KR102634923B1 - 운항선박의 cii 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템 - Google Patents
운항선박의 cii 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템 Download PDFInfo
- Publication number
- KR102634923B1 KR102634923B1 KR1020230153487A KR20230153487A KR102634923B1 KR 102634923 B1 KR102634923 B1 KR 102634923B1 KR 1020230153487 A KR1020230153487 A KR 1020230153487A KR 20230153487 A KR20230153487 A KR 20230153487A KR 102634923 B1 KR102634923 B1 KR 102634923B1
- Authority
- KR
- South Korea
- Prior art keywords
- container
- reefer
- pressure values
- reefer container
- monitoring system
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 25
- 239000003507 refrigerant Substances 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 30
- 238000000034 method Methods 0.000 description 17
- 239000013598 vector Substances 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 7
- 239000005431 greenhouse gas Substances 0.000 description 7
- 229910052799 carbon Inorganic materials 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000003949 liquefied natural gas Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/30—Dynamo-electric motor meters
- G01R11/32—Watt-hour meters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/02—Constructional details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/56—Special tariff meters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 컨테이너 내부 온습도를 일정하게 유지할 수 있는 리퍼 컨테이너의 적산 전력량을 모니터링하는 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템에 관한 것이다.
Description
본 발명은 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템에 관한 것으로, 더욱 상세하게는 냉동 컨테이너의 정확한 전기소모량을 파악하여 화물 운반에 따른 정확한 전기 소모량을 산출하여 화주로부터 관련 비용을 청구할 수 있는 근거 데이터를 수집할 수 있는 모니터링 시스템에 관한 것이다.
조선 산업은 공정 과정에서 활용하는 전력과 선박 운항에 사용하는 연료 등으로 연간 200만 톤 이상의 온실가스(Green House Gas, GHG)를 배출한다. 지구온난화의 주범인 온실가스의 발생을 억제하는 것은 전 지구적 과제가 되었으며, 조선 업계에서도 탄소 중립 목표를 달성하기 위하여 액화천연가스(Liquefied Natural Gas, LNG) 추진선박을 넘어 이산화탄소 배출이 없는 암모니아·수소·전기 추진선 등의 개발에 많은 투자가 이루어지고 있다.
국제해사기구(International Maritime Organization, IMO)는 선박에서 배출되는 온실가스에 대해 점차 강화된 규제를 적용하고 있다. 기존에는 2013년 1월 1일 이후 건조된 선박(신조선)에만 온실가스 배출 규제인 선박에너지효율설계지수(EEDI:Energy Efficiency Design Index)가 적용되었으나, 최근 해양오염방지협약(MARPOL)이 개정됨에 따라 2023년 1월 1일부터 현재 운항 중인 국제항해선박(현존선)에 대해서도 온실가스 배출 규제가 확대 적용된다.
한편, 이미 건조가 완료된 현존선이 상기와 같은 점차 강화되는 온실가스 배출 규제를 달성하기 위해서는 EEDI와 동일한 방법으로 계산되는 선박에너지효율지수(EEXI:Energy Efficiency eXisting ship Index) 허용값을 충족함과 동시에 매년 운항실적에 따라 계산되는 선박탄소집약도지수(CII:Carbon Intensity Indicator) 감축률도 만족해야 한다.
따라서 현존선은 기관 출력을 제한하거나 에너지효율 개선장치를 설치하는 등의 기술적 조치와 함께 최적항로 운항, 저탄소 연료 사용 등의 조치를 취해야 하며, 기준에 미달되는 선박은 친환경 선박으로 개조하는 등의 방법을 강구할 수 밖에 없다.
한편, 전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 발명의 일측면은 냉동 컨테이너의 정확한 전기소모량을 파악하여 화물 운반에 따른 정확한 전기 소모량을 산출하여 화주로부터 관련 비용을 청구할 수 있는 근거 데이터를 수집할 수 있는 모니터링 시스템을 구축하기 위한 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템을 제공한다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명에 따른 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템은 화물 운반에 따른 정확한 전기 소모량을 산출하여 화주로부터 관련 비용을 청구하기 위해, 냉동 컨테이너의 정확한 전기소모량을 파악하여 할 수 있는 모니터링 시스템으로, 컨테이너 내부 온습도를 일정하게 유지할 수 있는 리퍼 컨테이너의 적산 전력량을 모니터링한다.
상기 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템은,
리퍼 컨테이너의 전력 사용량을 측정하는 센서;
상기 센서로부터 수신되는 전력 데이터를 저장 및 관리하며, 상기 전력 데이터를 디스플레이 단말을 통해 실시간 표시되도록 제어하는 제어 모듈을 포함한다.
상기 제어 모듈은,
하기 수학식을 이용하여 전력효율지수를 산출하여, 산출된 전력효율지수가 미리 설정된 기준값 미만인 리퍼 컨테이너는 전력 사용량이 기준에 부합하지 않은 이상 증상이 있는 컨테이너로 판단한다.
[수학식]
여기서, PE는 전력효율지수, x_1은 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위에 포함된 압력값들의 평균값(psi), x_2은 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위를 벗어난 압력값들의 평균값(psi), y_1은 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위에 포함된 압력값들의 개수, y_2는 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위를 벗어난 압력값들의 개수, z는 미리 설정된 리퍼 컨테이너 내부의 적정 온도값(℃), z_i는 측정시간 동안 측정된 리퍼 컨테이너 내부의 온도값(℃), w는 리퍼컨테이너별로 차등하게 설정되는 가중치이다.
상술한 본 발명의 일측면에 따르면 냉동 컨테이너의 정확한 전기소모량을 파악하여 화물 운반에 따른 정확한 전기 소모량을 산출하여 화주로부터 관련 비용을 청구할 수 있는 근거 데이터를 수집할 수 있다.
도 1은 본 발명의 일 실시예에 따른 운항선박의 CII 감축대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템의 개략적인 구성이 도시된 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템의 개략적인 구성이 도시된 도면이다.
본 발명에 따른 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템은 운항선박이 탄소집약도지수(CII:Carbon Intensity Indicator) 규정을 준수할 수 있도록, 컨테이너 내부 온습도를 일정하게 유지할 수 있는 리퍼 컨테이너의 적산 전력량을 모니터링하는 것을 목적으로 한다.
리퍼 전력 사용량을 모니터링 할 수 있는 선박의 경우, 리퍼 컨테이너 1대당 실제 전력 소모량은 약 11~12KW/h이며, 리퍼 전력 사용량을 모니터링 할 수 없는 선박의 경우, 리퍼 컨테이너 1대당 실제 전력 소모량은 2.75KW/h로, 모니터링 시스템을 실선에 적용하는 것이 요구된다.
실선에서는 도 1에 도시된 바와 같이, 스위치보드에 HMI 패널, KWh meter& Master 패널, CT, PT, 케이블을 설치하고, 로컬에서 표시되는 KWh는 마스터 패널에서 전체 표시되도록 한다. HMI 패널에서는 기록데이터 표시, 보관 및 USB 추출이 가능토록 구성되며, 실선에서는 스위치보드 6600V 및 440V 시스템에 적용할 수 있다.
도 2 내지 도 4는 테스트용 시제품의 일 예가 도시된 도면이다.
본선의 스위치보드 조건을 만들기 위한 테스트용 440V Distribution Board를 제작하고, 내부에 본선에 설치되는 부품인 HMI 패널, KWh meter& Master 패널, CT, PT, 케이블을 설치하여 본선 조건과 동일하게 시스템을 구성한다. 시제품에서는 본선과 유사한 상황을 만들어서 테스트를 실행하기 위하여 입력전압 변환용 6KVA 변환기 및 부하를 걸기 위한 VFD 및 팬을 설치하도록 시스템을 추가로 구성한다. 도 3 및 도 4는은 440V dist board의 상세도이다.
이와 같이, 본 발명에 따른 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템은 화물 운반에 따른 정확한 전기 소모량을 산출하여 화주로부터 관련 비용을 청구하기 위해, 냉동 컨테이너의 정확한 전기소모량을 파악하기 모니터링 시스템으로, 컨테이너 내부 온습도를 일정하게 유지할 수 있는 리퍼 컨테이너의 적산 전력량을 모니터링하는 것을 목적으로 한다.
이를 위해, 본 발명의 일 실시예에 따른 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템은, 센서 및 제어 모듈을 포함한다.
센서는 리퍼 컨테이너측에 설치되어 리퍼 컨테이너의 전력 사용량을 측정한다. 또한, 센서는 리퍼 컨테이너측에 설치되어 후술하게 될 리퍼 컨테이너의 전력효율지수를 산출하기 위한 리퍼 컨테이너의 냉매라인의 압력값 또는 리퍼 컨테이너 내부의 온도값 등을 측정하여 측정값을 생성한다.
제어 모듈은 상기 센서로부터 수신되는 전력 데이터를 저장 및 관리하며, 상기 전력 데이터를 디스플레이 단말을 통해 실시간 표시되도록 제어한다. 도 5는 시제품으로부터 측정되는 전력 데이터가 실시간으로 표시되는 일 예가 도시되어 있다.
일 실시예에서, 제어 모듈은 하기 수학식 1을 이용하여 전력효율지수를 산출한다.
[수학식 1]
여기서, PE는 전력효율지수, x_1은 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위에 포함된 압력값들의 평균값(psi), x_2은 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위를 벗어난 압력값들의 평균값(psi), y_1은 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위에 포함된 압력값들의 개수, y_2는 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위를 벗어난 압력값들의 개수, z는 미리 설정된 리퍼 컨테이너 내부의 적정 온도값(℃), z_i는 측정시간 동안 측정된 리퍼 컨테이너 내부의 온도값(℃), w는 리퍼컨테이너별로 차등하게 설정되는 가중치이다.
이와 같이, 제어 모듈은 상술한 수학식을 이용하여 리퍼 컨테이너별로 전력 효율지수를 산출하여, 산출된 전력효율지수가 미리 설정된 기준값 미만인 리퍼 컨테이너는 전력 사용량이 기준에 부합하지 않은 이상 증상이 있는 컨테이너로 판단하며, 이러한 경우 관리자에게 알림 메시지 등을 전송함으로써, 리퍼 컨테이너가 불필요한 전력을 사용하는 것을 방지할 수 있게 된다.
몇몇 다른 실시예에서, 본 발명에 따른 시스템은 적산전력을 모니터링 하는 과정에서 발생되는 전력 데이터와 같은 측정 데이터를 암호화여 관리하는 암호화 관리부를 더 포함할 수 있다.
일 실시예에서, 암호화 관리부는 하기 수학식 2를 이용하여 측정 데이터별로 선택적으로 암호화 여부를 결정하기 위한 데이터 특징점수를 산출한다.
[수학식 2]
여기서, k는 특징점수, u는 데이터의 종류별로 차등하게 설정되는 가중치, r은 미리 설정된 중심값, r_i는 측정 데이터의 크기값(psi 또는 ℃), q는 특징점수가 미리 설정된 기준값 이하로 산출된 시점으로부터 경과된 시간(분)이다.
예를 들어, 측정 데이터가 d1, d2, d3, d4, d5가 있는데 데이터 d5에 대한 특징점수(k)를 산출하려 하고, 이전 데이터 d1, d2, d3, d4 중 특징점수가 기준값 이하로 산출된 데이터가 d2인 경우, q는 d2에 대한 특징점수을 산출한 시점으로부터 현재까지 경과한 시간(분)으로 설정될 수 있다.
암호화 관리부는 상술한 수학식 2를 통해 측정 데이터별로 암호화지수를 산출하여, 산출된 암호화지수가 미리 설정된 기준 지수값을 초과하는 측정 데이터만 선택적으로 암호화함으로써, 보안이 요구되는 측정 데이터만을 선택적으로 보안 처리함으로써 암호화에 요구되는 리소스 및 시간이 감소될 수 있다.
몇몇 또 다른 실시예에서, 암호화 관리부는 관리자가 소지한 사용자 단말과 통신하여, 사용자 단말로부터 리퍼 컨테이너의 점검 과정에서 발생된 측정 데이터 또는 측정 데이터가 기록된 점검 결과지를 이미지 데이터 형태로 수집한다.
암호화 관리부는 이미지 형태로 수집된 점검 결과지에 기록된 텍스트 형태의 측정 데이터를 인식하기 위해, Word2Vec 알고리즘으로 학습 데이터를 학습하여 입력 데이터에 대하여 문맥 정보를 추출하는 신경망을 구축할 수 있다.
Word2Vec 알고리즘은 신경망 언어 모델(NNLM : Neural Network Language Model)을 포함할 수 있다. 신경망 언어 모델은 기본적으로 Input Layer, Projection Layer, Hidden Layer, Output Layer로 이루어진 Neural Network이다. 신경망 언어 모델은 단어를 벡터화하는 방법에 사용되는 것이다. 신경망 언어 모델은 공지된 기술이므로 보다 자세한 설명은 생략하기로 한다.
Word2vec 알고리즘은, 텍스트마이닝을 위한 것으로, 각 단어 간의 앞, 뒤 관계를 보고 근접도를 정하는 알고리즘이다. Word2vec 알고리즘은 비지도 학습 알고리즘이다. Word2vec 알고리즘은 이름이 나타내는 바와 같이 단어의 의미를 벡터형태로 표현하는 계량기법일 수 있다. Word2vec 알고리즘은 각 단어를 200차원 정도의 공간에서 백터로 표현할 수 있다. Word2vec 알고리즘을 이용하면, 각 단어마다 단어에 해당하는 벡터를 구할 수 있다.
Word2vec 알고리즘은 종래의 다른 알고리즘에 비해 자연어 처리 분야에서 비약적인 정밀도 향상을 가능하게 할 수 있다. Word2vec은 입력한 말뭉치의 문장에 있는 단어와 인접 단어의 관계를 이용해 단어의 의미를 학습할 수 있다. Word2vec 알고리즘은 인공 신경망에 근거한 것으로, 같은 맥락을 지닌 단어는 가까운 의미를 지니고 있다는 전제에서 출발한다. Word2vec 알고리즘은 텍스트 문서를 통해 학습을 진행하며, 한 단어에 대해 근처(전후 5 내지 10 단어 정도)에 출현하는 다른 단어들을 관련 단어로서 인공 신경망에 학습시킨다. 연관된 의미의 단어들은 문서상에서 가까운 곳에 출현할 가능성이 높기 때문에 학습을 반복해 나가는 과정에서 두 단어는 점차 가까운 벡터를 지닐 수 있다.
Word2vec 알고리즘의 학습 방법은 CBOW(Continuous Bag Of Words) 방식과 skip-gram 방식이 있다. CBOW 방식은 주변 단어가 만드는 맥락을 이용해 타겟 단어를 예측하는 것이다. skip-gram 방식은 한 단어를 기준으로 주변에 올 수 있는 단어를 예측하는 것이다. 대규모 데이터셋에서는 skip-gram 방식이 더 정확한 것으로 알려져 있다.
따라서, 본 발명의 실시 예에서는 skip-gram 방식을 이용한 Word2vec 알고리즘을 사용한다. 예컨대, Word2vec 알고리즘을 통해 학습이 잘 완료되면, 고차원 공간에서 비슷한 단어는 근처에 위치할 수 있다. 상술한 바와 같은 Word2vec 알고리즘에 따르면 학습 문서 내 주위 단어의 분포가 가까운 단어일수록 산출되는 벡터값은 유사해질 수 있으며, 산출된 벡터값이 비슷한 단어는 유사한 것으로 간주할 수 있다. Word2vec 알고리즘은 공지된 기술이므로 벡터값 계산과 관련한 보다 상세한 설명은 생략하기로 한다.
암호화 관리부는 신경망에 작업자 단말(100)로부터 수신된 이미지 데이터로부터 추출된 텍스트를 입력하여 문맥 정보를 나타내는 평가 결과 벡터 값을 추출할 수 있다.
암호화 관리부는 평가 결과 벡터 값과 복수의 기준 벡터 값 각각의 유사도를 산출하고, 복수의 기준벡터 값 중 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값을 추출할 수 있다. 이때, 유사도 산출 방법에는 유클리디안 거리(Euclidean distance), 코사인 유사도(Cosine similarity), 타니모토 계수(Tanimoto coeffieient) 등이 채택될 수 있다.
암호화 관리부는 평가 결과 벡터 값과의 유사도가 가장 높은 기준 벡터 값에 해당하는 단어를 인식된 텍스트에 대응되는 단어로 추출할 수 있다.
또한, 암호화 관리부는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다. 인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.
암호화 관리부는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 학습에 요구되는 질의/메트릭 데이터셋을 구축할 수 있고, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
본 실시예에서 중계서버는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 텍스트로 인식된 객체의 형태, 길이, 개수, 고저차 중 적어도 하나 이상의 특징 데이터로부터 텍스트 데이터를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다. 인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
이와 같이, 암호화 관리부는 빅데이터 및 인공 신경망을 이용하여 시설물 점검 과정에서 이미지 형태로 수집된 점검 결과지로부터 측정 데이터를 추출할 수 있다.
이와 같은, 본 발명에 따른 기술은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 공간으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
과제명 : 냉동컨테이너의 적산전력량 모니터링 시스템 개발
Claims (3)
- 화물 운반에 따른 정확한 전기 소모량을 산출하여 화주로부터 관련 비용을 청구하기 위해, 냉동 컨테이너의 정확한 전기소모량을 파악하여 할 수 있는 모니터링 시스템에 있어서,
컨테이너 내부 온습도를 일정하게 유지할 수 있는 리퍼 컨테이너의 적산 전력량을 모니터링하는 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템은,
리퍼 컨테이너의 전력 사용량을 측정하는 센서;
상기 센서로부터 수신되는 전력 데이터를 저장 및 관리하며, 상기 전력 데이터를 디스플레이 단말을 통해 실시간 표시되도록 제어하는 제어 모듈을 포함하되,
상기 제어 모듈은,
하기 수학식을 이용하여 전력효율지수를 산출하여, 산출된 전력효율지수가 미리 설정된 기준값 미만인 리퍼 컨테이너는 전력 사용량이 기준에 부합하지 않은 이상 증상이 있는 컨테이너로 판단하는, 운항선박의 CII 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템.
[수학식]
여기서, PE는 전력효율지수, x_1은 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위에 포함된 압력값들의 평균값(psi), x_2은 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위를 벗어난 압력값들의 평균값(psi), y_1은 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위에 포함된 압력값들의 개수, y_2는 측정시간 동안 측정된 리퍼 컨테이너 내부에 설치된 냉매관의 압력값들 중 미리 설정된 기준 압력값 범위를 벗어난 압력값들의 개수, z는 미리 설정된 리퍼 컨테이너 내부의 적정 온도값(℃), z_i는 측정시간 동안 측정된 리퍼 컨테이너 내부의 온도값(℃), w는 리퍼컨테이너별로 차등하게 설정되는 가중치이다. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230153487A KR102634923B1 (ko) | 2023-11-08 | 2023-11-08 | 운항선박의 cii 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230153487A KR102634923B1 (ko) | 2023-11-08 | 2023-11-08 | 운항선박의 cii 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102634923B1 true KR102634923B1 (ko) | 2024-02-07 |
Family
ID=89872965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230153487A KR102634923B1 (ko) | 2023-11-08 | 2023-11-08 | 운항선박의 cii 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102634923B1 (ko) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140105114A (ko) * | 2013-02-22 | 2014-09-01 | 삼성중공업 주식회사 | 컨테이너 제어 시스템 |
| KR20150102583A (ko) * | 2014-02-28 | 2015-09-07 | 삼성중공업 주식회사 | 냉동컨테이너 선박의 발전기 제어 시스템 |
| KR20200074648A (ko) * | 2018-12-17 | 2020-06-25 | 주식회사 오렌지씨큐리티 | 선박 정보를 기반으로 한 유해 가스 배출량 측정 방법 및 이러한 방법을 수행하는 장치 |
| US20220121159A1 (en) * | 2019-07-10 | 2022-04-21 | Maersk Line A/S | Power control for a container vessel |
| KR102551236B1 (ko) * | 2022-09-01 | 2023-07-04 | 주식회사 탄소중립연구원 | 탄소 배출량 추정 방법 및 그 장치 |
| KR20230106500A (ko) * | 2022-01-06 | 2023-07-13 | 스미도모쥬기가이 마린 엔지니어링 가부시키가이샤 | 선박시스템, 표시장치, 및 선박프로그램 |
| KR20230140738A (ko) * | 2022-03-30 | 2023-10-10 | 삼성중공업 주식회사 | 전력의 효율적인 운용을 위한 선박 |
| KR20230145772A (ko) | 2022-04-11 | 2023-10-18 | 한화오션 주식회사 | 선박용 친환경 추진시스템 |
| KR20230150207A (ko) * | 2022-04-21 | 2023-10-30 | 나부테스코 가부시키가이샤 | 정보 처리 장치, 제어 장치, 방법 및 프로그램 |
-
2023
- 2023-11-08 KR KR1020230153487A patent/KR102634923B1/ko active IP Right Grant
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140105114A (ko) * | 2013-02-22 | 2014-09-01 | 삼성중공업 주식회사 | 컨테이너 제어 시스템 |
| KR20150102583A (ko) * | 2014-02-28 | 2015-09-07 | 삼성중공업 주식회사 | 냉동컨테이너 선박의 발전기 제어 시스템 |
| KR20200074648A (ko) * | 2018-12-17 | 2020-06-25 | 주식회사 오렌지씨큐리티 | 선박 정보를 기반으로 한 유해 가스 배출량 측정 방법 및 이러한 방법을 수행하는 장치 |
| US20220121159A1 (en) * | 2019-07-10 | 2022-04-21 | Maersk Line A/S | Power control for a container vessel |
| KR20230106500A (ko) * | 2022-01-06 | 2023-07-13 | 스미도모쥬기가이 마린 엔지니어링 가부시키가이샤 | 선박시스템, 표시장치, 및 선박프로그램 |
| KR20230140738A (ko) * | 2022-03-30 | 2023-10-10 | 삼성중공업 주식회사 | 전력의 효율적인 운용을 위한 선박 |
| KR20230145772A (ko) | 2022-04-11 | 2023-10-18 | 한화오션 주식회사 | 선박용 친환경 추진시스템 |
| KR20230150207A (ko) * | 2022-04-21 | 2023-10-30 | 나부테스코 가부시키가이샤 | 정보 처리 장치, 제어 장치, 방법 및 프로그램 |
| KR102551236B1 (ko) * | 2022-09-01 | 2023-07-04 | 주식회사 탄소중립연구원 | 탄소 배출량 추정 방법 및 그 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Uyanık et al. | Machine learning approach to ship fuel consumption: A case of container vessel | |
| Fan et al. | A review of ship fuel consumption models | |
| Coraddu et al. | Vessels fuel consumption forecast and trim optimisation: A data analytics perspective | |
| Huang et al. | An intelligent multifeature statistical approach for the discrimination of driving conditions of a hybrid electric vehicle | |
| US20220147897A1 (en) | Machine learning for predictive optmization | |
| Bui et al. | Advanced data analytics for ship performance monitoring under localized operational conditions | |
| Fan et al. | Multi-stage decision-making method for ship speed optimisation considering inland navigational environment | |
| Cha et al. | Towards a future electric ferry using optimisation-based power management strategy in fuel cell and battery vehicle application—A review | |
| Wang et al. | Design and implementation of early warning system based on educational big data | |
| Li et al. | Online adaptive energy management strategy for fuel cell hybrid vehicles based on improved cluster and regression learner | |
| Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
| Cai et al. | Detecting adversarial examples in learning-enabled cyber-physical systems using variational autoencoder for regression | |
| Yuan et al. | Fitting analysis of inland ship fuel consumption considering navigation status and environmental factors | |
| Chen et al. | Prediction of harbour vessel fuel consumption based on machine learning approach | |
| KR102634923B1 (ko) | 운항선박의 cii 대응을 위한 리퍼 컨테이너 적산 전력량 모니터링 시스템 | |
| Vorkapić et al. | Machine learning methods in monitoring operating behaviour of marine two-stroke diesel engine | |
| Hu et al. | Evolution pathway of process risk of marine traffic with the STAMP model and a genetic algorithm: a simulation of LNG-fueled vessel in-and-out harbor | |
| Mallon et al. | Robustification through minimax dynamic programing and its implication for hybrid vehicle energy management strategies | |
| Han et al. | Multi-objective ship path planning using non-dominant relationship-based WOA in marine meteorological environment | |
| Tran | A study of the energy efficiency management for bulk carriers considering navigation environmental impacts | |
| Sánchez et al. | Assessment of the running resistance of a diesel passenger train using evolutionary bilevel algorithms and operational data | |
| Gu et al. | The application of the big data algorithm for pipeline lifetime analysis | |
| Fletcher et al. | An application of machine learning to shipping emission inventory | |
| US20220164722A1 (en) | Systems and methods for data-driven energy management of a vehicle fleet with electric vehicles | |
| Yu et al. | Online ship speed optimization based on BiLSTM encoder-decoder |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |