KR102232393B1

KR102232393B1 - 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치

Info

Publication number: KR102232393B1
Application number: KR1020200036547A
Authority: KR
Inventors: 박준범; 최신표
Original assignee: 한국해양대학교 산학협력단
Priority date: 2020-03-26
Filing date: 2020-03-26
Publication date: 2021-03-25

Abstract

자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치가 제시된다. 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법은, 수집한 원시 데이터에 통계적 기법을 적용하여 이상 값 및 잡음을 제거하여 데이터의 전처리를 수행하는 단계; 전처리된 상기 데이터에서 선박의 연료소비에 영향을 미치는 요소를 i)선박 운항자의 경험자 도메인(Expert domain)을 통한 변수 선정 및 ii)차원축소(Dimension reduction)와 인자분석(Factor analysis)을 통한 변수 선정 중, 적어도 어느 하나 이상의 변수 선정을 이용하여, 예측 모델에 입력되는 변수를 선정하는 단계; 및 선정된 상기 변수를 사용하여 인공신경망 또는 회귀 분석 기반의 연료소비에 대한 예측 모델을 구축하는 단계를 포함하여 이루어질 수 있다.

Description

자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치{METHOD AND APPARATUS FOR DEVELOPING ECONOMIC OPERATION SOLUTION OF AUTONOMOUS SHIP}

아래의 실시예들은 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치에 관한 것으로, 더욱 상세하게는 및 운항해상 환경 데이터 및 운항해상 환경 데이터를 이용한 인공신경망 또는 회귀 분석 기반의 연료 소비 예측 모델을 제공하고 최적의 연료 효율을 구현하는 제어 가능한 운항자세(흘수, 트림 등)의 최적 값을 도출하는 방법 및 장치에 관한 것이다.

화석연료의 소비 증가에 따른 환경오염 문제와 전세계적인 기후변화로 인하여 온실가스 배출을 규제하려는 국제적인 움직임들이 많아지고 있다. 국제해사기구에서는 2050년까지 2008년 선박 배기가스 배출량 수준의 절반으로 감축할 것을 장기목표로 설정하였으며, 이에 따라 선박의 설계 및 운영과정에서 EEDI, EEOI 및 SEEMP 등을 적용하여 단계적으로 배기가스를 줄여나가는 방침을 시행 중이다. 또한, 탄소세 및 온실가스 배출권의 거래제 등도 시장적인 규제 측면에서 활발히 논의가 되고 있다. 선박을 운영하는 해운회사들도 전체 운항 경비의 약 50∼60%를 차지하는 연료소비의 저감을 통하여 국제적인 경쟁력 확보와 배기가스 배출 저감 등을 달성하고자 운영 절차 개발 및 여러 방안을 검토하고 있는 중이다

기존에 선박의 에너지 최적화에 대한 다양한 해결책을 제시하였으나, 서로 다른 연구 조건으로 인하여 개발된 모델 간의 예측 신뢰도를 직접적으로 비교하기에는 어려움이 존재하였다. 기존 기술들은 선박의 운항성능과 관련된 많은 특성변수들이 존재하며, 이들 중 일부는 상호간에 강한 상관관계를 가진다. 이러한 특성변수들을 적절한 처리 없이 회귀 모형에 그대로 활용하는 경우 변수간의 중복적인 물리효과에 의한 다중공선성(multicollinearity)으로 인하여 모델의 성능 저하, 회귀 계수의 부정확한 추정 등의 문제가 발생할 수 있었다. 최근에는 정확도 높은 예측과 빅데이터 처리가 가능한 인공신경망 모델이 많이 활용되고 있으나, 이 또한 모델의 입력변수 선정이나 학습과정에서 발생할 수 있는 과적합 현상에 대하여 어떠한 변수들 간의 관계가 과적합을 발생시키고 이를 방지하기 위해 어떠한 방법이 있는지에 대한 뚜렷한 해결책이 부족한 실정이다. 또한 개발된 인공신경망 기반의 모델은 블랙박스와 같기 때문에 선박 에너지 소비에 대한 해설과 추가적인 통찰력을 제시해주지 못한다는 한계가 있었다.

한편, 많은 운항 최적화 연구들이 수행되었음에도 불구하고 선박에서 항해 관리를 위해 요구되는 사항과 연구 결과 간에 차이가 존재하는 이유는 선박 현장에서는 여전히 근무자들의 경험에 의존하는 경우가 빈번하였기 때문이다. 또한 기존의 연구가 주로 수조실험이나 시뮬레이션을 통한 선박의 설계적인 수준에서 최적화를 다루고자 하였으며, 선박 운항자의 관점에서 항해계획 수립이나 운항 상태 모니터링시 운항성능을 실질적으로 개선할 수 있는 방안에 대해서는 고려가 미흡하였기 때문인 것으로 판단된다. 예를 들어, 기존의 연구에서는 선박이 항해 중에 있어서의 소비된 연료를 평가하는 단위로 특정 항해시간 당의 소비연료량을 모델의 출력결과로 사용하였다. 이러한 변수는 특정 운항기간 동안 소비된 연료량의 비교에는 유효하다. 하지만 실제 선박은 도착예정시각(ETA)을 고려하여 일정속도로 운항하기 때문에 운항시간에 대한 종합적인 연료 효율의 저감을 검토하기에는 어려움이 있었다.

Ferrero, P., Iacovoni, A., D'Elia, E., Vaduganathan, M., Gavazzi, A., Senni, M., 2015. Prognostic scores in heart failure―critical appraisal and practical use. International journal of cardiology, 188, 1-9.

실시예들은 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치에 관하여 기술하며, 보다 구체적으로 선박 데이터 및 운항해상 환경 데이터를 이용한 인공신경망 또는 회귀 분석 기반의 연료 소비 예측 모델을 제공하는 기술을 제공한다.

실시예들은 운항 중 운항자가 제어 가능한 변수를 추출하고, 기상예보 정보와 선박운동 동특성을 환경정보로 반영하여 선박의 연료 효율을 예측하는 인공지능 기반 예측 모델을 구축하는 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치를 제공하는데 있다.

또한, 실시예들은 인공지능 기반 예측 모델을 이용하여 민감도 분석을 통해 최적의 연료 효율을 구현하는 제어 가능한 운항자세(흘수, 트림 등)의 최적 값을 도출함으로써, 기상예보 및 운항지역 영향 값을 고려하여 최적운항경로를 제공할 수 있는 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치를 제공하는데 있다.

일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법은, 수집한 원시 데이터에 통계적 기법을 적용하여 이상 값 및 잡음을 제거하여 데이터의 전처리를 수행하는 단계; 전처리된 상기 데이터에서 선박의 연료소비에 영향을 미치는 요소를 i)선박 운항자의 경험자 도메인(Expert domain)을 통한 변수 선정 및 ii)차원축소(Dimension reduction)와 인자분석(Factor analysis)을 통한 변수 선정 중, 적어도 어느 하나 이상의 변수 선정을 이용하여, 예측 모델에 입력되는 변수를 선정하는 단계; 및 선정된 상기 변수를 사용하여 인공신경망 또는 회귀 분석 기반의 연료소비에 대한 예측 모델을 구축하는 단계를 포함하여 이루어질 수 있다.

또한, 구축한 예측 모델로부터 민감도 분석을 통하여 최적의 연료 효율을 구현하는 제어 가능한 운항자세(흘수, 트림 등)의 최적 값을 도출하는 단계를 더 포함할 수 있다.

또한, 학습에 사용되지 않은 데이터세트에 대하여 상기 예측 모델의 성능을 비교 분석하고, 일정 기간 동안의 시계열 데이터에 대하여 예측을 수행하여 상기 예측 모델의 정확성을 검증하는 단계를 더 포함할 수 있다.

상기 데이터의 전처리를 수행하는 단계는, 선박의 운항변수 중 선박의 기관 출력과 연료소모량을 활용하여 이상 값을 식별하며, 상기 기관 출력을 입력변수로 두고 연료소모량을 종속변수로 두어 선형회귀모형을 구현하고, 회귀에 의한 예측 값과 실제 관측 값의 차가 정규분포를 이룬다는 가정하에 평균으로부터 3 표준편차(3 sigma)를 벗어난 범위의 관측 값을 이상 값으로 판단할 수 있다.

상기 데이터의 전처리를 수행하는 단계는, 데이터 필터(data filter)를 통해 해당하는 관측 값이 시계열 데이터 내에서 기설정된 범위 이상으로 튀는 신호를 처리할 수 있다.

상기 변수를 선정하는 단계는, 연료소비에 주요한 영향을 미치는 요소를 상기 경험자 도메인(Expert domain) 및 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 통해 변수를 선정하여, 연료소비에 가장 영향을 미치는 요소를 상기 예측 모델의 입력 변수로 선정할 수 있다.

상기 변수를 선정하는 단계는, 선박 운항자의 상기 경험자 도메인(Expert domain)을 통해 변수를 선정하며, 경험에 의한 변수 선정 후 곡선 피팅(curve fitting)을 통한 파생변수를 생성할 수 있다.

상기 변수를 선정하는 단계는, 회귀계수의 크기에 조절 모수(tuning parameter)를 부여하여 종속변수에 상대적으로 영향력이 작은 독립변수의 회귀계수 값을 축소해주는 상기 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 통해 변수를 선정할 수 있다.

상기 변수를 선정하는 단계는, 통계적인 관점에서 변수를 선정함에 곡선 피팅(curve fitting)을 적용하기 전과 후의 변수에 대하여 상기 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 각각 수행할 수 있다.

다른 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 장치는, 수집한 원시 데이터에 통계적 기법을 적용하여 이상 값 및 잡음을 제거하여 데이터의 전처리를 수행하는 데이터 전처리부; 전처리된 상기 데이터에서 선박의 연료소비에 영향을 미치는 요소를 i)선박 운항자의 경험자 도메인(Expert domain)을 통한 변수 선정 및 ii)차원축소(Dimension reduction)와 인자분석(Factor analysis)을 통한 변수 선정 중, 적어도 어느 하나 이상의 변수 선정을 이용하여, 예측 모델에 입력되는 변수를 선정하는 변수 선정부; 및 선정된 상기 변수를 사용하여 인공신경망 또는 회귀 분석 기반의 연료소비에 대한 예측 모델을 구축하는 예측 모델 구축부를 포함하여 이루어질 수 있다.

상기 예측 모델 구축부는, 구축한 상기 예측 모델로부터 민감도 분석을 통하여 최적의 연료 효율을 구현하는 제어 가능한 흘수 또는 트림을 포함하는 운항자세의 최적 값을 도출할 수 있다.

또한, 학습에 사용되지 않은 데이터세트에 대하여 상기 예측 모델의 성능을 비교 분석하고, 일정 기간 동안의 시계열 데이터에 대하여 예측을 수행하여 정확성을 검증하는 모델 검증부를 더 포함할 수 있다.

상기 데이터 전처리부는, 선박의 운항변수 중 선박의 기관 출력과 연료소모량을 활용하여 이상 값을 식별하며, 상기 기관 출력을 입력변수로 두고 연료소모량을 종속변수로 두어 선형회귀모형을 구현하고, 회귀에 의한 예측 값과 실제 관측 값의 차가 정규분포를 이룬다는 가정하에 평균으로부터 3 표준편차(3 sigma)를 벗어난 범위의 관측 값을 이상 값으로 판단할 수 있다.

상기 데이터 전처리부는, 데이터 필터(data filter)를 통해 해당하는 관측 값이 시계열 데이터 내에서 기설정된 범위 이상으로 튀는 신호를 처리할 수 있다.

상기 변수 선정부는, 연료소비에 주요한 영향을 미치는 요소를 상기 경험자 도메인(Expert domain) 및 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 통해 변수를 선정하여, 연료소비에 가장 영향을 미치는 요소를 상기 예측 모델의 입력 변수로 선정할 수 있다.

실시예들에 따르면 운항 중 운항자가 제어 가능한 변수를 추출하고, 기상예보 정보와 선박운동 동특성을 환경정보로 반영하여 선박의 연료 효율을 예측하는 인공지능 기반 예측 모델을 구축하는 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치를 제공할 수 있다.

또한, 실시예들에 따르면 인공지능 기반 예측 모델을 이용하여 민감도 분석을 통해 최적의 연료 효율을 구현하는 제어 가능한 변수(흘수, 트림 등)의 최적 값을 도출함으로써, 기상예보 및 운항지역 영향 값을 고려하여 최적운항경로를 제공할 수 있는 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치를 제공할 수 있다.

도 1은 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법을 나타내는 흐름도이다.
도 2는 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 장치를 나타내는 블록도이다.
도 3은 일 실시예에 따른 수집된 데이터를 항해 상태에 따라 분류한 결과를 나타내는 도면이다.
도 4는 일 실시예에 따른 기관 출력과 연료소모량의 산점도를 나타내는 도면이다.
도 5는 일 실시예에 따른 3 표준편차 규칙으로 특이 값을 식별하는 것을 나타내는 도면이다.
도 6은 일 실시예에 따른 데이터 필터의 적용을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 평균흘수와 트림 데이터에 데이터 필터를 적용한 결과의 예시를 나타내는 도면이다.
도 8은 일 실시예에 따른 각 운항변수의 산점도에 다양한 형태의 곡선 피팅(curve fitting) 그래프를 비교하여 나타내는 도면이다.
도 9는 일 실시예에 따른 차원축소(Dimension reduction) 및 인자분석(Factor analysis) 회귀 모형을 나타내는 도면이다.
도 10은 일 실시예에 따른 다중 퍼셉트론 기반의 연료 효율 예측 모델의 구조를 도식화하여 나타내는 도면이다.
도 11은 일 실시예에 따른 평균흘수의 민감도 분석 결과를 나타내는 도면이다.

이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

본 실시예에서는 운항하는 선박에서 수집한 데이터를 기반으로 연료소비를 예측하는 예측 모델을 제공하고자 하였다. 운항자 관점에서 선박의 운항 중 에너지 소모를 절감할 수 있는 최적항로를 설계하고, 효율적인 운항 상태를 유지할 수 있도록 의사결정을 지원하는데 중점을 두었다. 본 실시예들은 유효한 변수를 선정하기 위해서 차원축소(Dimension reduction) 및 인자분석(Factor analysis) 방법을 활용하여 모델의 과적합과 다중공선성(multicollinearity)을 방지하고자 하였으며, 경험자 기반 방법으로 변수를 선정하여 실무적으로 적용 가능한 모델을 구축하고자 하였다. 또한 선정된 운항데이터를 사용하여 인공신경망과 회귀 분석 기반의 모델을 구축하였으며, 실선 사례에 적용함으로써 모델들의 성능을 검증하였다. 마지막으로, 모델의 변수에 대한 민감도 해석을 수행하여 선박의 운항조건에 따른 에너지 효율 상태에 대한 정보를 추가적으로 분석하였으며, 선박 설계상의 최적운항조건과 본 실시예에서 얻은 모델로부터 추정한 최적 운항조건과의 차이를 검토하고자 하였다.

도 1은 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법을 나타내는 흐름도이다.

도 1을 참조하면, 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법은, 수집한 원시 데이터에 통계적 기법을 적용하여 이상 값 및 잡음을 제거하여 데이터의 전처리를 수행하는 단계(S110), 전처리된 데이터에서 선박의 연료소비에 영향을 미치는 요소를 i)선박 운항자의 경험자 도메인(Expert domain)을 통한 변수 선정 및 ii)차원축소(Dimension reduction)와 인자분석(Factor analysis)을 통한 변수 선정 중, 적어도 어느 하나 이상의 변수 선정을 이용하여, 예측 모델에 입력되는 변수를 선정하는 단계(S120), 및 선정된 변수를 사용하여 인공신경망 또는 회귀 분석 기반의 연료소비에 대한 예측 모델을 구축하는 단계(S130)를 포함하여 이루어질 수 있다.

또한, 구축한 예측 모델로부터 민감도 분석을 통하여 최적의 연료 효율을 구현하는 제어 가능한 흘수 또는 트림을 포함하는 운항자세의 최적 값을 도출하는 단계(S140)를 더 포함할 수 있다. 또한, 학습에 사용되지 않은 데이터세트에 대하여 예측 모델의 성능을 비교 분석하고, 일정 기간 동안의 시계열 데이터에 대하여 예측을 수행하여 예측 모델의 정확성을 검증하는 단계(S150)를 더 포함할 수 있다.

실시예들은 자율운항 선박의 경제 운항 솔루션 개발을 위한 기술에 관한 것으로, 운항 중 운항자가 제어 가능한 변수를 추출하고, 기상예보 정보와 선박운동 동특성을 환경정보로 반영하여 선박의 연료 효율을 예측하는 인공지능 모델을 구축할 수 있다. 이 때, 선박운동 동특성에 추가적인 영향을 주는 특정해역을 운항지역 영향 값으로 구분할 수 있다.

실시예에 따른 인공지능 모델을 이용하여 민감도 분석을 통해 최적의 연료 효율을 구현하는 제어 가능한 변수(흘수, 트림 등)의 최적 값을 도출할 수 있다. 이에 따라 기상예보 및 운항지역 영향 값을 고려하여 최적운항경로를 제공할 수 있다.

아래에서 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법의 각 단계를 상세히 설명한다.

일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법은 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 장치를 예를 들어 보다 구체적으로 설명할 수 있다. 한편, 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 장치는 컴퓨터를 통해 구현되는 프로세서일 수 있다.

도 2는 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 장치를 나타내는 블록도이다.

도 2를 참조하면, 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 장치(200)는 데이터 전처리부(210), 변수 선정부(220) 및 예측 모델 구축부(230)를 포함하여 이루어질 수 있다. 또한 실시예에 따라 모델 검증부(240)를 더 포함할 수 있다.

단계(S110)에서, 데이터 전처리부(210)는 수집한 원시 데이터에 통계적 기법을 적용하여 데이터 분석에 불필요한 이상 값 및 잡음을 제거하여 데이터의 전처리를 수행할 수 있다.

데이터 전처리부(210)는 선박의 운항변수 중 선박의 기관 출력과 연료소모량을 활용하여 이상 값을 식별할 수 있다. 여기서, 데이터 전처리부(210)는 기관 출력을 입력변수로 두고 연료소모량을 종속변수로 두어 선형회귀모형을 구현하고, 회귀에 의한 예측 값과 실제 관측 값의 차가 정규분포를 이룬다는 가정하에 평균으로부터 3 표준편차(3 sigma)를 벗어난 범위의 관측 값을 이상 값으로 판단할 수 있다.

또한, 데이터 전처리부(210)는 데이터 필터(median filter)를 통해 해당하는 관측 값이 시계열 데이터 내에서 기설정된 범위 이상으로 튀는 신호를 처리할 수 있다.

단계(S120)에서, 변수 선정부(220)는 전처리된 데이터에서 선박의 연료소비에 영향을 미치는 요소를 i)선박 운항자의 경험자 도메인(Expert domain)을 통한 변수 선정 및 ii)차원축소(Dimension reduction)와 인자분석(Factor analysis)을 통한 변수 선정 중, 적어도 어느 하나 이상의 변수 선정을 이용하여, 예측 모델에 입력되는 변수를 선정할 수 있다. 즉, 변수 선정부(220)는 종속변수에 대한 독립변수들의 비선형적인 물리관계를 고려하기 위하여 다양한 함수형태에 대한 비선형적합을 통해서 파생변수를 생성할 수 있다.

변수 선정부(220)는 연료소비에 주요한 영향을 미치는 요소를 i)선박 운항자의 경험자 도메인(Expert domain)을 통한 변수 선정 및 ii)차원축소(Dimension reduction)와 인자분석(Factor analysis)을 통한 변수 선정 중, 적어도 어느 하나 이상의 변수 선정을 이용하여 변수를 선정함으로써, 연료소비에 가장 영향을 미치는 요소를 예측 모델의 입력 변수로 선정할 수 있다.

변수 선정부(220)는 선박 운항자의 경험자 도메인(Expert domain)을 통해 변수를 선정할 수 있다. 여기서, 변수 선정부(220)는 경험에 의한 변수 선정 후 곡선 피팅(curve fitting)을 통한 파생변수를 생성할 수 있다.

변수 선정부(220)는 회귀계수의 크기에 조절 모수(tuning parameter)를 부여하여 종속변수에 상대적으로 영향력이 작은 독립변수의 회귀계수 값을 축소해주는 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 통해 변수를 선정할 수 있다. 여기서, 변수 선정부(220)는 통계적인 관점에서 변수를 선정함에 곡선 피팅(curve fitting)을 적용하기 전과 후의 변수에 대하여 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 각각 수행할 수 있다.

단계(S130)에서, 예측 모델 구축부(230)는 선정된 변수를 사용하여 인공신경망 또는 회귀 분석 기반의 연료소비에 대한 예측 모델을 구축할 수 있다.

단계(S140)에서, 예측 모델 구축부(230)는 구축한 예측 모델로부터 민감도 분석을 통하여 최적의 연료 효율을 구현하는 제어 가능한 운항자세(흘수, 트림 등)의 최적 값을 도출할 수 있다.

단계(S150)에서, 모델 검증부(240)는 학습에 사용되지 않은 데이터세트에 대하여 예측 모델의 성능을 비교 분석하고, 일정 기간 동안의 시계열 데이터에 대하여 예측을 수행하여 예측 모델의 정확성을 검증할 수 있다. 또한, 모델 검증부(240)는 모델의 입력변수에 대한 민감도 분석을 수행함으로써 선박의 다양한 조건에 따른 에너지 효율 상태에 대한 추가적인 분석을 수행할 수 있다.

실시예들에 따르면 선내 데이터와 다양한 환경정보(기상예보 정보와 선박운동 동특성을 포함)로부터 운항자가 제어 가능한 정보를 추출할 수 있다. 또한 선박 운동특성에 추가적인 영향을 주는 특정해역을 운항지역 영향 값으로 구분할 수 있다. 추출한 변수들간의 강한 다중공선성(multicollinearity)이 발생하는 변수들은 적절한 기법을 사용하여 정리할 수 있다.

또한, 실시예들에 따르면 다양한 인공지능 기법을 사용하여 경제 운항 솔루션에 적합한 연료 효율 예측 모델을 제공할 수 있다. 제공된 인공지능 기반 예측 모델로부터 다양한 민감도 분석을 수행하여 최적의 연료 효율을 주는 제어 가능한 변수들의 최적 값을 도출할 수 있다. 이러한 최적 값들을 기준으로 운항항로에 발생하는 기상예보 및 운항지역의 영향 값을 고려하여 최적의 운항경로를 제공할 수 있다.

아래에서 일 실시예에 따른 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치를 하나의 예를 들어 보다 구체적으로 설명한다.

본 실시예에서는 13100TEU 컨테이너 선박으로부터 수집한 운항데이터를 사용하여 연료소비 경향을 예측할 수 있는 모델을 개발하였으며, 운항자 관점에서 선박의 운항 중 에너지 소모를 절감할 수 있는 최적항로를 설계하고 효율적인 운항 상태를 유지할 수 있도록 의사결정을 지원하는데 중점을 두었다. 유효한 변수를 선정하기 위해서 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 활용하여 모델의 과적합과 다중공선성(multicollinearity)을 방지하고자 하였으며, 경험자 기반 방법으로 변수를 선정하여 실무적인 적용 가능성을 고려하였다. 여기에서, 2014년 1월부터 6월까지 감시 제어 시스템(Alarm Monitoring and control System, AMS)으로부터 1분 간격으로 운항데이터가 수집되었으며, 해당하는 기간 동안 대상 선박은 기설정된 아시아-유럽 항로를 운항하였다.

도 3은 일 실시예에 따른 수집된 데이터를 항해 상태에 따라 분류한 결과를 나타내는 도면이다. 수집된 데이터를 항해 상태에 따라 분류한 결과, 도 3에 도시된 바와 같이, 전체 구간은 대양 항해 구간, 입출항을 위한 항내 운항 및 정박 구간, 데이터의 결측 및 기타 구간으로 구성되었으며, 각각 65%, 17%, 18%를 차지하였다. 본 실시예에서는 선박의 항해 중 에너지 효율을 연구하는 것이 목적이므로 선박의 정상적인 상태에 해당하는 대양 항해 구간에서의 데이터를 활용하였다.

선박의 속도성분, 하중성분, 운항해상 환경 데이터 등 다양한 운항데이터가 수집되었으며, 데이터 분석에 활용하기 위하여 기본적인 변수변환을 수행하였다. 즉, 기관으로 들어가고 나가는 연료의 flow meter 값으로부터 시간당 연료소모량, 선수, 선미, 좌현, 우현의 흘수계로부터 평균흘수와 트림, 선속과 선수 헤딩으로부터 상대 풍향과 풍속 등을 계산하였다. 또한, 본 실시예에서는 운항해상 환경 데이터를 여건상 대지속력과 대수속력의 차로 반영함으로써 해류 및 조류와 같은 파도에 의한 외력 성분을 고려하였다.

선박에서 소비되는 연료는 주기관, 보조기관, 보일러에서 소모되는 연료의 총합으로 나타낼 수 있으나, 선박의 추진에 소모되는 연료만을 고려하기 위하여 주기관에서 소모된 연료를 사용하였다. 기존 기술에서는 단위 시간당 연료소모량을 종속변수로 활용하는 경우가 많았으나 이는 단순히 어느 구간에서의 연료소비량 비교에 국한되며 종합적인 연료 효율의 저감을 검토하기에는 어려움이 있었다. 선박을 운항하는 운항사 입장에서는 선박이 일정 거리를 이동하는 동안 주어진 운항해상 환경에서 소모되는 연료량을 파악할 수 있어야 실질적인 선박의 에너지 효율 상태 및 의사결정에 도움을 줄 수 있기 때문에 제공하고자 하는 예측 모델의 종속변수는 에너지 소비로 단위 항해거리당 연료소모량을 사용하였으며, 다음 식과 같이 나타낼 수 있다.

[수학식 1]

예측 모델의 독립변수 및 종속변수로 사용된 운항변수는 표 1과 같이 나타낼 수 있다.

[표 1]

선체 진동이나 충격과 같은 외부 환경적인 요인 또는 기기 결함 등에 의하여 선박으로부터 수집되는 운항데이터에는 정상적인 운용 범위를 벗어나는 이상 값과 잡음이 포함될 수 있으며, 이러한 구간은 데이터 분석에 부정적인 영향을 미칠 수 있다. 따라서 다음과 같은 통계적인 기법들을 적용하여 원시 데이터에 포함된 불필요한 데이터를 처리하였다.

운항변수 중 선박의 기관 출력과 연료소모량을 활용하여 이상 값을 식별하였다. 기관 출력 변수는 예측 모델 구현에는 사용하지 않았으며 이상 데이터를 필터링하기 위한 용도로 활용하였다. 기관 출력을 입력변수, 연료소모량을 종속변수로 두고 선형회귀모형을 구현하였다. 회귀에 의한 예측 값과 실제 관측 값의 차가 정규분포를 이룬다는 가정하에 평균으로부터 3 표준편차(3 sigma)를 벗어난 범위의 관측 값을 이상 값으로 판단하였다. 정규분포의 3 표준편차 법칙에 따르면 전체 데이터의 약 99.7%는 3 표준편차 안에 포함되며, 이러한 값은 데이터의 이상 값을 식별하는 기준으로 많이 활용된다.

도 4는 일 실시예에 따른 기관 출력과 연료소모량의 산점도를 나타내는 도면이다.

도 4를 참조하면, 일 실시예에 따른 기관 출력과 연료소모량의 산점도에서 실선은 선형 회귀선(Regression), 점(·)은 회귀선을 기준으로 3 표준편차 이내의 값(Within 3 sigma), 별표(*)는 3 표준편차 밖의 값(Outside of 3 sigma)에 해당한다. 도 4에서 3 표준편차를 벗어난 관측 값의 한 점을 샘플링하여 해당하는 지점의 연료소모량에 대한 시계열 데이터를 도 5와 같이 나타낼 수 있다.

도 5는 일 실시예에 따른 3 표준편차 규칙으로 특이 값을 식별하는 것을 나타내는 도면이다. 도 5를 참조하면, 시간에 따른 기관 출력과 연료소모량의 변화를 볼 때, 샘플링 지점에서 기관 출력에 비하여 연료소모 값이 비정상적으로 관측된 것을 알 수 있었으며, 이처럼 3 표준편차를 벗어나는 값을 포함하는 데이터세트는 원시 데이터로부터 제거할 수 있다.

도 6은 일 실시예에 따른 데이터 필터의 적용을 설명하기 위한 도면이다.

평균흘수나 트림과 같이 외력과 선체 동요 등에 의하여 지속적으로 값이 변화하는 특성을 가지는 변수들은 데이터를 반영할 때 데이터의 수집 간격과 품질 등을 적절히 고려할 필요가 있다. 본 실시예에서는 데이터가 1분 간격으로 수집되었으며, 해당 기간 동안의 평균값이 아닌 취득 시점의 순간 데이터가 수집되었기 때문에 데이터가 전반적으로 불연속적이며 일정한 추세변화를 나타내는데 어려움이 존재하였다. 따라서 본 실시예에서는 데이터 필터(data filter)를 적용하여 이러한 데이터 자체의 수집 과정에서 발생한 문제점을 보완하고자 하였다. 도 6에 도시된 바와 같이, 데이터 필터는 관측 값의 주변 값들을 오름차순 또는 내림차순으로 정렬하여 해당하는 관측 값을 정렬의 중앙값으로 대체하는 방법이며, 시계열 데이터 내에서 과도하게 튀는 신호를 처리하여 줌으로써 데이터의 전반적인 경향성을 표현하는 데 효과적이다.

도 7은 일 실시예에 따른 평균흘수와 트림 데이터에 데이터 필터를 적용한 결과의 예시를 나타내는 도면이다. 보다 구체적으로, 도 7의 (a)는 선박의 운항데이터 중 실시간 변동이 가장 심한 평균흘수 데이터에 데이터 필터를 적용한 결과를 예시로 나타내며, (b)는 선박의 운항데이터 중 실시간 변동이 가장 심한 트림 데이터에 데이터 필터를 적용한 결과를 예시로 나타낸다.

여기서, 점선이 필터를 적용하기 전의 원시 데이터(Original data)이며, 실선으로 나타낸 부분이 데이터 필터를 적용한 결과(Filtered data)이다. 본 실시예에서는 원시 데이터에 10분 간격의 윈도우를 사용하여 필터링을 보다 정밀하게 수행하였다.

선박의 운항변수들은 에너지 소비와 밀접한 관련을 가지며, 이를 다양한 물리 관계로 나타낼 수 있다. 단순한 선형 회귀식에서는 이러한 변수들 간의 관계가 선형적인 결합으로만 구현되기 때문에 변수들 간의 비선형성은 결여된다는 한계가 있다. 따라서 본 실시예에서는 선형뿐만 아니라 quadratic, cubic, Inverse, logarithmic, exponential과 같은 다양한 함수형태를 도입하여 변수들이 포함하고 있는 특성을 충분히 반영하고자 하였다.

도 8은 일 실시예에 따른 각 운항변수의 산점도에 다양한 형태의 곡선 피팅(curve fitting) 그래프를 비교하여 나타내는 도면이다.

도 8의 (a) 내지 (k)는 각 운항변수의 산점도에 다양한 형태의 곡선 피팅(curve fitting) 그래프를 비교한 것이며, 결정계수가 높은 상위 4개의 형태를 표시하였다. 표 2는 각 운항변수의 파생변수형태로 선정된 함수와 결정계수를 나타낸 것이다.

[표 2]

기본적으로 가장 결정계수가 높은 함수 형태를 취함으로써 데이터의 분포에 적합한 파생변수로 변환하고자 하였으나, 함수 간 결정계수 값의 차이가 크지 않은 경우 가능하면 더 낮은 차수의 함수형태를 선정하여 모델의 복잡성을 낮추고자 하였다.

각 변수는 일반적으로 서로 다른 단위체계를 사용하고 있기 때문에 회귀계수 추정 시 종속변수에 대한 독립변수의 영향력을 정확히 파악하기 어렵다. 이를 방지하기 위해 다음 식과 같이 z 값 변환을 수행하여 데이터를 표준화(standardization) 하였으며, 표준화된 변수 z_i는 평균이 0이고 표준편차가 1이 된다.

[수학식 2]

여기에서, x_i는 각 변수의 i 번째 관측 값,

는 표준편차,

는 평균, z_i는 표준화된 값, p는 각 변수의 관측 값의 개수이다. 본 실시예에서 p는 6개월간 1분 간격으로 취득한 데이터에 해당한다.

단계(S120)에서, 변수 선정부(220)는 전처리된 데이터에서 선박의 연료소비에 영향을 미치는 요소를 '선박 운항자의 경험자 도메인(Expert domain)' 및/또는 '차원축소(Dimension reduction) 및 인자분석(Factor analysis)'을 통해서 예측 모델에 입력되는 변수를 선정할 수 있다.

선박의 항로 계획은 입출항 일정, 운항 해역의 선박통항량, 해상 및 기상 상태 등을 고려하여 수립되며, 이는 주로 해운회사의 운항담당자 또는 선박 운항자의 지식과 경험에 근거하여 수행되는 것이 일반적이다. 기존에 많은 연구들이 수행되었음에도 불구하고, 실제 선박에서 항로 계획을 위해 요구되는 값들과 기존 연구에 사용된 값들 간에는 차이가 존재하여 실제 선박운항에서는 여전히 선박 근무자들의 경험에 의존하는 경우가 많다. 이는 기존 연구가 주로 설계 단계에서 최적화를 다루고자 하는 관점이었으며 선박 운항자의 관점에서 항로 계획 수립이나 운항 상태 모니터링 시 운항성능을 실질적으로 개선할 수 있는 방안에 대해서는 고려가 미흡하였기 때문이었다. 또한 무분별한 데이터의 사용은 예측 모델의 과적합 문제와 변수 간의 높은 상관관계로 인한 다중공선성(multicollinearity) 문제 등을 야기할 수 있었으며 계산 시간과 비용 차원에서도 비효율적인 측면이 있었다(비특허문헌 1).

이러한 문제점을 해결하기 위하여 본 실시예에서는 다음의 2가지 방법으로 변수선정을 제안할 수 있으며, 이는 '경험자 도메인(Expert domain)' 및/또는 '차원축소(Dimension reduction) 및 인자분석(Factor analysis)'이다.

경험자 도메인(Expert domain)

선박에서 연료소모 예측 모델을 활용하여 항로계획을 수행한다면 선박 운항자에 의해서 조정 가능한 운항변수 또는 운항변수를 조정함으로써 영향을 받을 수 있는 환경변수가 예측 모델의 대표적인 입력변수로 선정되어야 하며, 이러한 입력 값들은 사용자에 의해서 계획하는 값이 직접 입력되거나 선내 시스템으로부터 자동으로 입력되어야 한다.

기존 연구에서는 에너지 효율을 향상시키고 연료소모량 및 가스 배출량을 저감시킬 수 있는 운항조치를 제안하였으며, 의사결정자가 이용 가능한 방안과 지침을 제공하고 있다. 표 3은 항해성능관리를 위한 선박운항요소를 나타낸 것이며, 항해속도 최적화(voyage speed optimization), 날씨 루팅(weather routing), 트림 및 흘수 최적화(trim/draft optimization), 오토파일럿 성능개선(autopilot improvements)과 같은 항목이 포함될 수 있다.

[표 3]

선속의 3승은 주기관에 의해서 소비되는 연료소모량에 비례하며, 이는 연료 사용량에 가장 큰 영향을 미치는 것으로 알려져 있다. 최적의 속도로 운항하는 것은 에너지 효율적인 측면에서 굉장히 효과적인 방법이며, 선박의 속도와 연관된 변수는 M/E RPM, 대지속력, 대수속력 등 다양하다. 선박의 항해계획 수립에서 대수속력이나 M/E RPM과 같은 변수들은 날씨 상태나 ETA를 위해 결정되는 값들이며, 운항자가 항해 중 에너지 효율을 위하여 조정하는 직접적인 값들이 될 수 없다. 따라서 본 실시예에서는 M/E RPM을 제외하고 항해속도 최적화(voyage speed optimization) 항목의 변수로 대수속력 대신 대지속력을 사용하였다.

날씨 루팅(weather routing) 항목으로는 선박에 미치는 외력, 즉 바람, 파도 등 운항해상 환경이 있다. 다양한 기상, 해상 조건하에서 선박을 목적지까지 도달할 수 있도록 지원해주는 최적항로지원 서비스는 연료소모량을 최대 3%까지 절감할 수 있다고 보고된 바 있다. 본 실시예에서는 운항 당시 선박의 풍향풍속계로부터 측정한 풍향과 풍속 데이터를 반영하였다. 운항해상 환경에 대한 데이터는 수집하지 못하였기 때문에 대지속력과 대수속력의 차를 외력성분으로 가정하여 반영함으로써 운항해상 환경에 의한 외력 영향을 고려하고자 하였다.

트림 및 흘수 최적화(trim/draft optimization)는 선박으로부터 수집한 평균 흘수와 트림 데이터를 사용하였다. 적절한 양의 평형 수를 실어 선박의 흘수 및 트림을 조정하는 것도 선박의 에너지를 최적화하는 간단하면서도 저렴한 방법이며, 선박에서 소모되는 에너지는 트림의 조건에 따라 차이가 난다는 것이 입증되기도 하였다.

타의 작동은 선체에 항력을 더하고 저항을 증가시키는 역할을 한다. 타의 사용 횟수를 최소화하고 항로를 유지하거나 변경하기 위하여 적용되는 타각을 최소화하면 최대 1%까지 소모되는 연료량을 절약할 수 있다. 본 실시예에서 수집된 운항데이터를 분석해본 결과 입출항 및 저속 운항 구간에서 대부분의 조타가 이루어졌으며, 대양구간에서는 타가 상대적으로 많이 사용되지는 않았다. 일반적인 항해 상에서의 운항효율을 파악하기 위한 연구라는 점을 고려하여 타각의 효과는 배제하였다.

따라서 이러한 운항 요소를 고려하여 운항자의 경험 관점에서 표 4와 같이 선박의 속도(SOG), 기상상태(DBS, RWS, RWD), 선박 하중(DFT, TRM) 변수를 모델의 입력변수로 선정할 수 있다.

[표 4]

차원축소(Dimension reduction) 및 인자분석(Factor analysis)

일반적으로 다중 회귀 분석에서는 독립변수의 개수가 많아질수록 독립변수들 사이의 강한 상관관계로 인하여 다중공선성(multicollinearity)이 발생할 수 있으며, 회귀계수 추정량의 분산이 커져 각 독립변수가 종속변수에 미치는 영향을 판단하기 어렵게 한다. 또한, 고차원 데이터로 훈련된 모델은 과적합을 유발할 수 있으며, 이는 새로운 데이터세트에 대하여 예측력이 떨어지는 문제가 발생시킨다. 차원축소(Dimension reduction) 및 인자분석(Factor analysis)은 회귀계수의 크기에 조절 모수(tuning parameter)를 부여함으로써 종속변수에 상대적으로 영향력이 적은 독립변수의 회귀계수 값을 축소해주는 방법이다. 영향력이 없는 변수의 회귀계수를 0으로 만들어 주기 때문에 변수 선택을 가능하게 하고 이에 따라 해석력이 뛰어난 모형을 만들어준다.

차원축소(Dimension reduction) 및 인자분석(Factor analysis)의 한 종류인 LASSO 회귀식의 경우, 해당식은 다음의 [수학식 3]과 같이 통상적으로 회귀분석에서 사용하는 잔차 제곱합을 최소화하는 항에 회귀계수 절대값의 합을 최소로 하는 항을 제약조건으로 추가한 형태이며, 두 항의 합이 최소가 되게 하는 회귀계수

와

를 찾는 것이 목적이다.

가 크면 정규화 정도가 커지며 회귀계수들의 값이 작아지는 반면,

가 작아지면 정규화 정도가 작아지며 0이 되면 일반적인 선형 회귀 모형이 된다.

[수학식 3]

여기서, p는 독립변수의 개수,

는 기존의 잔차 제곱합과 추가적인 제약 조건의 비중을 조절하기 위한 조절 모수이다.

도 9는 일 실시예에 따른 차원축소(Dimension reduction) 및 인자분석(Factor analysis) 회귀 모형을 나타내는 도면이다.

도 9를 참조하면, 일 실시예에 따른 차원축소(Dimension reduction) 및 인자분석(Factor analysis) 회귀 모형의 좌표축은 각 회귀계수의 추정치를 의미하며, 마름모 도형의 빗금 쳐진 부분은

가 포함된 제약조건을 의미한다. 타원형 등고선은 잔차 제곱합이 일정한 부분을 의미하며, 등고선이 제약구간과 닿은 지점의 좌표가 추정된 회귀계수이다. 차원축소(Dimension reduction) 및 인자분석(Factor analysis)의 경우 사각형과 제약구간이 만나는 지점에서 추정된 회귀계수가 0으로 수렴하게 되어 변수를 선택하는 효과를 가진다.

경험자 도메인(Expert domain)은 경험에 의하여 연료 효율에 주요한 변수를 선정하였기 때문에 변수 선정 후에 곡선 피팅(curve fitting)을 통한 파생변수를 생성하였으나, 차원축소(Dimension reduction) 및 인자분석(Factor analysis) 정규화는 통계적인 관점에서 변수를 선정하는 방법이기 때문에 곡선 피팅(curve fitting)을 적용하기 전과 후의 운항변수에 대하여 차원축소(Dimension reduction) 및 인자분석(Factor analysis) 정규화를 각각 수행하였다. 조절모수 값을 정하기 위하여 10-fold 교차 검증(cross validation)를 수행하여 평균제곱오차(Mean Squared Error;MSE)를 최소로 해주는 값과 이로부터 1 표준오차가 되는 값을 선정하였다. 1 표준오차 법칙은 교차검증을 수행하여 최소평균제곱오차가 발생하는 지점으로부터 1 표준오차 이내의 범위의 조절모수를 선택하는 방법을 말한다. 이는 추정된 최소제곱오차가 비슷한 범위 내에서 가장 단순한 모형을 고르고자 하는 목적이 있으며, 회귀의 교차 검증에 통상적으로 많이 활용된다. 본 실시예에서는 1 표준오차 법칙을 적용하여 조절모수

를 선정하였으며, 차원축소(Dimension reduction) 및 인자분석(Factor analysis) 정규화에 의한 변수선택 결과는 표 5와 같이 나타낼 수 있다.

[표 5]

연료 효율 예측 모델의 학습을 위하여 전체 운항 데이터세트 중 70%를 트레이닝 데이터세트(training data set)로 분할하여 예측 모델을 생성하는데 사용하였으며, 나머지 30%를 모델의 성능을 평가하기 위한 테스트 데이터세트(test data set)로 활용하였다. 모델의 성능을 효과적으로 파악하기 위해서는 전체 데이터를 항차 단위 또는 화물 적재 모드 등으로 구분하는 것이 바람직할 것으로 사료된다. 하지만 본 실시예의 대상선박인 컨테이너 선박은 화물의 운송 특성상 만재, 공선항해의 구분에 따른 데이터의 분류가 쉽지 않았다. 또한, 데이터의 전처리 과정을 수행하면서 분석에 불필요한 일부 데이터세트 구간이 제거되어 학습용 데이터와 평가용 데이터의 비율이 정확하게 유지되지 않기 때문에 본 실시예에서는 전처리된 데이터를 7:3의 비율로 나누어 사용하였다. [표 4] 및 [표 5]에서 선정된 변수를 사용하여 회귀 함수와 인공신경망 기법을 적용한 예측 모델을 구현하였다. 변수 선정방법, 변수의 비선형적합 유무, 모델링 방법에 따라 총 8가지의 케이스가 구성되며, 표 6과 같이 나타낼 수 있다.

[표 6]

회귀 분석은 독립변수와 종속변수간의 관계를 설명하거나 새로운 입력 값에 대한 출력 값을 예측하는데 사용된다. 독립변수가 k 개인 다중선형 회귀 분석의 기본 모형은 다음 식과 같이 나타낼 수 있다.

[수학식 4]

회귀 분석은 각 독립변수에 대응하는 회귀계수

를 추정하는 것이다. 회귀계수를 구하기 위해서는 잔차 제곱합이 최소가 되게 하는 회귀식을 찾는 최소제곱법(least squares method)이 사용되며 다음 식과 같이 나타낼 수 있다.

[수학식 5]

산출된 회귀식의 통계적 유의성은 회귀 모형의 F-검정, 종속변수에 대한 개별 독립변수는 t-검정을 수행하여 분석한다.

여기서,

는 독립변수(independent variable),

는 회귀계수(regression coefficient),

는 잔차(residual), Y는 종속변수(dependent variable)를 의미한다.

인공신경망(Artificial Neural Network, ANN)은 인간의 생체 신경망 구조를 단순화하여 모델링한 것으로써 시냅스에서 들어오는 화학적 신호인 입력 값과 시냅스의 연결강도인 가중치가 결합하여 합산된 후 활성화 함수를 거쳐 최종적으로 출력 값이 도출된다. 이를 다음 식들과 같이 표현할 수 있다.

[수학식 6]

[수학식 7]

여기서, x는 입력, w는 가중치, b는 편향, v는 합산된 출력, f는 활성화 함수이며, y는 출력을 나타낸다.

3개 이상의 층으로 구성된 다층 퍼셉트론은 단층 퍼셉트론과 유사한 구조를 가지지만 입력 층과 출력 층 사이에 은닉 층이라 하는 중간 층을 1개 이상 두어 비선형성을 가지는 데이터에 대해서도 학습이 가능하도록 하였다. 입력과 출력 결과의 비선형 관계를 나타내기 위해서 계단, 임계논리, 시그모이드 등 다양한 활성화 함수가 은닉 층에 사용되며, 본 실시예에서는 다음 식과 같은 RELU 함수를 적용할 수 있다. RELU(Rectified Linear Unit)은 간편하고 효율적인 활성화 함수로써, 신경망 네트워크에서 vanishing gradients의 문제점을 해결하는데 도움을 준다.

[식 8]

도 10은 일 실시예에 따른 다중 퍼셉트론 기반의 연료 효율 예측 모델의 구조를 도식화하여 나타내는 도면이다.

도 10을 참조하면, 본 실시예에서는 신경망 모델을 구현하기 위하여 파이썬 언어로 작성된 Google의 Keras 2.2.4을 사용하였다. Keras는 심층 신경망 구조를 쉽게 구현할 수 있도록 작성된 라이브러리이다. 인공신경망 모델을 구현하기 위하여 표 7과 같이 파라미터(parameter)를 적용하였으며, 은닉 층의 개수를 1개에서 5개까지, 은닉 층의 뉴런 개수를 10개에서 100개까지 조합하여 가장 최적의 효율을 나타내는 모델 구성 조건을 찾고자 하였다.

[표 7]

회귀모델에서는 회귀계수로부터 각 독립변수가 변화함에 따라 종속변수에 미치는 영향력을 쉽게 파악할 수 있다. 반면, 인공 신경망 모델의 경우는 복잡한 수식의 형태를 갖는 모델이기 때문에 선박 에너지 소비에 대한 해석과 추가적인 지침을 제시하기 어렵다. 인공 신경망 모델의 경향을 파악하기 위해 본 실시예에서는 민감도 분석을 수행하였다. 인공 신경망 모델에 사용된 독립변수를 선박의 평균적인 운항수준으로 고정하고 영향력을 알고 싶은 변수만 변동함으로써 그 변수가 연료효율에 미치는 영향을 파악할 수 있다.

도 11은 일 실시예에 따른 평균흘수의 민감도 분석 결과를 나타내는 도면이다.

도 11을 참조하면, 운항자세인 평균흘수(mean draft)의 특정값에서 연료효율이 좋은 것을 확인할 수 있다. 이는 설계 단계에서도 구할 수 있으나 실제 데이터를 취득하여 민감도 분석을 해보면 다른 자세에서 연료효율이 좋게 나올 수 있다는 것이다.

경험자 도메인의 모델에 흘수가 입력변수로 포함되어 있는 모델을 활용하여 흘수에 대한 민감도 분석을 수행할 수 있다. 도 11에 도시된 바와 같이, 실선으로 나타낸 부분이 선박의 평균 운항 수준에서 평균흘수에 따른 연료효율의 예측 결과이며, 원으로 나타낸 부분이 실제 선박의 평균운항 조건으로부터 각 운항 변수의 범위가 +-15% 이내에서 관측된 연료효율 값, X표시는 평균운항 조건으로부터 각 운항 변수의 범위가 +-10% 이내에서 관측된 값을 나타낸 것이다. 민감도 분석에 의하면 평균적으로 흘수 14.79m에서 가장 에너지 효율이 좋은 것을 알 수 있다. 통상적으로 설계 단계에서 가장 경제적이면서 최적의 운항 조건이 되는 계획만재흘수(Design draft)가 14.5m인 점을 고려할 때, 이러한 인공 신경망의 예측 결과가 실제 선박의 운항성능을 잘 나타내고 있는 것을 확인할 수 있다. 본 연구결과로 얻어진 흘수로 CFD 또는 모형선 실험으로 재검증을 한다면, 운항 데이터로부터 구축한 모델의 결과가 친환경 선박을 위한 최적 운항조건을 정립하는 새로운 방법론으로 제시될 수 있다.

본 실시예에서는 13k TEU급 컨테이너선박으로부터 수집한 운항데이터를 활용하여 선박의 연료소비 예측 모델을 개발하고자 하였다. 실시예들에 따르면, 선박의 운항 특성상 수집되는 데이터 중 일부는 정상적인 범주를 벗어나는 이상 값이나 결측 구간 등이 존재하였다. 운항데이터에 3-sigma rule 및 데이터 필터 등을 적용하여 이상 값을 식별하였으며, 식별된 값을 시계열 그래프로 나타낸 결과 실제 전반적인 경향성에서 벗어나는 것을 확인할 수 있었다.

선행 연구에서는 선박의 연료소비경향을 파악하기 위하여 단위 시간당 소모된 연료량을 종속변수로 사용하는 경우가 많았는데, 이는 특정 운항구간에서의 소모량 비교에는 활용할 수는 있었으나, 다양한 환경 조건하에서의 에너지 효율 상태를 직접적으로 파악하는 데에는 어려움이 있었다. 본 실시예에서는 단위 항해거리당 연료소모량을 모델의 종속변수로 두어 에너지 효율을 직접적으로 파악하였다.

또한, 항해계획 수립 시 운항자의 에너지 효율적인 항로 선정 지원 또는 항해 중 선박의 실시간 빅데이터 수집에 따른 에너지 효율 상태판단 등 목적에 따른 예측 모델의 변수를 선정하기 위하여 '경험자 도메인(Expert domain)' 및 '차원축소(Dimension reduction) 및 인자분석(Factor analysis)' 정규화 방법을 적용하였다. 경험자 도메인(Expert domain) 방법으로는 SOG, DBS, RWS, RWD, DFT, TRM가 선정되었으며, 차원축소(Dimension reduction) 및 인자분석(Factor analysis) 정규화 방법으로는 RPM, SOG, STW, RWS, RWD, RUD, TRM, WSA, DBS 및 곡선 피팅(curve fitting) 적용 시 RPM, SOG, STW, RWS, RUD, DBS가 선정되었다.

또한, 회귀 모형과 인공신경망을 적용하여 예측 모델을 구현하여 예측 정확도를 높였다. 단순한 선형회귀모형보다 독립변수들의 곡선 피팅(curve fitting)을 수행하여 종속변수에 대한 비선형성을 반영한 회귀모형의 예측 정확도가 다소 개선되는 것을 알 수 있다. 인공신경망모델의 경우 곡선 피팅(curve fitting)에 따른 효과가 거의 없었으며, 은닉 층의 뉴런 개수가 증가할수록 부분적으로 결정계수 값이 증가와 감소를 반복하는 불안정한 경향이 관측되었다.

또한, 모델의 입력변수에 대한 민감도 분석을 수행함으로써 선박의 다양한 조건에 따른 에너지 효율 상태에 대한 추가적인 분석을 수행하였다. 흘수에 대한 민감도 분석 결과, 선박의 평균적인 운항수준에서는 흘수가 14.79m에서 가장 에너지 효율이 좋은 것을 확인하였다. 이러한 예측 모델은 향후 에너지 효율적인 항해 계획 수립을 위한 운항자의 의사결정 지원 및 선박의 운항 상태 모니터링 등에 활용될 수 있을 것이다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

자율운항 선박의 경제 운항 솔루션 개발을 위한 방법에 있어서,
수집한 원시 데이터에 통계적 기법을 적용하여 이상 값 및 잡음을 제거하여 데이터의 전처리를 수행하는 단계;
전처리된 상기 데이터에서 선박의 연료소비에 영향을 미치는 요소를 i)선박 운항자의 경험자 도메인(Expert domain)을 통한 변수 선정 및 ii)차원축소(Dimension reduction)와 인자분석(Factor analysis)을 통한 변수 선정 중, 적어도 어느 하나 이상의 변수 선정을 이용하여, 예측 모델에 입력되는 변수를 선정하는 단계; 및
선정된 상기 변수를 사용하여 인공신경망 또는 회귀 분석 기반의 연료소비에 대한 예측 모델을 구축하는 단계
를 포함하는, 방법.
제1항에 있어서,
구축한 상기 예측 모델로부터 민감도 분석을 통하여 최적의 연료 효율을 구현하는 제어 가능한 흘수 또는 트림을 포함하는 운항자세의 최적 값을 도출하는 단계
를 더 포함하는, 방법.
제1항에 있어서,
학습에 사용되지 않은 데이터세트에 대하여 상기 예측 모델의 성능을 비교 분석하고, 일정 기간 동안의 시계열 데이터에 대하여 예측을 수행하여 상기 예측 모델의 정확성을 검증하는 단계
를 더 포함하는, 방법.
제1항에 있어서,
상기 데이터의 전처리를 수행하는 단계는,
선박의 운항변수 중 선박의 기관 출력과 연료소모량을 활용하여 이상 값을 식별하며, 상기 기관 출력을 입력변수로 두고 연료소모량을 종속변수로 두어 선형회귀모형을 구현하고, 회귀에 의한 예측 값과 실제 관측 값의 차가 정규분포를 이룬다는 가정하에 평균으로부터 3 표준편차(3 sigma)를 벗어난 범위의 관측 값을 이상 값으로 판단하는 것
을 특징으로 하는, 방법.
제1항에 있어서,
상기 데이터의 전처리를 수행하는 단계는,
데이터 필터(data filter)를 통해 관측 값의 주변 값들을 오름차순 또는 내림차순으로 정렬하여 해당하는 관측 값을 정렬의 중앙값으로 대체하며, 시계열 데이터 내에서 기설정된 범위 이상으로 튀는 신호를 처리하는 것
을 특징으로 하는, 방법.
제1항에 있어서,
상기 변수를 선정하는 단계는,
연료소비에 주요한 영향을 미치는 요소를 상기 경험자 도메인(Expert domain) 및 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 통해 변수를 선정하여, 연료소비에 가장 영향을 미치는 요소를 상기 예측 모델의 입력 변수로 선정하는 것
을 특징으로 하는, 방법.
제1항에 있어서,
상기 변수를 선정하는 단계는,
선박 운항자의 상기 경험자 도메인(Expert domain)을 통해 변수를 선정하며, 경험에 의한 변수 선정 후 곡선 피팅(curve fitting)을 통한 파생변수를 생성하는 것
을 특징으로 하는, 방법.
제1항에 있어서,
상기 변수를 선정하는 단계는,
회귀계수의 크기에 조절 모수(tuning parameter)를 부여하여 종속변수에 상대적으로 영향력이 작은 독립변수의 회귀계수 값을 축소해주는 상기 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 통해 변수를 선정하는 것
을 특징으로 하는, 방법.
제8항에 있어서,
상기 변수를 선정하는 단계는,
통계적인 관점에서 변수를 선정함에 곡선 피팅(curve fitting)을 적용하기 전과 후의 변수에 대하여 상기 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 각각 수행하는 것
을 특징으로 하는, 방법.
자율운항 선박의 경제 운항 솔루션 개발을 위한 장치에 있어서,
수집한 원시 데이터에 통계적 기법을 적용하여 이상 값 및 잡음을 제거하여 데이터의 전처리를 수행하는 데이터 전처리부;
전처리된 상기 데이터에서 선박의 연료소비에 영향을 미치는 요소를 i)선박 운항자의 경험자 도메인(Expert domain)을 통한 변수 선정 및 ii)차원축소(Dimension reduction)와 인자분석(Factor analysis)을 통한 변수 선정 중, 적어도 어느 하나 이상의 변수 선정을 이용하여, 예측 모델에 입력되는 변수를 선정하는 변수 선정부; 및
선정된 상기 변수를 사용하여 인공신경망 또는 회귀 분석 기반의 연료소비에 대한 예측 모델을 구축하는 예측 모델 구축부
를 포함하는, 장치.
제10항에 있어서,
상기 예측 모델 구축부는,
구축한 상기 예측 모델로부터 민감도 분석을 통하여 최적의 연료 효율을 구현하는 제어 가능한 흘수 또는 트림을 포함하는 운항자세의 최적 값을 도출하는 것
을 특징으로 하는, 장치.
제10항에 있어서,
학습에 사용되지 않은 데이터세트에 대하여 상기 예측 모델의 성능을 비교 분석하고, 일정 기간 동안의 시계열 데이터에 대하여 예측을 수행하여 정확성을 검증하는 모델 검증부
를 더 포함하는, 장치.
제10항에 있어서,
상기 데이터 전처리부는,
선박의 운항변수 중 선박의 기관 출력과 연료소모량을 활용하여 이상 값을 식별하며, 상기 기관 출력을 입력변수로 두고 연료소모량을 종속변수로 두어 선형회귀모형을 구현하고, 회귀에 의한 예측 값과 실제 관측 값의 차가 정규분포를 이룬다는 가정하에 평균으로부터 3 표준편차(3 sigma)를 벗어난 범위의 관측 값을 이상 값으로 판단하는 것
을 특징으로 하는, 장치.
제10항에 있어서,
상기 데이터 전처리부는,
데이터 필터(data filter)를 통해 관측 값의 주변 값들을 오름차순 또는 내림차순으로 정렬하여 해당하는 관측 값을 정렬의 중앙값으로 대체하며, 시계열 데이터 내에서 기설정된 범위 이상으로 튀는 신호를 처리하는 것
을 특징으로 하는, 장치.
제9항에 있어서,
상기 변수 선정부는,
연료소비에 주요한 영향을 미치는 요소를 상기 경험자 도메인(Expert domain) 및 차원축소(Dimension reduction) 및 인자분석(Factor analysis)을 통해 변수를 선정하여, 연료소비에 가장 영향을 미치는 요소를 상기 예측 모델의 입력 변수로 선정하는 것
을 특징으로 하는, 장치.