KR102631383B1 - 인공지능 기반 선박 운항 변수 예측 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체 - Google Patents

Abstract

인공지능 기반 선박 운항 변수 예측 방법이 개시된다. 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법은, 선박 운항에 관한 데이터를 수집하는 단계; 상기 수집된 선박 운항에 관한 데이터를 전처리하는 단계; 상기 선박 운항에 관한 데이터로부터 정상항해 구간을 필터링하는 단계; 상기 선박 운항에 관한 데이터를 인공지능 모델의 입력 데이터로 하여, 선박이 외력을 받는 상황에서의 속력인 대지속력(SOG : Speed Over Ground)을 출력 데이터로 학습하는 단계; 상기 입력 데이터 중 선박 엔진의 RPM에 대해 민감도 분석을 수행하는 단계; 상기 민감도 분석이 수행된 RPM을 상기 인공지능 모델에 입력하여 상기 출력 데이터를 예측 및 평가하여 상기 선박의 엔진이 고정된 값으로 운항될 RPM을 선정하는 단계;를 포함한다. 본 발명에 의하면, 선박 운항 시 정상 항해 구간에서 선박의 엔진이 고정된 최소의 RPM으로 구동되어 운항할 수 있도록 선박 운항 변수를 예측하는 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체가 제공된다.

Description

인공지능 기반 선박 운항 변수 예측 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체{PREDICTING METHOD FOR OPERATING VARIABLE OF SHIP BASED ON ARTIFICIAL INTELLIGENCE AND COMPUTER READABLE RECORDING MEDIUM FOR THE SAME}

본 발명은 인공지능 기반 선박 운항 변수 예측 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체에 관한 것으로서, 보다 상세하게는, 정상항해 구간에서 선박의 엔진이 고정된 RPM으로 운항할 수 있도록 선박 운항 변수를 예측하는 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체에 관한 것이다.

선박 연료유 시장은 2020년 기준 1,238억 2,000만 달러이며, 벌크선의 경우 선박 운용 비용의 약 40%를 차지한다.

2020년 1월 1일 이후 시행된 IMO2020 환경 규제정책에 의해 기존 선박의 경우 선박용 연료유의 황산화물 함유율을 0.5%미만으로 낮춘 저유황유(LSFO)를 사용하거나, 스크러버를 설치하여 고유황유(HFO : High Fuel Oil)를 사용해야 하며, 신조 선박의 경우 LNG 추진 선박으로 대체 되고 있어 연료유 비용에 대한 부담이 증가하고 있다.

대부분의 선박은 프로펠러를 이용한 추진을 사용한다. 프로펠러의 회전을 위해서 선박의 선미에는 엔진이 마련된다. 이때 엔진은 내연기관으로 연료를 소비하여 회전력을 발생시키는데, 선박의 선속을 원하는 대로 조절하기 위하여 회전수가 가변될 수 있다. 이때 회전수는 분당 회전수인 RPM으로 표현될 수 있으며, 엔진의 RPM은 항해하는 과정에서 일정하지 않고 변동될 수 있다.

일반적으로 선박 항해시 최대 RPM으로 항진 후 입항 일정을 맞추어 RPM을 조정한다. 연료 소모는 대략 RPM의 3승에 비례하므로 높은 RPM 구간이 길수록 많은 연료를 소모하게 된다.

연료 소모에 대해 선박이 이상적으로 항해하는 것은 전체 항해 거리를 항해 기간으로 나눈 속도로 항해하는 것인데, 현실적으로 불가능한 문제점이 있다.

특히 선박의 속도는 날씨에 의해 변화가 발생하기 때문에 향후 항로에서의 속력을 예측하기 어려운 문제점이 있다. 그럼에도 불구하고 정속 주행을 하는 경우 RPM 변경이 필수적이며, 잦은 RPM변경으로 인해 추가 연료 소모가 발생하며 엔진 이상의 원인이 될 수 있다.

따라서, 선박 운항 시 다양한 환경 변화에도 불구하고 엔진의 RPM을 최적화할 수 있는 기술의 개발이 필요하다.

대한민국 등록특허 제10-2257970호(2021.05.24) "엔진의 운전 최적화 시스템 및 방법" 대한민국 공개특허 제10-2022-0126090호(2022.09.15) "선박의 연료 소모량 최소화 제어 방법" 대한민국 공개특허 제10-2021-0124229호(2021.10.14.) "선박 연료 소모를 감소시키기 위한 방법 및 시스템"

본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체는, 선박 운항 시 정상 항해 구간에서 선박의 엔진이 고정 RPM으로 구동되어 운항할 수 있도록 선박 운항 변수를 예측하는 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체를 제공하는 것을 목적으로 한다.

또한, 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체는, 선박 운항 시 정상 항해 구간에서 선박의 엔진이 최소의 RPM으로 변동없이 운항할 수 있도록 선박 운항 변수를 예측하는 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체를 제공하는 것을 목적으로 한다.

본 발명의 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법은, 선박 운항에 관한 데이터를 수집하는 단계; 수집된 상기 선박 운항에 관한 데이터를 전처리하는 단계; 상기 선박 운항에 관한 데이터로부터 정상항해 구간을 필터링하는 단계; 상기 선박 운항에 관한 데이터를 인공지능 모델의 입력 데이터로 하여, 선박이 외력을 받는 상황에서의 속력인 대지속력(SOG : Speed Over Ground)을 출력 데이터로 학습하는 단계; 상기 입력 데이터 중 선박 엔진의 RPM에 대해 민감도 분석을 수행하는 단계; 상기 민감도 분석이 수행된 RPM을 상기 인공지능 모델에 입력하여 상기 출력 데이터를 예측 및 평가하여 상기 선박의 엔진이 고정된 값으로 운항될 RPM을 선정하는 단계;를 포함한다.

여기서, 상기 선박 운항에 관한 데이터는, 선박 데이터와, 이벤트 데이터와, 날씨 데이터를 포함하며, 상기 선박 데이터는, 상기 RPM, 선수 흘수, 선미 흘수, 선수 방향(heading), 상기 대지 속력, 코스(COG : Course Over Ground)를 포함하며, 상기 입력 데이터는 상기 RPM, 선수흘수, 선미흘수, 상기 날씨 데이터이며, 상기 출력 데이터는 상기 대지속력이 경도와 위도를 기준으로 하는 벡터로 분해된 x성분과 y성분일 수 있다.

여기서, 상기 날씨 데이터는, 바람 방향과 속도정보, 해류 방향과 속도정보, 파도 방향과 주기정보를 포함하며, 상기 전처리하는 단계는, 상기 선박 데이터와, 상기 날씨 데이터를 경도와 위도를 기준으로 하는 벡터 성분으로 가공할 수 있다.

여기서, 상기 예측 및 평가하는 단계는, 소정의 항로에 대한 전체 항해거리와, 상기 민감도 분석이 수행된 RPM을 포함하는 상기 입력 데이터로부터 상기 인공지능 모델이 예측한 예측 항해거리 간의 오차비를 설정하고, 예정 항로에 대해 상기 인공지능 모델이 예측한 진행거리가 상기 오차비 내에 속하는지 여부를 평가할 수 있다.

여기서, 상기 예측 및 평가하는 단계는, 상기 진행거리는, 기 설정된 시간 간격에 대해 출력된 상기 대지속력의 x성분과 y성분으로부터 산출되며, 상기 기 설정된 시간 간격으로부터 항해 기간이 산출되며, 상기 진행거리가 상기 오차비 내에 포함되며, 상기 진행거리가 상기 예측 항해거리 이상이 되는 상기 RPM을 고정운항 변수로 선정할 수 있다.

여기서, 상기 고정운항 변수에 포함되는 상기 RPM이 복수 개인 경우 가장 낮은 값 선정할 수 있다.

본 발명의 일 실시예에 따른 프로그램을 기록한 컴퓨터 판독 가능한 기록매체는, 제1항 내지 제6항 중 어느 한 항에 기재된 인공지능 기반 선박 운항 변수 예측 방법을 실행할 수 있다.

본 발명의 실시예들에 의하면 적어도 다음과 같은 효과가 있다.

본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체에 의하면, 선박 운항 시 정상 항해 구간에서 선박의 엔진이 고정 RPM으로 구동되어 운항할 수 있도록 선박 운항 변수를 예측할 수 있다.

또한, 선박 운항 시 정상 항해 구간에서 선박의 엔진이 최소의 RPM으로 변동없이 운항할 수 있도록 선박 운항 변수를 예측할 수 있다.

또한, 선박의 엔진이 최소의 RPM으로 고정되어 운항함으로써 연료의 소비량을 대폭 절감할 수 있으며, 따라서 연료비를 절감할 수 있다.

또한, 선박의 엔진이 최소의 RPM으로 고정되어 운항함으로써 선박의 엔진에 부담이 덜해져 엔진 이상 발생을 감소시킬 수 있다.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 순서도
도 2는 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 개략적인 시스템 장치도
도 3은 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 정상항해 구간 설명도
도 4는 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 예측 평가 설명도
도 5는 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 적용 대상 설명도이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예를 도면에 예시하고 이에 대해 상세한 설명에 상세하게 설명한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

설명에 앞서 상세한 설명에 기재된 용어에 대해 설명한다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

이하, 본 발명에 따른 일 실시예를 첨부된 도면을 참조하여 상세히 설명한다. 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성요소는 동일한 도면 부호를 부여하고 이에 대해 중복되는 설명은 생략한다.

본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법은, 선박 운항 시 정상 항해 구간에서 선박의 엔진이 고정된 최소의 RPM으로 구동되어 운항할 수 있도록 선박 운항 변수를 예측하는 방법에 관한 것이다.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 순서도이며, 도 2는 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 개략적인 시스템 장치도이다.

본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법(S1000)은, 데이터 수집 단계(S100)와, 데이터 전처리 단계(S200)와, 정상항해 구간 필터링 단계(S300)와, 학습 단계(S400)와 및 선정 단계(S500)를 포함한다. 그리고 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 시스템(1000)은 수신부(100)와, 전처리부(200)와, 인공지능 모델(300)과, 민감도 분석부(400)와, 예측 평가부(500)를 포함한다.

데이터 수집 단계(S100)는 선박 운항에 관한 데이터를 수집하는 단계이다. 수신부(100)는 선박 운항에 관한 데이터를 수신한다. 선박 운항에 관한 데이터는 선박 운항 시 영향을 미치는 데이터와 선박 운항으로 인해 발생된 데이터를 의미할 수 있다. 본 실시예에서 선박 운항에 관한 데이터는 선박 데이터와, 선박 이벤트 데이터와, 날씨 데이터를 포함한다.

수신부(100)는 선박에 설치된 센서 등으로부터 선박 데이터를 수신할 수 있다. 선박 데이터는 엔진의 RPM, 선수 흘수(Forward Draft), 선미 흘수(After Draft), 트림(Trim), 선수 방향(Heading), 대지속력(Speed Over Ground, SOG), 실침로(Course over ground, COG), 위도, 경도 등을 포함한다. 이 때 각각의 선박 데이터는 센서 등으로부터 직접 수신하거나, 또는 수신된 데이터로부터 산출될 수 있다. 일 예시로, 트림은 센서로부터 직접 수신하거나, 또는 수신된 선수 흘수와 선미 흘수 정보로부터 산출될 수 있다. 선박 데이터는 선박의 데이터 수집장치에(Alarm monitoring system) 저장될 수 있으며, 수신부(100)는 데이터 수집장치로부터 선박 데이터를 수신할 수 있다. 선박에 설치되는 센서들은 공지의 구성이므로 자세한 설명은 생략한다.

그리고 수신부(100)는 선박 보고서로부터 선박 이벤트 데이터를 수신할 수 있다. 선박 이벤트 데이터는 수신부(100)가 직접 수신하거나, 또는 사용자로부터 입력받을 수 있다. 선박 이벤트 데이터는 사건명, 사건 발생 시각, 사건 발생 항구명, 항차 횟수를 포함한다.

수신부(100)가 수신하는 선박 이벤트 데이터를 제공하는 선박 보고서는 항구에서 출발할 때 작성하는 출발보고서, 항구에 정박 중이거나 운항 중에 작성하는 정오보고서(Daily Noon report), 항차가 완료되면 각종 정보를 요약하여 보고하는 항차보고서(abstract-log) 등을 포함할 수 있다.

선박 이벤트 데이터는 상술한 항차보고서 등의 보고서 내용을 관리자가 입력하는 방식으로 수신부(100)에 수집될 수 있다.

또한 수신부(100)는 웹사이트로부터 날씨 데이터를 수신할 수 있다. 일 예시로 수신부(100)는 (미)국립해양대기청(NOAA : National Oceanic and Atmospheric Administration)의 데이터베이스인 GFS(Global forecast system), GFS wave, RTOFS(Real time ocean forecast system) 등으로부터 수신할 수 있다. 날씨 데이터는 바람의 벡터 성분, 해류의 벡터 성분, 파도 방향/주기/높이, 해수면 염도, 해수면 온도 등의 정보를 포함한다.

데이터 전처리 단계(S200)는 수신부(100)가 수신한 선박 운항에 관한 데이터인, 선박 데이터와, 선박 이벤트 데이터와, 날씨 데이터를 인공지능 모델(300)을 통해 대지속력을 예측 분석하기 위한 학습을 위해 전처리부(200)가 전처리하는 단계이다.

전처리부(200)는 수신부(100)에 수집된 선박 운항에 관한 데이터를 수신하여 전처리한다.

전처리부(200)에서 수신한 데이터 중 이상점(Outlier)과 결측값(missing value)은 제거하며 결측값은 보간될 수 있다.

그리고 수신한 데이터들은 위도와 경도를 기준으로 하는 벡터 성분으로 가공될 수 있다. 이 때 수신부(100)가 수신한 데이터 자체가 위도와 경도를 기준으로 하는 벡터 성분인 경우에는 상기한 데이터 가공이 불필요하며, 데이터가 속력과 같은 스칼라인 경우에는 벡터 성분을 생성하는 변수 생성을 수행한다. 여기서 경도를 기준으로 하는 벡터를 x성분, 위도를 기준으로 하는 벡터를 y성분이라 한다.

일 예시로, 대지속력(SOG)의 경우 스칼라이지만 실침로(COG) 정보를 바탕으로 하여 대지속력의 x성분과 y성분을 생성한다. 그리고 수신한 데이터 중 방향을 의미하는 각도(Degree) 또는 라디안(Radian)의 경우 실제로는 2° 변동이 있었지만 358° 변동된 것으로 인지할 수 있어, 벡터 성분으로 각 데이터를 분해함으로써 정확한 학습을 위한 데이터 전처리가 이루어질 수 있다.

또한 파도의 속도는 파도의 방향/주기/높이 정보로부터 아래와 같이 산출될 수 있다.

(1)

, 여기서 c는 파도 속도, λ는 파장, T는 파도 주기

(2)

여기서 g는 중력가속도, h는 수심

정상항해 구간은 심해파이므로

(3)

이며

(4)

이다.

위 식 (4)에 따라 계산된 파도 속도와 파도 방향으로부터 벡터 성분 분해로 파도의 x성분과 y성분으로 변수생성을 할 수 있다.

도 3은 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 정상항해 구간 설명도이다.

정상항해 구간 필터링 단계(S300)는 선박 이벤트 데이터로부터 정상항해 구간(At sea, Normal sea passage)을 필터링하는 단계이다. 정상항해 구간 필터링 단계(S300)는 데이터 전처리 단계(S200)와 반드시 구분되는 것은 아니며, 데이터 전처리 과정에서 전처리부(200)에 의해 수행될 수 있다.

본 실시예는 정상항해 구간에서의 고정 RPM 운항이 가능하도록 예측하는 것으로서 정상항해 구간의 필터링이 필요하다. 본 실시예에서 정상항해 구간이란 선박의 출항과 입항을 제외한 전체 항해 구간(Underway) 중 항해 상의 위협이 없어 Rung up (혹은 Commence of sea passage)을 시행한 시점부터 다시 연안 항해 혹은 잦은 RPM 변경이 우려되는 Stand by 되는 시점까지의 구간을 의미한다. 여기서 항해 상의 위협은 연안 통항 등의 이유로 RPM 조정이 잦은 경우를 의미한다. Rung up은 선박 항해 일지에 기록 되는 의미상의 시점이자, 엔진 제어를 기관실에서 선교(Bridge)로 넘겨주는 장비 측면의 시점이다. Stand by는 Rung up과 반대로, 엔진 제어를 선교에서 기관실로 넘기는 시점이며, 기관실에 기관부원들이 대기하는 시점을 의미한다.

일 예시로 전처리부(200)는 선박 이벤트 데이터로부터 정상항해 구간을 필터링할 수 있다. 특히 사건명으로부터 정상항해 구간을 필터링할 수 있다.

학습 단계(S400)는, 수집된 상기 선박 데이터와, 상기 이벤트 데이터와, 상기 날씨 데이터로부터, 고정 RPM 운항을 예측하기 위한 대지속력을 인공지능 모델(300)이 학습하는 단계이다.

일 실시예에서 학습 단계(S400)는, 기존 항로에 대해 RPM, 선수 방향, 선수 흘수, 선미 흘수, 날씨 데이터를 인공지능 모델(300)의 입력 데이터로 하며, 선박이 외력을 받는 상황에서의 속력인 대지속력(SOG : Speed Over Ground)의 x성분과 y성분을 출력 데이터로 학습한다.

본 실시예에서 인공지능 모델(300)은 머신러닝 알고리즘으로서 선형회귀분석(Linear regression), 다층 퍼셉트론(Multi layer perceptron) 중 선택된 것일 수 있으며, 상기 각각의 알고리즘은 인공지능 분야에서 활용되는 것으로 적절하게 선택되어 적용될 수 있다.

퍼셉트론(Percetpron)은 다수의 입력으로부터 하나의 결과를 내보내는 인공 신경망을 나타낸다.

단층 퍼셉트론은 입력층(Input Layer)과 출력층(Output Layer)만이 존재하고, 선형 분류 및 회귀만이 가능하다. 또한, 이러한 제약사항을 보완하기 위해 나온 상기 다층 퍼셉트론(MLP, Multi-layer Percetpron)은 입력층과 출력층 사이에 은닉층(Hidden layer)을 추가한 신경망으로서 비선형 분류 및 회귀도 가능한 장점이 있다. 선형 회귀 모델은 기계학습 중 지도학습(Supervised Learning)의 한 종류로 데이터 값(Label)이 정해져 있고, 종속변수와 독립변수의 관계를 학습하는 모델이다.

정리하면, 학습 단계(S400)에서는 인공지능 모델(300)인 선형회귀모델 또는 다층 퍼셉트론에 입력 데이터로서 기존의 선박 운항에 관한 데이터 중 엔진의 RPM, 선수 흘수, 선미 흘수, 날씨 데이터를 입력하고, 이로부터 선박의 대지속력의 x성분과 y성분을 출력하면서 학습한다.

출력된 x성분과 y성분으로부터 예측 항해거리를 산출한다. 상기 예측 항해거리는 입력 데이터로부터 예측(출력)된 대지속력의 x성분과 y성분 및 기 설정된 시간 간격에 따라 예측된 항해거리를 의미한다. 이 후 기존 항로의 전체 항해거리와, 기존 항로에 대해 출력데이터인 대지속력으로부터 예측된 예측 항해거리를 비교하여 오차비를 도출한다. 일 예시로 기존 항로의 전체 항해거리가 3,000해리일 때, 인공지능 모델(300)의 예측 항해거리가 3,150마일인 경우 오차비는 1.05 즉 5%이다.

도 4는 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 예측 평가 설명도이다.

선정 단계(S500)는 인공지능 모델(300)에서 출력된 대지속력으로부터 진행거리를 예측 및 평가하고 선박이 운항할 최적의 엔진 RPM을 선정하는 단계이다. 선정 단계(S500)는 민감도 분석 단계(S510)와 예측 평가 단계(S520)를 포함한다.

민감도 분석 단계(S510)는 입력 데이터 중 RPM에 대해 민감도 분석부(400)가 민감도 분석을 수행하는 단계이다.

민감도 분석(Sensitivity Analysis)은 인공지능 모델(300)이 고려할 것으로 판단되는 요인을 변화 시켜 결과를 확인하는 것으로서, 지정 변수만 고정 후 학습된 모델에 fitting 시 나타나는 결과로 지정 변수의 변화에 따라 예측값이 어떻게 변화하는지 파악하는 기법을 의미할 수 있다.

상술한 바와 같이 인공지능 모델(300)의 입력 데이터는 RPM, 선수 방향, 선수 흘수, 선미 흘수, 날씨 데이터이며, 출력 데이터는 대지속력의 x성분과 y성분이다.

본 실시예는 선박의 고정 RPM 운항을 예측하기 위해 RPM을 민감도 분석 대상으로 한다. 선수 방향은 선박의 항로 계획에 따라 정해진 값이며, 날씨는 선박의 현재 위치, 시간에 따라 변화하는 값이므로, RPM과 흘수가 민감도 분석의 대상이 될 수 있으며, 본 실시예는 RPM을 민감도 분석의 대상으로 한다.

RPM, 선수 방향, 선수 흘수, 선미 흘수, 날씨 데이터 각각은 독립변수이므로, 민감도 분석 대상인 RPM을 변화시켜도 선수 방향, 선수 흘수, 선미 흘수, 날씨 데이터에 영향이 없다. 따라서 본 단계에서는 입력 데이터 중 RPM 값을 변화시키면서 출력 데이터인 대지속력의 x성분과 y성분을 예측한다. 그리고 그 결과로서 민감도 분석 매트릭스를 생성할 수 있다.

예측 평가 단계(S520)는 출력된 대지속력으로부터 진행거리를 예측하고 선박이 운항할 최적의 엔진 RPM을 선정하는 단계이다.

먼저, 예정 항로(운항될 또는 분석될 항로)의 전체 항해거리와 변침점 등의 정보를 입력한다. 그리고 민감도 분석 매트릭스에 따른 고정 운항변수인 RPM 정보를 입력하고, 해당 정보로부터 기 설정된 시간 간격마다 대지속력의 x성분과 y성분을 출력하고, 진행거리를 산출한다. 그리고, 진행거리에 대해 학습단계(S400)에서 산출된 오차비를 적용하여 보정 진행거리를 산출한다. 보정 진행거리는 선택적으로 허용오차를 추가로 더 적용할 수 있다.

보정 진행거리를 산출하는 이유는, 인공지능 모델(300)에 내재된 오차를 측정하기 위해 오차비를 산출하였으며, 이 오차를 반영하기 위함이다. 그리고 허용오차는 일종의 hyperparameter로서 오차비를 활용한 보정값의 신뢰도가 높지 않은 경우 사용자가 사전에 허용치를 적용하여 보정하기 위함이다.

일 예시로, 진행거리가 1.5 해리인 경우, 보정 진행거리는 진행거리에 오차비를 적용하여 1.5/1.05 로서 약 1.43해리일 수 있다. 여기서 1.05의 오차비는 위 학습단계(S400)에서 산출된 값이다.

보정 진행거리 산출 시 선택적으로 허용오차를 추가로 적용할 수 있는데, 여기서 허용오차는 사용자가 설정하는 값일 수 있다. 허용오차를 10%로 설정하는 경우 보정 진행거리는 1.5/(1.05X1.1) 로서 약 1.3해리일 수 있다.

보정 진행거리에 따라 선박의 위치를 이동하고, 이동된 위치에 해당하는 날씨 데이터를 취득한다. 여기서 선박의 위치 이동은 선박의 위/경도에 보정 진행거리의 x성분과 y성분을 더함으로써 할 수 있다. 이를 반복한다.

그리고 이로부터 보정 진행거리의 총합과 총 항해거리를 비교한다. 보정 진행거리가 총 항해거리보다 짧은 경우에는 해당 고정 운항변수인 RPM은 제외한다.

그리고 진행거리는 기 설정된 시간 간격마다 출력된 대지속력의 x성분과 y성분으로부터 산출되므로, 이로부터 예상 항해 기간을 산출할 수 있으며, 나아가 예상 도착일을 산출할 수 있다. 산출된 예상 도착일이 입항 예정일보다 늦은 경우 해당 고정 운항변수인 RPM은 제외한다.

이 후 RPM들이 선박의 감항성과 복원성에 지장을 주는지 여부를 평가한다. 일 예시로 RPM이 critical RPM range 밖의 값인지 등을 통해 평가한다. 선박의 감항성과 복원성 등 운항에 위험을 주는 것으로 평가되는 RPM은 제외한다.

이 때 위 조건을 충족하는 RPM이 복수 개인 경우, 가장 낮은 RPM을 최적 운항변수로 선정한다.

적용예

도 5는 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법의 적용 대상 설명도이다.

중국에서 브라질까지 화물 적재 후 항해(Laden voyage)에 대해 본 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법을 적용하였다. 구체적으로 브라질에서 화물을 싣고 중국으로 운항하는 구간으로서, 12회의 운항 데이터를 이용한다.

기존의 1~10회의 항해 데이터들을 활용하여 인공지능 모델(300)의 학습을 수행하였다. 학습 데이터를 바탕으로 인공지능 모델(300)은 11번째 항해의 예측 항해거리를 10,972.4해리로 산출하였다. 실제 항해거리는 10,767.2해리이며, 오차비는 1.019 (10,972.4 /10,767.2)로, 약 1.9%가량 크게 예측 하였다.

인공지능 모델(300)의 평가를 위해 12번째 항해 데이터와 비교를 수행하였다.

먼저 선박이 운항할 최적의 엔진 RPM을 선정하기 위해 민감도 분석을 수행하였다. 민감도 분석을 위해 RPM을 고정으로 하고 시뮬레이션을 진행하였다. 이 때 시뮬레이션은 다음 조건 중 어느 하나를 만족하면 종료된다.

1) 항해기간이 입항 예정일 (중국 도착 전 Stand by 시점)을 초과하는 경우

2) 입항 예정일 내에 실제 항해거리와 같은 거리를 항해하는 경우

여기서 위 1)은 산출된 예상 도착일이 입항 예정일보다 늦으므로 제외되기 때문이며, 2)는 보정진행거리의 총합이 실제 항해거리 이상이므로 산출된 예상 도착일이입항 예정일보다 더 빠르므로 최적 RPM 후보군에 해당되기 때문이다.

고정 RPM에 따른 민감도 분석 결과는 아래 [표 1]과 같다.

고정 RPM	도착예정일과 차이 (+; 늦음, -; 빠름)	예상 연료 소모량 (MT)	저감연료비 ($) (+; 절약, -; 추가)	최적 RPM 충족 여부
49	+ 1일 18시 20분	2163.0	+ 267,817	X
50	+ 1일 04시 50분	2193.0	+ 218,200	X
51	+ 16시 10분	2277.5	+ 167,530	X
52	+ 04시 20분	2379.9	+ 106,043	X
53	- 07시 20분	2498.6	+ 34,825	O
54	- 18시 10분	2634.6	- 46,771	X
55	- 1일 04시 40분	2813.7	- 154,208	X

12번째 항해 데이터에서, 정상 항해 구간의 실제 항해거리는 10,767.2해리이다. 평균 RPM은 52.78, 실제 연료 소모량은 2,556.7 MT 이며, 톤당 VLSFO (Very Low Sulfur Oil) 가격을 600$ 기준으로 하였을 경우, 1,534,000$ 의 연료비가 소모되었다.

위 [표 1]에 따르면 실제 입항 시각보다 53RPM 이상의 RPM이 도착 시각보다 일찍 도착하였다. 53RPM으로 고정하여 운항 시 약 35,000$의 연료비가 저감되었으나, 54RPM과 55RPM은 추가 연료 비용 소모가 예상된다.

따라서, 최적 운항변수는 53RPM이며, 실제 항해의 평균 RPM (52.78)과 유사하여 인공지능 모델(300)의 정확도가 우수함을 확인할 수 있다.

상술한 바와 같은 본 발명의 일 실시예에 따른 인공지능 기반 선박 운항 변수 예측 방법은, 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체의 형태로 제공될 수도 있다. 이때, 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체는, 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM)과 같은 반도체 메모리를 포함한다. 프로세서와 메모리는 특수 목적의 논리 회로에 의해 보충되거나, 그것에 통합될 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

상술한 바와 같이 본 발명에 의하면, 선박 운항 시 정상 항해 구간에서 선박의 엔진이 고정된 최소의 RPM으로 구동되어 운항할 수 있도록 선박 운항 변수를 예측하는 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체가 제공된다.

본 발명에서 모든 예들 또는 예시적인 용어(예를 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한 해당 기술 분야의 통상의 기술자는 다양한 수정, 조합 및 변경이 부가된 청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터(factor)에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 청구범위 뿐만 아니라, 이 청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

S1000 : 인공지능 기반 선박 운항 변수 예측 방법
S100 : 데이터 수집 단계 S200 : 데이터 전처리 단계
S300 : 정상항해 구간 필터링 단계 S400 : 학습 단계
S500 : 선정 단계 S510 : 민감도 분석 단계
S600 : 예측 평가 단계
1000 : 인공지능 기반 선박 운항 변수 예측 시스템
100 : 수신부 200 : 전처리부
300 : 인공지능 모델 400 : 민감도 분석부
500 : 예측 평가부

Claims (7)

1. 선박 운항에 관한 데이터를 수집하는 단계;
   수집된 상기 선박 운항에 관한 데이터를 전처리하는 단계;
   상기 선박 운항에 관한 데이터로부터 정상항해 구간을 필터링하는 단계;
   상기 선박 운항에 관한 데이터를 인공지능 모델의 입력 데이터로 하여, 선박이 외력을 받는 상황에서의 속력인 대지속력(SOG : Speed Over Ground)을 출력 데이터로 학습하는 단계;
   상기 입력 데이터 중 선박 엔진의 RPM에 대해 민감도 분석을 수행하는 단계;
   상기 민감도 분석이 수행된 RPM을 상기 인공지능 모델에 입력하여 상기 출력 데이터를 예측 및 평가하여 상기 선박의 엔진이 고정된 값으로 운항될 RPM을 선정하는 단계;를 포함하며,
   상기 출력 데이터는 상기 대지속력이 경도와 위도를 기준으로 하는 벡터로 분해된 x성분과 y성분이며,
   상기 학습하는 단계는,
   소정 항로에 대한 전체 항해거리와, 상기 소정 항로에 대해 상기 인공지능 모델이 출력한 상기 대지속력의 x성분과 y성분 및 기 설정된 시간 간격에 따라 예측된 예측 항해거리 간의 오차비를 설정하고,
   상기 예측 및 평가하는 단계는,
   예정 항로에 대해 상기 인공지능 모델이 예측한 진행거리에 상기 오차비를 반영하여 상기 보정 진행거리를 산출하며,
   상기 진행거리는, 상기 민감도 분석이 수행된 RPM을 포함하는 상기 입력 데이터로부터 상기 인공지능 모델이 출력한 상기 대지속력의 x성분과 y성분 및 기 설정된 시간 간격에 따라 산출되는
   인공지능 기반 선박 운항 변수 예측 방법.
   
2. 제1항에 있어서,
   상기 선박 운항에 관한 데이터는, 선박 데이터와, 이벤트 데이터와, 날씨 데이터를 포함하며,
   상기 선박 데이터는, 상기 RPM, 선수 흘수, 선미 흘수, 선수 방향(heading), 상기 대지 속력, 코스(COG : Course Over Ground)를 포함하며,
   상기 입력 데이터는 상기 RPM, 선수흘수, 선미흘수, 상기 날씨 데이터인
   인공지능 기반 선박 운항 변수 예측 방법.
   
3. 제2항에 있어서,
   상기 날씨 데이터는, 바람 방향과 속도정보, 해류 방향과 속도정보, 파도 방향과 주기정보를 포함하며,
   상기 전처리하는 단계는,
   상기 선박 데이터와, 상기 날씨 데이터를 경도와 위도를 기준으로 하는 벡터 성분으로 가공하는
   인공지능 기반 선박 운항 변수 예측 방법.
   
4. 제1항에 있어서,
   상기 예측 및 평가하는 단계는,
   상기 보정 진행거리가 총 항해거리 이상이 되는 상기 RPM을 고정운항 변수로 선정하는
   인공지능 기반 선박 운항 변수 예측 방법.
   
5. 제4항에 있어서,
   상기 예측 및 평가하는 단계는,
   상기 고정운항 변수에 포함되는 상기 RPM이 복수 개인 경우 가장 낮은 값 선정하는
   인공지능 기반 선박 운항 변수 예측 방법.
   
6. 제1항 내지 제5항 중 어느 한 항에 기재된 인공지능 기반 선박 운항 변수 예측 방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능한 기록매체.
7. 삭제

Images