, AIS, GPS 장치 등이 사용될 수 있다. 그리고, 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법에서는 항해 선박의 이동속도와 이동방향을 선박의 운동측정값으로 측정하게 된다. 여기서 항해 선박의 이동속도는 노트(knot) 단위로 측정되고, 이동방향은 방위각(°) 단위로 측정된다. 이와 같은 선박 운동 측정값 측정단계에서 측정된 항해 선박의 이동속도와 이동방향은 마이크로 프로세서(20)로 입력된다. 한편, 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법에서는 9분의 설정시간 동안 항해 선박의 운동측정값이 측정되도록 하는데, 해상 사고의 위험을 최소화시키기 위해서는 설정시간이 5~15분 범위의 짧은 시간을 가지도록 하는 것이 바람직하다. 물론, 설정시간이 이에 한정되는 것은 아니다.
The vessel motion measurement value measurement step is a step in which the motion measurement value of the sailing vessel to be monitored is measured by the measuring
누적변화량 산출단계는 선박 운동측정값의 설정된 단위시간 당 변화량과, 산출된 변화량을 누적시킨 누적변화량이 마이크로 프로세서(20)에 의해 산출되는 단계이다. 여기서 단위시간은 초(second) 단위로 설정되거나, 분(minute) 단위로 설정될 수 있다. 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법에서는 항해 선박의 누적 변속량과 누적 변침량이 누적변화량으로 산출된다. 여기서, 누적 변속량은 다음의 [수학식 1]에 의해 산출된다.The cumulative change calculation step is a step in which the change amount per set unit time of the ship motion measurement value and the cumulative change amount accumulated by the calculated change amount are calculated by the
또한, 누적 변침량은 다음의 [수학식 2]에 의해 산출된다.In addition, the cumulative change amount is calculated by the following [Equation 2].
이상 항해도 산출단계는 마이크로 프로세서(20)의 이상항해 식별용 퍼지추론 알고리즘에 의해 항해 선박에 대한 설정시간 동안의 이상 항해 정도가 산출되는 단계이다. 여기서, 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법에서는 항해 선박의 이상 항해 정도가 언어적으로 표현되는 한편, 수치값인 이상 항해도로도 산출된다.The abnormal voyage calculation step is a step of calculating the abnormal voyage degree during the set time for the nautical vessel by the fuzzy inference algorithm for identifying the abnormal navigation of the
여기서, 본 발명의 실시예에 따른 이상항해 식별용 퍼지추론 알고리즘은 크기별 구간 산출단계, 거동 이상 정도 산출단계, 이상 항해도 산출단계를 포함하는 구성으로 이루어지는데, 거동 이상 정도 산출단계에서는 이상 항해 정도가 언어적으로 표현되도록 하고, 이상 항해도 산출단계에서는 이상 항해 정도가 수치값인 이상 항해도로 산출되도록 한다.Here, the fuzzy inference algorithm for identifying anomalies according to an embodiment of the present invention comprises a configuration including a section calculation step for each size, an error degree calculation step, and an abnormal navigation degree calculation step. Is expressed linguistically, and the abnormal voyage calculation step calculates the abnormal voyage map whose numerical value is the abnormal voyage degree.
먼저, 이상항해 식별용 퍼지추론 알고리즘의 크기별 구간 산출단계에서는 항해 선박의 누적 변속량과 누적 변침량에 대한 입력 소속함수를 복수개의 크기별 구간으로 범주화하여 각각 설정하게 된다. 누적 변속량과 누적 변침량의 입력 소속함수는 도 5와 도 6에서와 같이 크기별로 Zero 구간 소속함수, Small 구간 소속함수, Mid 구간 소속함수, Big 구간 소속함수, Very Big 구간 소속함수로 범주화된다. 여기서, 본 발명의 실시예에 따른 이상항해 식별용 퍼지추론 알고리즘에서는 선속(선박의 이동속도)이 9분 이내에 급격하게 변하는 최고 누적 범위를 20knot로 설정하고, 침로(선박의 이동방향)가 9분 이내에 급격하게 변하는 최고 누적 범위를 150°로 설정한다. 그리고, 현재 입력된 누적 변속량에 대응하는 크기별 구간과 소속도를 누적 변속량의 입력 소속함수로부터 산출하는 한편, 현재 입력된 누적 변침량에 대응하는 크기별 구간과 소속도를 누적 변침량의 입력 소속함수로부터 산출하게 된다. 이와 같은 입력 소속함수는 항행 전문가의 의견에 따라 설계되도록 한다.First, in the step calculation step by size of the fuzzy inference algorithm for identifying anomalous navigation, the input belonging function for the cumulative shift amount and the cumulative shift amount of the sailing vessel is categorized into a plurality of size sections and set. The input belonging function of the cumulative shift amount and the cumulative change amount is categorized into a zero section belonging function, a small section belonging function, a mid section belonging function, a big section belonging function, and a very big section belonging function as shown in FIGS. 5 and 6. . Here, in the fuzzy inference algorithm for identifying anomalies according to an embodiment of the present invention, the maximum cumulative range in which the ship speed (vehicle speed) rapidly changes within 9 minutes is set to 20 knot, and the course (the ship moving direction) is 9 minutes. Set the maximum cumulative range that changes rapidly within 150 °. Then, the size-specific section and belonging degree corresponding to the currently inputted cumulative shift amount are calculated from the input belonging function of the cumulative shift amount, while the size-specific section and belonging degree corresponding to the currently inputted cumulative shift amount is input It is calculated from the function. These input membership functions should be designed according to the navigation expert's opinion.
거동 이상 정도 산출단계에서는 먼저, 항해 거동 이상 식별 지식베이스를 설정하게 된다. 이와 같은 항해 거동 이상 식별 지식베이스는 도 7에서와 같이 설정될 수 있는데, 본 발명의 실시예에 따른 거동 이상 식별 지식베이스는 입력 변수인 누적 변속량과 누적 변침량 간의 OR 연산으로 구현되고 있다. 여기서, 본 발명의 실시예에 따른 거동 이상 식별 지식베이스는 도 8에서와 같이 조건문 IF-THEN 규칙으로 표현되는 언어적 기술로부터 도출된 것이다.In the behavior abnormality calculation step, a navigational abnormality identification knowledge base is first set. The navigation error identification knowledge base as described above may be set as shown in FIG. 7. The behavior error identification knowledge base according to the embodiment of the present invention is implemented by an OR operation between the cumulative shift amount and the cumulative shift amount which are input variables. Here, the behavior error identification knowledge base according to the embodiment of the present invention is derived from the linguistic description expressed by the conditional sentence IF-THEN rule as shown in FIG. 8.
그리고, 현재 입력된 누적 변속량에 대한 입력 소속함수의 크기별 구간과 현재 입력된 누적 변침량에 대한 입력 소속함수의 크기별 구간을 항해 거동 이상 식별 지식베이스에 대응시켜 거동 이상 정도를 산출하게 된다. 여기서, 본 발명의 실시예에 따른 거동 이상 정도 산출단계는 Max-Min 추론기법을 사용하여 항해 선박의 거동 이상 정도를 산출한다. 이와 같은 거동 이상 정도 산출단계는 이상 항해 정도가 언어적으로 표현되도록 한다.Then, the degree of behavior abnormality is calculated by matching the section by size of the input membership function with respect to the currently inputted cumulative shift and the section by size of the input membership function with respect to the cumulative shift amount currently input. Here, the behavior abnormality calculation step according to the embodiment of the present invention calculates the behavior abnormality degree of the sailing vessel using the Max-Min inference technique. Such an abnormality level calculation step allows the abnormality level to be expressed verbally.
이상 항해도 산출단계는 먼저, 항해 이상 정도에 대한 출력 소속함수를 복수개의 정도별 구간으로 범주화하여 설정하게 된다. 항해 이상 정도에 대한 출력 소속함수는 도 9에서와 같이 정도별로 Zero 구간 소속함수, Small 구간 소속함수, Mid 구간 소속함수, Big 구간 소속함수, Very Big 구간 소속함수로 범주화된다. 여기서, 본 발명의 실시예에 따른 이상 항해도 산출단계는 0~100의 범위에서 출력 소속함수가 정의되도록 한다. 이와 같은 출력 소속함수는 항행 전문가의 의견에 따라 설계되도록 한다. 그리고, 현재 입력된 누적 변속량에 대응하는 크기별 구간의 소속함수 소속도와, 현재 입력된 누적 변침량에 대응하는 크기별 구간의 소속함수 소속도를 이용하여 항해 선박의 이상 항해도를 출력 소속함수로부터 산출한다. 여기서, 항해 선박의 항해도는 거동 이상 정도 산출단계에서 퍼지적으로 산출된 거동 이상 정도를 단일 실수값으로 비퍼지화한 수치값이다.
The abnormal voyage calculation step first sets and categorizes the output belonging function for the voyage abnormality into a plurality of intervals. As shown in FIG. 9, the output belonging function for the voyage abnormality is categorized into a zero section belonging function, a small section belonging function, a mid section belonging function, a big section belonging function, and a very big section belonging function. Here, the abnormal navigation degree calculation step according to an embodiment of the present invention is to define the output belonging function in the range of 0 ~ 100. These output membership functions should be designed according to the navigation expert's opinion. The abnormal sailing degree of the sailing vessel is calculated from the output belonging function by using the membership function of the section by size corresponding to the cumulative shift amount currently input and the membership function of the section by size corresponding to the cumulative shift amount currently input. . Here, the sailing degree of the sailing vessel is a numerical value obtained by obfuscating the degree of behavior abnormality calculated fuzzy in the step of calculating the degree of behavior abnormality to a single real value.
이상 항해 판단단계는 도 4에서와 같이 이상 항해도 산출단계에서 산출된 항해 선박의 이상 항해도가 설정된 기준값 이상일 경우에 한하여 이상 항해 상태에 있는 것으로 판단하는 단계이다.
The abnormal voyage determination step is a step of judging that the abnormal voyage state is in the abnormal voyage state only when the abnormal voyage degree of the sailing vessel calculated in the abnormal voyage degree calculation step is equal to or greater than the set reference value.
거동별 선박 분류단계는 항해 선박이 연속적으로 이상 항해 상태에 있는 것으로 판단될 경우에 한하여 이상 선박으로 분류하는 단계이다. 여기서, 본 발명의 실시예에 따른 거동별 선박 분류단계는 항해 선박이 거동 특성에 따라 이상 선박, 주의 선박, 정상 선박 중에서 어느 하나로 분류되도록 한다.The ship classification step by behavior is a step of classifying an abnormal vessel only when it is determined that the sailing vessel is continuously in an abnormal navigation state. Here, the vessel classification step by behavior according to an embodiment of the present invention allows the sailing vessel to be classified into one of an abnormal vessel, a main vessel, and a normal vessel according to the behavior characteristics.
먼저, 항해 선박의 이상 항해도가 설정된 기준값 미만이면서 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있지 않은 경우에 한하여 정상 선박으로 분류된다. 그리고, 항해 선박의 이상 항해도가 설정된 기준값 미만이면서 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있은 경우와, 항해 선박의 이상 항해도가 설정된 기준값 이상이면서 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있지 않은 경우에 한하여 주의 선박으로 분류된다. 마지막으로, 항해 선박의 이상 항해도가 설정된 기준값 이상이면서 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있은 경우에 한하여 이상 선박으로 분류된다.
First, the abnormal sailing degree of the sailing vessel is classified as a normal vessel only when the sailing vessel is not in the sailing state until the previous set time. Then, the abnormal sailing degree of the sailing vessel is less than the set reference value and the sailing vessel is in an abnormal sailing state until the immediately preceding set time, and the abnormal sailing degree of the sailing vessel is in the abnormal sailing state until the setting time immediately before the setting time. Only ships are classified as state ships. Finally, the abnormal sailing degree of the sailing vessel is classified as a faulty vessel only when the sailing vessel is in the abnormal sailing state by the immediately preceding set time.
여기서, 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법은 선박 운동 측정값 측정단계, 누적변화량 산출단계, 이상 항해도 산출단계, 이상 항해 판단단계, 거동별 선박 분류단계가 시간의 경과에 따라 설정시간 동안 순차적으로 반복 수행되도록 한다. 이에 따라, 각 설정시간 동안의 항해 선박의 이상 항해 정도와 이상 항해도가 순차적으로 산출된다. 그리고, 이를 통해 이상 항해 판단단계에서는 항해 선박이 현재 이상 항해 상태에 있는지 여부가 판단되고, 거동별 선박 분류단계에서는 항해 선박이 정상 선박인지, 주의 선박인지, 이상 선박인지 여부가 판단된다. 이와 같이 항해 선박이 정상 선박, 주의 선박, 이상 선박 중 어느 하나로 분류되면, 이를 해상 교통관제 센터나 해양 경찰의 선박 운항 감시자나 선박 항해사에게 통보하게 되는데, 이에 따라, 인적 자원에 의해 거동 이상 선박의 식별 작업이 효과적으로 보완될 수 있고, 사고의 위험에 적절하게 대처할 수 있게 된다.
Here, the intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention is a vessel motion measurement value measurement step, cumulative change amount calculation step, abnormal navigation degree calculation step, abnormal navigation determination step, vessel classification step by behavior over time Therefore, the process is repeated sequentially during the set time. Accordingly, the abnormal sailing degree and the abnormal sailing degree of the sailing vessel during each set time are sequentially calculated. In this case, the abnormal sailing determination step determines whether the sailing vessel is currently in the abnormal sailing state, and in the ship classification step by behavior, it is determined whether the sailing vessel is the normal vessel, the main vessel, or the abnormal vessel. As such, when a sailing vessel is classified as one of a normal vessel, a state vessel, and a faulty vessel, the vessel is notified to the maritime traffic control center or the maritime police's vessel operation watcher or vessel navigator. Identification can be effectively complemented and appropriately coped with the risk of an accident.
한편, 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법은 도 2에서와 같이 측정장치(10), 마이크로 프로세서(20), 모니터(30)로 이루어진 휴대용 단말기(100)에 적용되어 해상 교통관제 센터나 해양 경찰의 선박 운항 감시자나 선박 항해사에게 신속하고 원활하게 현재 항해 선박의 거동 이상 정보를 전달할 수 있다.
Meanwhile, the intelligent navigation behavior abnormal vessel identification method according to an embodiment of the present invention is applied to the
상술한 바와 같은, 본 발명의 실시예에 따른 지능형 항해 거동 이상 선박 식별방법을 상기한 설명 및 도면에 따라 도시하였지만, 이는 예를 들어 설명한 것에 불과하며 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 변화 및 변경이 가능하다는 것을 이 분야의 통상적인 기술자들은 잘 이해할 수 있을 것이다.
As described above, the intelligent navigation behavior abnormal vessel identification method according to the embodiment of the present invention has been shown in accordance with the above description and drawings, but this is only described for example and various within the scope without departing from the technical spirit of the present invention. It will be understood by those skilled in the art that variations and modifications are possible.
10 : 측정장치 20 : 마이크로 프로세서
30 : 모니터 100 : 휴대용 단말기10: measuring device 20: microprocessor
30: monitor 100: portable terminal
Claims (10)
상기 선박 운동측정값의 설정된 단위시간 당 변화량과, 산출된 변화량을 누적시킨 누적변화량이 마이크로 프로세서에 의해 산출되는 누적변화량 산출단계와;
상기 마이크로 프로세서의 이상항해 식별용 퍼지추론 알고리즘에 의해 상기 항해 선박에 대한 설정시간 동안의 이상 항해 정도가 산출되는 이상 항해도 산출단계를 포함하는 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.A vessel motion measurement value measuring step of measuring a motion measurement value of a sailing vessel to be monitored by a measurement sensor for a set time;
A cumulative change amount calculating step of calculating a change amount per set unit time of the vessel motion measurement value and a cumulative change amount accumulated by the calculated change amount by a microprocessor;
Intelligent navigation behavior abnormal vessel identification method comprising the step of calculating the abnormal voyage degree during the set time for the sailing vessel by the fuzzy inference algorithm for identifying the abnormal navigation of the microprocessor.
상기 선박 운동 측정값 측정단계에서 측정되는 상기 선박 운동 측정값은 상기 항해 선박의 이동속도와 이동방향이고,
상기 누적변화량 산출단계에서 산출되는 누적변화량은 항해 선박의 누적 변속량과 누적 변침량인 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.The method of claim 1,
The vessel motion measured value measured in the vessel motion measured value measuring step is a moving speed and a moving direction of the sailing vessel,
The cumulative change amount calculated in the cumulative change amount calculating step is an intelligent navigation behavior abnormal vessel identification method, characterized in that the cumulative shift amount and the cumulative change amount of the sailing vessel.
상기 이상 항해도 산출단계는 상기 마이크로 프로세서의 이상항해 식별용 퍼지추론 알고리즘에 의해 상기 항해 선박의 이상 항해도가 수치값으로 산출되도록 하는 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.The method of claim 2,
The abnormal voyage calculation step intelligent navigation behavior abnormal vessel identification method, characterized in that the abnormal voyage of the sailing vessel is calculated as a numerical value by the fuzzy inference algorithm for identifying the abnormal navigation of the microprocessor.
상기 선박 운동 측정값 측정단계, 누적변화량 산출단계, 이상 항해도 산출단계는 시간의 경과에 따라 설정시간 동안 순차적으로 반복 수행되어 각 설정시간 동안의 상기 항해 선박의 이상 항해 정도가 순차적으로 산출되는 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.The method of claim 1,
The measuring step, the cumulative change amount calculation step, the abnormal navigation degree calculation step is repeatedly performed for a set time according to the passage of time so that the abnormal sailing degree of the sailing ship for each set time is sequentially calculated. Intelligent navigation behavior characterized by a vessel identification method.
이상 항해 판단단계와 거동별 선박 분류단계가 상기 이상 항해도 산출단계 다음에 순차적으로 수행되도록 하고,
상기 이상 항해도 산출단계는 상기 마이크로 프로세서의 이상항해 식별용 퍼지추론 알고리즘에 의해 상기 항해 선박의 이상 항해도가 수치값으로 산출되도록 하되,
상기 이상 항해 판단단계는 상기 항해 선박의 이상 항해도가 설정된 기준값 이상일 경우에 한하여 이상 항해 상태에 있는 것으로 판단하는 단계이고,
상기 거동별 선박 분류단계는 상기 항해 선박이 연속적으로 이상 항해 상태에 있는 것으로 판단될 경우에 한하여 이상 선박으로 분류하는 단계인 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.5. The method of claim 4,
The abnormal voyage determination step and the ship classification step by behavior are performed sequentially after the abnormal voyage calculation step,
The abnormal voyage calculation step is to calculate the abnormal voyage of the sailing vessel as a numerical value by the fuzzy inference algorithm for identifying the abnormal navigation of the microprocessor,
The abnormal voyage determination step is a step of determining that the abnormal voyage is in the abnormal voyage state only when the abnormal voyage degree of the nautical vessel is more than the set reference value,
The vessel classification step according to the behavior is intelligent navigation behavior abnormal vessel identification method, characterized in that the step of classifying the abnormal vessel only when it is determined that the sailing vessel in the abnormal sailing state continuously.
상기 이상항해 식별용 퍼지추론 알고리즘은 상기 항해 선박의 누적 변속량과 누적 변침량에 대한 입력 소속함수를 복수개의 크기별 구간으로 범주화하여 각각 설정하고, 현재 입력된 누적 변속량과 누적 변침량에 대응하는 크기별 구간과 소속도를 상기 입력 소속함수로부터 각각 산출하는 크기별 구간 산출단계와;
항해 거동 이상 식별 지식베이스를 설정하고, 현재 입력된 누적 변속량의 크기별 구간과 현재 입력된 누적 변침량의 크기별 구간을 상기 항해 거동 이상 식별 지식베이스에 대응시켜 거동 이상 정도를 산출하는 거동 이상 정도 산출단계와;
항해 이상 정도에 대한 출력 소속함수를 복수개의 정도별 구간으로 범주화하여 설정하고, 현재 입력된 누적 변속량에 대응하는 크기별 구간의 소속함수 소속도와 현재 입력된 누적 변침량에 대응하는 크기별 구간의 소속함수 소속도를 이용하여 거동 이상 정도를 단일 실수값으로 비퍼지화한 상기 항해 선박의 이상 항해도를 상기 출력 소속함수로부터 산출하는 이상 항해도 산출단계를 포함하는 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.The method of claim 3,
The fuzzy inference algorithm for identifying the abnormal navigation categorizes and sets the input belonging functions for the cumulative shift amount and the cumulative shift amount of the sailing vessel into a plurality of size-specific sections, respectively, and corresponds to the cumulative shift amount and the cumulative shift amount currently input. A size section calculation step of calculating a size section and a degree of belonging from the input membership function, respectively;
Set a navigational abnormality identification knowledge base and calculate a behavioral abnormality level that calculates the degree of behavioral abnormality by matching the section of the currently inputted cumulative shift amount and the section of the currently inputted cumulative shift amount to the navigational abnormality identification knowledge base. Steps;
Affiliation function of the voyage abnormality is set by categorizing and setting the belonging function of a plurality of sections, and the membership function of the section by size corresponding to the cumulative shift amount currently input and the membership function of the section by size corresponding to the currently input cumulative shift amount Intelligent navigation behavior abnormal vessel identification method comprising the step of calculating the abnormal navigation degree of the sailing vessel by the degree of behavior abnormality using the belonging degree to the single real value from the output belonging function .
상기 입력 소속함수는 크기별로 Zero 구간 소속함수, Small 구간 소속함수, Mid 구간 소속함수, Big 구간 소속함수, Very Big 구간 소속함수로 범주화되고,
상기 출력 소속함수는 정도별로 Zero 구간 소속함수, Small 구간 소속함수, Mid 구간 소속함수, Big 구간 소속함수, Very Big 구간 소속함수로 범주화되는 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.The method according to claim 6,
The input membership function is categorized into a zero section membership function, a small section membership function, a mid section membership function, a big section membership function, and a very big section membership function by size.
The output membership function is categorized into a zero section membership function, a small section membership function, a mid section membership function, a big section membership function, and a very big section membership function by degree.
상기 항해 거동 이상 식별 지식베이스는 입력 변수인 누적 변속량과 누적 변침량 간의 OR 연산으로 구현되는 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.The method according to claim 6,
Intelligent navigation behavior abnormal vessel identification method, characterized in that the navigation behavior failure identification knowledge base is implemented by the OR operation between the cumulative shift amount and the cumulative shift amount which is an input variable.
상기 이상항해 식별용 퍼지추론 알고리즘을 이루는 거동 이상 정도 산출단계는 Max-Min 추론기법을 사용하여 상기 항해 선박의 거동 이상 정도를 산출하는 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.The method according to claim 6,
Intelligent navigation behavior abnormal vessel identification method, characterized in that for calculating the behavior abnormality level constituting the fuzzy inference algorithm for identifying the navigational error using the Max-Min inference technique.
상기 거동별 선박 분류단계에서 상기 항해 선박은 거동 특성에 따라 이상 선박, 주의 선박, 정상 선박 군 중에서 선택된 어느 하나로 분류되되,
상기 항해 선박의 이상 항해도가 설정된 기준값 미만이면서 상기 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있지 않은 경우에 한하여 정상 선박으로 분류되고,
상기 항해 선박의 이상 항해도가 설정된 기준값 미만이면서 상기 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있은 경우와, 상기 항해 선박의 이상 항해도가 설정된 기준값 이상이면서 상기 항해 선박이 직전의 설정시간까지 이상 항해 상태에 있지 않은 경우에 한하여 주의 선박으로 분류되는 것을 특징으로 하는 지능형 항해 거동 이상 선박 식별방법.6. The method of claim 5,
In the ship classification step by behavior, the sailing vessel is classified into any one selected from the group of abnormal vessel, state vessel, and normal vessel according to the behavior characteristics,
The abnormal sailing degree of the sailing vessel is classified as a normal vessel only when the sailing vessel is not sailed abnormally until the previous set time, while the sailing vessel is less than the set reference value.
The abnormal sailing degree of the sailing vessel is less than the set reference value and the sailing vessel is in an abnormal sailing state until the immediately preceding set time, and the abnormal sailing degree of the sailing vessel is higher than the set reference value and the sailing vessel is abnormally sailing until the preset time. Intelligent navigation behavior vessel identification method, characterized in that classified only as the state vessels when not in a state.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120045645A KR101281673B1 (en) | 2012-04-30 | 2012-04-30 | An intelligent method for identifying abnormal navigating ships |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120045645A KR101281673B1 (en) | 2012-04-30 | 2012-04-30 | An intelligent method for identifying abnormal navigating ships |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101281673B1 true KR101281673B1 (en) | 2013-07-03 |
Family
ID=48996461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020120045645A KR101281673B1 (en) | 2012-04-30 | 2012-04-30 | An intelligent method for identifying abnormal navigating ships |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101281673B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112556698A (en) * | 2020-12-17 | 2021-03-26 | 广州博进信息技术有限公司 | Ship behavior change and abnormality recognition method, equipment and medium |
| KR20210127685A (en) * | 2019-11-26 | 2021-10-22 | 주식회사 희망에어텍 | Artificial intelligence thechnologies-based abnormal symptoms target detection mehotd using big data and system thereof |
| CN115331486A (en) * | 2022-08-12 | 2022-11-11 | 河海大学 | Ship collision risk assessment and prediction method and device |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005096674A (en) | 2003-09-26 | 2005-04-14 | Kawasaki Shipbuilding Corp | Suspicious ship detection method and device |
| JP2009031188A (en) | 2007-07-30 | 2009-02-12 | Tokyo Keiki Inc | Suspicious ship supervisory device |
| US20100138644A1 (en) | 2007-04-13 | 2010-06-03 | Yannacone Jr Victor John | System and method for dynamic data mining and distribution of maritime data |
| KR20110092555A (en) * | 2010-02-09 | 2011-08-18 | 에스티엑스조선해양 주식회사 | Device and method for preventing attack of piracy |
-
2012
- 2012-04-30 KR KR1020120045645A patent/KR101281673B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005096674A (en) | 2003-09-26 | 2005-04-14 | Kawasaki Shipbuilding Corp | Suspicious ship detection method and device |
| US20100138644A1 (en) | 2007-04-13 | 2010-06-03 | Yannacone Jr Victor John | System and method for dynamic data mining and distribution of maritime data |
| JP2009031188A (en) | 2007-07-30 | 2009-02-12 | Tokyo Keiki Inc | Suspicious ship supervisory device |
| KR20110092555A (en) * | 2010-02-09 | 2011-08-18 | 에스티엑스조선해양 주식회사 | Device and method for preventing attack of piracy |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210127685A (en) * | 2019-11-26 | 2021-10-22 | 주식회사 희망에어텍 | Artificial intelligence thechnologies-based abnormal symptoms target detection mehotd using big data and system thereof |
| KR102341578B1 (en) | 2019-11-26 | 2021-12-21 | 주식회사 희망에어텍 | Artificial intelligence thechnologies-based abnormal symptoms target detection mehotd using big data and system thereof |
| CN112556698A (en) * | 2020-12-17 | 2021-03-26 | 广州博进信息技术有限公司 | Ship behavior change and abnormality recognition method, equipment and medium |
| CN112556698B (en) * | 2020-12-17 | 2023-12-15 | 广州博进信息技术有限公司 | Ship behavior change and abnormality identification method, equipment and medium |
| CN115331486A (en) * | 2022-08-12 | 2022-11-11 | 河海大学 | Ship collision risk assessment and prediction method and device |
| CN115331486B (en) * | 2022-08-12 | 2023-06-13 | 河海大学 | Ship collision risk assessment and prediction method and device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhen et al. | A novel analytic framework of real-time multi-vessel collision risk assessment for maritime traffic surveillance | |
| KR20120119423A (en) | Apparatus and method for choosing a object for controlling first of all, and apparatus for controlling the object | |
| Zhang et al. | A systematic approach for collision risk analysis based on AIS data | |
| Debnath et al. | Navigational traffic conflict technique: a proactive approach to quantitative measurement of collision risks in port waters | |
| Bakdi et al. | Fullest COLREGs evaluation using fuzzy logic for collaborative decision-making analysis of autonomous ships in complex situations | |
| KR101281673B1 (en) | An intelligent method for identifying abnormal navigating ships | |
| KR20180096179A (en) | Vessel seaway and maneuverability supporting system for safety evacuation seaway in event of vessel accident based on evacuation level determination using real-time restoration index, and method thereof | |
| CN112037582B (en) | Cross-sea bridge ship collision early warning method based on risk prediction | |
| CN112561232A (en) | Method for measuring traffic conflict risk of ship in busy water area | |
| Zaman et al. | Formal safety assessment (FSA) for analysis of ship collision using AIS data | |
| Steidel et al. | MTCAS–an assistance system for collision avoidance at sea | |
| KR101134676B1 (en) | Navigation Safety Information Fusion Server and Method Thereof | |
| Hasegawa et al. | Qualitative and quantitative analysis of congested marine traffic environment–an application using marine traffic simulation system | |
| Namgung et al. | Inference model of collision risk Index based on artificial neural network using ship near-collision data | |
| Tang et al. | Prediction of grades of ship collision accidents based on random forests and bayesian networks | |
| KR102257716B1 (en) | Early warning device and method of power plant using switching technology of multiple-predictive models | |
| Pratiwi et al. | Fuzzy inference system for determining collision risk of ship in Madura Strait using automatic identification system | |
| Nguyen | Fuzzy methods in risk estimation of the ship system failures based on the expert judgments | |
| Park et al. | Assessment of Collision Risk in Vessel Traffic Service Areas using Fuzzy Comprehensive Evaluation | |
| Wójcik et al. | Schema of inference processes in a preliminary identification of navigational situation in maritime transport | |
| Psarros | Comparing the navigator’s response time in collision and grounding accidents | |
| Haoqiang et al. | Using Bayesian network for risk analysis of inland waterway transportation system considering environmental effects | |
| CN117889865B (en) | Ship sailing route optimization method, system and medium based on machine vision | |
| Przeniosło et al. | Improvement of good seamanship using specialized processes and algorithms onboard ships, in fleet operation centers, and in simulations | |
| Lakkis et al. | Using Artificial Neural Networks for Short-Term Ship Motion Prediction during Deck Landings |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20160608 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20170608 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20180612 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20190528 Year of fee payment: 7 |