KR20240045628A - System and method for measuring of speed trial - Google Patents
System and method for measuring of speed trial Download PDFInfo
- Publication number
- KR20240045628A KR20240045628A KR1020220125173A KR20220125173A KR20240045628A KR 20240045628 A KR20240045628 A KR 20240045628A KR 1020220125173 A KR1020220125173 A KR 1020220125173A KR 20220125173 A KR20220125173 A KR 20220125173A KR 20240045628 A KR20240045628 A KR 20240045628A
- Authority
- KR
- South Korea
- Prior art keywords
- ship
- data
- trial
- test
- run
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 95
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000011056 performance test Methods 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims description 36
- 238000007689 inspection Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000013079 data visualisation Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/30—Monitoring properties or operating parameters of vessels in operation for diagnosing, testing or predicting the integrity or performance of vessels
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Ocean & Marine Engineering (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 해상 시운전 선박 속력에 대한 성능검사 및 예측 시스템 및 예측방법에 대한 것으로, 시운전이 필요한 선박에 대한 시운전시 기상조건을 반영한 시운전 결과를 예측하되, 머신러닝을 통해 시운전 완료된 선박의 기상조건에 따른 선박 사양의 시운전 결과를 학습을 통해 모델링하고, 이를 바탕으로 신규 시운전이 필요한 선박의 시운전 예측값을 도출 제공함으로써, 머신러닝 기반의 예측 결과를 토대로 선박 시운전 속력의 검사를 수행하여 검사결과에 적중률을 높일 있으며, 동시에 실제 시행한 시운전 결과와의 일치도를 판별하여 다시 학습모델에 적용하여 신뢰도를 더욱 향상시킬 수 있도록 한다.The present invention relates to a performance test and prediction system and prediction method for the speed of a sea trial ship. It predicts the trial run results reflecting the weather conditions during the trial run of the vessel requiring trial operation, and predicts the weather conditions of the vessel for which the trial operation has been completed through machine learning. By modeling the test run results of the ship specifications according to the model through learning, and based on this, deriving and providing test run forecast values for ships requiring new test runs, the test run speed of the ship is inspected based on machine learning-based prediction results to ensure a hit rate in the test results. At the same time, the degree of consistency with the actual test run results can be determined and applied to the learning model to further improve reliability.
Description
본 발명은 해상 시운전 선박 속력에 대한 성능검사 및 예측 시스템 및 예측방법에 대한 것이다.The present invention relates to a performance inspection and prediction system and prediction method for the speed of a sea trial ship.
건조 선박의 속력성능시험(Speed Test)은 선주에게 보증하는 속력이 건조사양서에 명시된 속력 이상이 나오는가에 대한 검사를 말한다. (예: LNG 15Knote, 컨테이너 12Knote) The speed test of a ship being built refers to an examination of whether the speed guaranteed to the ship owner is higher than the speed specified in the construction specifications. (Example: LNG 15Knote, container 12Knote)
검사 담당자는 해상시운전에서 사양서에 명시된 속력 이상이 나오도록 관측한 환경 정보를 토대로 미래의 검사 일정을 담당자의 주관에 의해 결정을 하게 된다.The inspection person in charge determines the future inspection schedule based on the environmental information observed to ensure that the speed specified in the specifications is exceeded during the sea trial run.
이 경우. 환경 정보는 엔진 샤프트 출력(Sharft Power), RPM과 같은 엔진 정보와 바람 방향과 속도, 조류 방향과 속도, 파고, 온도 등의 기상 정보를 활용하게 된다.in this case. Environmental information utilizes engine information such as engine shaft power and RPM, and weather information such as wind direction and speed, current direction and speed, wave height, and temperature.
환경 정보 중에 장비 데이터를 제외한 기상정보는 속력시험에 큰 영향을 미치며 실해역의 바람, 조류, 기상청 예보 자료 등을 보고 담당자의 경험적 판단에 의해 미래의 검사 시간을 결정한다. Among environmental information, meteorological information excluding equipment data has a significant impact on the speed test, and future inspection times are determined based on the empirical judgment of the person in charge by looking at actual sea area winds, currents, and weather forecast data from the Korea Meteorological Administration.
따라서, 도 1에서와 같이, 종래의 시운전 검사를 수행하는 경우, 담당자의 경험적 판단에 의해 미래의 검사 시간을 결정하게 되는 바, 검사 시간에 발생하는 예상치 못한 속력 감쇄는 검사 실패 및 재검사하게 됨으로써 시운전 공정 지연에 영향을 주게 된다.Therefore, as shown in Figure 1, when performing a conventional test run inspection, the future inspection time is determined based on the empirical judgment of the person in charge, and an unexpected speed decrease that occurs at the inspection time results in inspection failure and re-inspection, thereby reducing the test run time. This affects process delays.
또한, 해상시운전 승선중인 담당자와 사내와 공유가 불가능하여 의사소통 및 숙련자의 경험 노하우 전수에 어려움이 있어 왔다.In addition, it has been difficult to communicate and transfer the experience and know-how of experienced personnel because it is impossible to share it with the person in charge on board the sea trial operation and within the company.
출원인은 한국특허공개공보 KR 2021-0060245 A에서, 선박의 속력 시운전 수행 환경이 규약에서 요구하는 조건을 만족하는지 실시간으로 확인하여 불필요한 선박의 시운전 재수행을 사전에 방지하고, 규약을 만족하지 못하는 환경일 경우 규약을 만족하는 최적의 수행 조건을 제시하여 선박의 시운전 기간 단축 및 원활한 선박의 시운전 수행에 기여하는 방법의 출원을 진행한바 있다. 그러나 이 경우에도, 실제 선박 시운전의 환경 규약에 필요한 시운전 조건 설정에 대한 기술에 집중하고 있을 뿐, 실제 시운전의 성패 여부의 결과를 신뢰도 있게 예측할 수 있는 참조 모델을 제공하지는 못하였다.In Korean Patent Laid-Open Publication KR 2021-0060245 A, the applicant checks in real time whether the speed test run environment of the ship satisfies the conditions required by the protocol to prevent unnecessary re-performance of the ship test run in advance, and to prevent unnecessary re-performance of the ship test run in an environment that does not satisfy the rule. In one case, an application has been filed for a method that contributes to the shortening of the ship's test operation period and smooth ship test operation by suggesting optimal performance conditions that satisfy the regulations. However, even in this case, it only focused on the technology for setting test run conditions necessary for the environmental regulations of actual ship test runs, and did not provide a reference model that could reliably predict the results of the actual test run success or failure.
본 발명은 상술한 문제를 해결하기 위하여 안출된 것으로, 본 발명의 목적은 시운전이 필요한 선박에 대한 시운전시 기상조건을 반영한 시운전 결과를 예측하되, 머신러닝을 통해 시운전 완료된 선박의 기상조건에 따른 선박 사양의 시운전 결과를 학습을 통해 모델링하고, 이를 바탕으로 신규 시운전이 필요한 선박의 시운전 예측값을 도출 제공함으로써, 머신러닝 기반의 예측 결과를 토대로 선박 시운전 속력의 검사를 수행하여 검사결과에 적중률을 높일 있으며, 동시에 실제 시행한 시운전 결과와의 일치도를 판별하여 다시 학습모델에 적용하여 신뢰도를 더욱 향상시킬 수 있도록 하는 시스템을 제공하는 데 있다.The present invention was created to solve the above-mentioned problem. The purpose of the present invention is to predict the test operation results reflecting the weather conditions during the test operation of the ship requiring test operation, and to predict the test operation results according to the weather conditions of the ship that has completed the test operation through machine learning. We model the test run results of specifications through learning, and based on this, derive and provide test run predicted values for ships that require new test runs. By performing an inspection of ship test run speeds based on machine learning-based prediction results, we increase the accuracy of the test results. At the same time, the goal is to provide a system that can further improve reliability by determining the degree of consistency with the actual test run results and applying it to the learning model.
상술한 과제를 해결하기 위한 수단으로서, 본 발명의 실시예에서는, 도 1 내지 도 5에 도시된 것과 같이, 시운전 대상이 되는 선박에 대한 엔진정보를 포함하는 정보 및 시운전 완료된 선박의 검사 데이터를 제공하는 선박정보 데이터베이스(10); 기상 관련 데이터를 제공하는 환경정보 데이터베이스(20); 상기 선박정보 데이터베이스(10)와 환경정보 데이터베이스(20)에서 입력 받은 데이터를 바탕으로, 머신러닝을 수행하여 선박속력 예측모델을 구축하여, 선박의 시운전 결과를 예측하는 스마트 시운전 플랫폼(100);을 포함하며,As a means to solve the above-described problem, in the embodiment of the present invention, as shown in Figures 1 to 5, information including engine information for the ship subject to test operation and inspection data of the ship for which test operation has been completed are provided. a ship information database (10); Environmental information database (20) providing weather-related data; A smart test drive platform 100 that performs machine learning to build a ship speed prediction model based on data input from the ship information database 10 and the environment information database 20, and predicts the test drive results of the ship; Includes,
상기 스마트 시운전 플랫폼(100)은, 상기 선박정보 데이터 베이스(10)으로 부터 시운전 대상이 되는 선박에 대한 엔진정보를 포함하는 정보를 제공 받는 선박 데이터 수집부(110); 상기 환경정보 데이터베이스(20)로 부터 제공되는 연간 기상자료를 입력 받고, 입력 받은 기상 조건을 설정하여 조류가 선박 성능에 미치는 예측값을 가시화하여 제공하는 조류분석예측부(120); 시운전 데이터가 수집된 완료 선박의 시운전 데이터를 바탕으로 머신러닝을 수행하여, 시운전 중 실시간 환경정보 데이터에 따른 예측 결과값을 출력하고 선박속력 예측모델을 제공하는 시운전 학습모델부(130); 상기 시운전 학습모델부(130)의 머신러닝에 다른 선박속력 예측모델을 적용하여, 신규 입력되는 시운전 대상이 적용하는 실시간 환경 정보 데이터에 따른 선박속력의 예측값을 가시화하여 제공하는 시운전 데이터 가시화부(140); 상기 시운전 데이터 가시화부(140)의 결과 값을 바탕으로 실행된 선박 시운전의 실행 결과 값을 비교하고, 예측결과값과 실행 결과값의 일치도를 입력하여 시운전 학습모델부(130)에 피드백하는 검사결과 적용부(150);를 포함하는, 해상 시운전 선박 속력에 대한 성능검사 및 예측 시스템을 제공할 수 있도록 한다.The smart test drive platform 100 includes a ship data collection unit 110 that receives information including engine information about the ship subject to test drive from the ship information database 10; A tidal current analysis and prediction unit 120 that receives annual weather data provided from the environmental information database 20, sets the input weather conditions, and visualizes and provides predicted values of tidal currents on ship performance; A trial operation learning model unit 130 that performs machine learning based on the trial operation data of the completed vessel for which the trial operation data has been collected, outputs predicted results according to real-time environmental information data during the trial run, and provides a ship speed prediction model; A trial run data visualization unit 140 that applies another vessel speed prediction model to the machine learning of the trial run learning model unit 130 to visualize and provide a predicted value of the vessel speed according to real-time environmental information data applied to the newly input trial run target. ); The execution result value of the ship trial run performed based on the result value of the trial run data visualization unit 140 is compared, the degree of agreement between the predicted result value and the execution result value is input, and the inspection result is fed back to the trial run learning model unit 130. It is possible to provide a performance inspection and prediction system for marine trial ship speed, including an application unit 150.
이 경우, 본 발명의 실시예에서의 상기 환경정보 데이터베이스(20)는 기상청의 연간 예보 데이터로, 바람 세기 및 방향, 조류 속도 및 방향 예측 정보를 포함하는 데이터를 제공하며, 상기 선박정보 데이터베이스(10)는 시운전 대상 선박의 엔진정보로 샤프트 파워(shaft power), 출력(RPM)의 정보를 포함하여 제공하며, 상기 조류분석예측부(120)는 상기 환경정보 데이터베이스(20)에서 기상청 조류 예측 자료를 제공받아, Number of Run, 검사간격, 보상값 입력을 통해 조류 분석 예측 결과 분석하여 제공하며, 상기 시운전 학습모델부(130)는 선박정보 데이터베이스(10)에서 시운전 완료된 선박의 시운전 데이터를 입력 받아 데이터를 전처리하고, 하이퍼파라미터 튜닝 모델(HyperParameter Turning Model)을 적용하여 머신러닝을 수행하는, 해상 시운전 선박 속력에 대한 성능검사 및 예측 시스템으로 구현할 수 있도록 한다.In this case, the environmental information database 20 in the embodiment of the present invention is the annual forecast data of the Korea Meteorological Administration, and provides data including wind strength and direction, current speed and direction prediction information, and the vessel information database 10 ) provides engine information of the vessel subject to test operation, including information on shaft power and output (RPM), and the current analysis and prediction unit 120 provides current forecast data from the Korea Meteorological Administration from the environmental information database 20. The data is provided by analyzing the predicted results of tidal current analysis by entering the Number of Run, inspection interval, and compensation value. The trial operation learning model unit 130 receives the trial operation data of the vessel whose trial operation has been completed from the vessel information database 10. It can be implemented as a performance inspection and prediction system for the speed of marine trial ships by preprocessing and applying machine learning by applying a hyperparameter tuning model.
상술한 본 발명의 해상 시운전 선박 속력에 대한 성능검사 및 예측 시스템을 적용하여, 해상 시운전 선박 속력에 대한 성능검사 및 예측을 수행하는 방법을 제공할 수 있으며, 이는 시운전이 필요한 대상 선박에 대한 시운전시 기상정보를 반영하여 머신러닝에 따른 학습모델을 적용하여 시운전의 결과값을 도출을 수행하되, 선박 데이터 수집부(110)에서 선박정보 데이터베이스(10)로 부터 시운전 대상이 되는 선박의 정보가 신규 대상인지 시운전이 완료된 정보인지를 판별하여 시운전 완료된 데이터를 입수받는 단계; 조류분석예측부(120)에서 환경정보 데이터베이스(20)로 부터 제공되는 연간 기상자료를 입력 받고, 입력 받은 기상 조건을 설정하여 조류가 선박 성능에 미치는 예측값을 가시화하여 제공하는 단계; 시운전 학습모델부(130)에서, 시운전 데이터가 수집된 완료 선박의 시운전 데이터를 바탕으로 머신러닝을 수행하여, 시운전 중 실시간 환경정보 데이터에 따른 예측 결과값을 출력하고 선박속력 예측모델을 제공하는 단계; 시운전 데이터 가시화부(140)에서 상기 시운전 학습모델부(130)의 머신러닝에 다른 선박속력 예측모델을 적용하여, 신규 입력되는 시운전 대상이 적용하는 실시간 환경 정보 데이터에 따른 선박속력의 예측값을 가시화하여 제공하는 단계;를 포함하는, 해상 시운전 선박 속력에 대한 성능검사 및 예측방법으로 구현할 수 있다.By applying the performance inspection and prediction system for the speed of a sea trial ship of the present invention described above, it is possible to provide a method of performing a performance test and prediction for the speed of a sea trial ship, which can be used during trial operation of a target vessel requiring trial operation. The results of the trial run are derived by applying a learning model based on machine learning by reflecting the weather information, and the information of the vessel subject to the trial run is collected from the vessel information database 10 in the vessel data collection unit 110 as a new target. Recognizing whether the trial run has been completed and determining whether the trial run has been completed, and obtaining data for which the trial run has been completed; A step of receiving annual meteorological data provided from the environmental information database 20 in the tidal current analysis and prediction unit 120, setting the input weather conditions, and visualizing and providing predicted values of tidal currents on ship performance; In the trial run learning model unit 130, machine learning is performed based on the trial run data of the completed vessel for which trial run data has been collected, outputting prediction results according to real-time environmental information data during the trial run, and providing a ship speed prediction model. ; The trial run data visualization unit 140 applies a different vessel speed prediction model to the machine learning of the trial run learning model unit 130, and visualizes the predicted value of the vessel speed according to the real-time environmental information data applied by the newly input trial run target. It can be implemented as a performance inspection and prediction method for the speed of a sea trial vessel, including the step of providing.
본 발명의 실시예에 따르면, 시운전이 필요한 선박에 대한 시운전시 기상조건을 반영한 시운전 결과를 예측하되, 머신러닝을 통해 시운전 완료된 선박의 기상조건에 따른 선박 사양의 시운전 결과를 학습을 통해 모델링하고, 이를 바탕으로 신규 시운전이 필요한 선박의 시운전 예측값을 도출 제공함으로써, 머신러닝 기반의 예측 결과를 토대로 선박 시운전 속력의 검사를 수행하여 검사결과에 적중률을 높일 있으며, 동시에 실제 시행한 시운전 결과와의 일치도를 판별하여 다시 학습모델에 적용하여 신뢰도를 더욱 향상시킬 수 있도록 한다.According to an embodiment of the present invention, the test operation results reflecting the weather conditions during the test operation of a ship requiring a test drive are predicted, and the test drive results of the ship specifications according to the weather conditions of the ship for which the test drive has been completed are modeled through learning through machine learning, Based on this, by deriving and providing predicted values for test runs of ships requiring new test runs, the test run speed of ships can be inspected based on machine learning-based prediction results to increase the accuracy of the test results, and at the same time, improve the degree of consistency with the actual test run results. It is determined and reapplied to the learning model to further improve reliability.
본 발명에 따른 해상시운전 선박 속력에 대한 성능검사 및 예측 시스템은 환경정보의 데이터는 스마트 시운전 플랫폼의 Data Collection 시스템으로 수집하여 IT 기술을 활용한 가시화 화면으로 열람할 수 있게 구현할 수 있으며, 가시화 화면은 승선중인 담당자 및 사내 담당자와의 데이터 공유가 가능함으로 원격 검사 시 의사결정에 도움을 줄 수 있으며, 동시에 검사결과에 따른 주관적인 판단에 도움을 주며 배경지식이 없는 비숙련자에게 효율적인 지표를 제공할 수 있게 된다.The performance inspection and prediction system for sea trial ship speed according to the present invention can be implemented so that environmental information data can be collected through the data collection system of the smart trial run platform and viewed on a visualization screen using IT technology, and the visualization screen is Data can be shared with onboard personnel and in-house personnel, which can help with decision-making during remote inspections. At the same time, it can help with subjective judgment based on test results and provide efficient indicators to unskilled people without background knowledge. do.
도 1은 종래의 해상 선박 시운전의 과정을 도시한 순서도이다.
도 2는 본 발명의 실시예에 따른 해상 시운전 선박 속력에 대한 성능검사 및 예측 시스템(이하, '본 발명'이라 한다.)을 도시한 구성도이다.
도 3은 도 2의 본 발명을 통해 선박 시운전 결과를 예측하는 과정을 도시한 순서도이다.
도 4는 본 발명의 시운전 결과를 예측하는 스마트 시운전 플랫폼(100)의 순서도를 도시한 것이다.
도 5 내지 도 7은 본 발명의 스마트 시운전 플랫폼(100)의 구동 화면을 도시한 개념도이다.Figure 1 is a flowchart showing the process of trial operation of a conventional marine vessel.
Figure 2 is a configuration diagram illustrating a performance inspection and prediction system for the speed of a sea trial ship according to an embodiment of the present invention (hereinafter referred to as 'the present invention').
FIG. 3 is a flowchart showing the process of predicting ship test operation results through the present invention of FIG. 2.
Figure 4 shows a flowchart of a smart test drive platform 100 that predicts test drive results of the present invention.
5 to 7 are conceptual diagrams showing the driving screen of the smart test drive platform 100 of the present invention.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.The advantages and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Rather, the embodiments introduced herein are provided so that the disclosure will be thorough and complete and so that the spirit of the invention can be sufficiently conveyed to those skilled in the art.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in this application are only used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as generally understood by a person of ordinary skill in the technical field to which the present invention pertains. Terms defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as having an ideal or excessively formal meaning unless explicitly defined in the present application. No.
도 2는 본 발명의 실시예에 따른 해상 시운전 선박 속력에 대한 성능검사 및 예측 시스템(이하, '본 발명'이라 한다.)을 도시한 구성도이며, 도 3은 도 2의 본 발명을 통해 선박 시운전 결과를 예측하는 과정을 도시한 순서도이다. 도 4는 본 발명의 시운전 결과를 예측하는 스마트 시운전 플랫폼(100)의 순서도를 도시한 것이다.Figure 2 is a configuration diagram showing a performance inspection and prediction system for the speed of a sea trial ship (hereinafter referred to as 'the present invention') according to an embodiment of the present invention, and Figure 3 is a diagram showing the performance of the ship through the present invention of Figure 2. This is a flowchart showing the process of predicting test run results. Figure 4 shows a flowchart of a smart test drive platform 100 that predicts test drive results of the present invention.
도 2 내지 도 4를 참조하면, 본 발명은 시운전 대상이 되는 선박에 대한 엔진정보를 포함하는 정보 및 시운전 완료된 선박의 검사 데이터를 제공하는 선박정보 데이터베이스(10)와, 기상 관련 데이터를 제공하는 환경정보 데이터베이스(20), 상기 선박정보 데이터베이스(10)와 환경정보 데이터베이스(20)에서 입력 받은 데이터를 바탕으로, 머신러닝을 수행하여 선박속력 예측모델을 구축하여, 선박의 시운전 결과를 예측하는 스마트 시운전 플랫폼(100)을 포함하여 구성된다.Referring to FIGS. 2 to 4, the present invention provides a ship information database 10 that provides information including engine information for ships subject to test operation and inspection data of ships that have completed test runs, and an environment that provides weather-related data. Smart test operation that predicts the test run results of the ship by constructing a ship speed prediction model by performing machine learning based on data input from the information database 20, the ship information database 10, and the environmental information database 20. It is configured to include a platform 100.
상기 스마트 시운전 플랫폼(100)은 상기 선박정보 데이터베이스(10)와 환경정보 데이터베이스(20)에서 입력 받은 데이터를 바탕으로, 머신러닝을 수행하여 선박속력 예측모델을 구축하는 프로그램을 구비하는 단말장치를 포함하며, 상기 단말장치들은 네트워크 통신이 가능한 장치를 포괄하는 개념이다.The smart test operation platform 100 includes a terminal device equipped with a program that performs machine learning to build a ship speed prediction model based on data input from the ship information database 10 and the environmental information database 20. And the terminal devices are a concept that encompasses devices capable of network communication.
상기 스마트 시운전 플랫폼(100)은, 상기 선박정보 데이터 베이스(10)으로 부터 시운전 대상이 되는 선박에 대한 엔진정보를 포함하는 정보를 제공 받는 선박 데이터 수집부(110), 상기 환경정보 데이터베이스(20)로부터 제공되는 연간 기상자료를 입력 받고, 입력 받은 기상 조건을 설정하여 조류가 선박 성능에 미치는 예측값을 가시화하여 제공하는 조류분석예측부(120), 시운전 데이터가 수집된 완료 선박의 시운전 데이터를 바탕으로 머신러닝을 수행하여, 시운전 중 실시간 환경정보 데이터에 따른 예측 결과값을 출력하고 선박속력 예측모델을 제공하는 시운전 학습모델부(130), 상기 시운전 학습모델부(130)의 머신러닝에 다른 선박속력 예측모델을 적용하여, 신규 입력되는 시운전 대상이 적용하는 실시간 환경 정보 데이터에 따른 선박속력의 예측값을 가시화하여 제공하는 시운전 데이터 가시화부(140), 상기 시운전 데이터 가시화부(140)의 결과 값을 바탕으로 실행된 선박 시운전의 실행 결과 값을 비교하고, 예측결과값과 실행 결과값의 일치도를 입력하여 시운전 학습모델부(130)에 피드백하는 검사결과 적용부(150)를 포함하여 구성될 수 있다.The smart test drive platform 100 includes a ship data collection unit 110 that receives information including engine information about the ship subject to test drive from the ship information database 10, and the environmental information database 20. Current analysis and prediction unit 120, which receives annual weather data provided by the system, sets the input weather conditions, and visualizes and provides predicted values of the current effect on ship performance, based on the test run data of completed ships for which test run data has been collected. A trial operation learning model unit 130 that performs machine learning and outputs prediction results according to real-time environmental information data during trial operation and provides a vessel speed prediction model, and other vessel speeds according to the machine learning of the trial operation learning model unit 130. A trial run data visualization unit 140 that applies a prediction model to visualize and provide predicted values of ship speed according to real-time environmental information data applied by a newly input trial run target, based on the result values of the trial run data visualization unit 140. It may be configured to include an inspection result application unit 150 that compares the execution result values of the ship trial run carried out, inputs the degree of agreement between the predicted result value and the execution result value, and feeds it back to the trial operation learning model unit 130.
구체적으로, 상기 선박 데이터 수집부(110)는 상기 선박정보 데이터 베이스(10)으로 부터 시운전 대상이 되는 선박에 대한 엔진정보를 포함하는 정보를 제공받는다. 이 경우, 상기 선박정보 데이터베이스(10)는 시운전 대상 선박의 엔진정보로 샤프트 파워(shaft power), 출력(RPM)의 정보를 포함하여 제공하며, 동시에, 해당 선박에 대하여 본 발명에 예측한 시운전 결과에 대한 데이터를 저장하여 제공할 수 있도록 한다.Specifically, the ship data collection unit 110 receives information including engine information about the ship subject to test operation from the ship information database 10. In this case, the ship information database 10 provides engine information of the ship subject to test operation, including information on shaft power and output (RPM), and at the same time, the test run result predicted by the present invention for the ship in question. Allows data to be stored and provided.
상기 조류분석예측부(120)는 상기 환경정보 데이터베이스(20)로 부터 제공되는 연간 기상자료를 입력 받고, 입력 받은 기상 조건을 설정하여 바람 세기 및 방향, 조류속도 및 방향이 선박 성능에 미치는 예측값을 가시화하여 제공하는 기능을 수행한다. 이 경우, 조류 분석의 예측과정은 머신러닝에 따른 분석과 학습이 가능하도록 하며, 입력조건은 Number of Run, 검사간격, 보상값 입력을 입력하여 조류분석에 대한 분석 데이터를 축적할 수 있도록 한다.The current analysis and prediction unit 120 receives annual weather data provided from the environmental information database 20, sets the received weather conditions, and provides predicted values of wind strength and direction and current speed and direction on ship performance. It performs the function provided by visualizing it. In this case, the prediction process of tidal current analysis enables analysis and learning based on machine learning, and the input conditions allow the accumulation of analysis data for tidal current analysis by entering the Number of Run, inspection interval, and compensation value input.
상기 시운전 학습모델부(130)는, 시운전 데이터가 수집된 완료 선박의 시운전 데이터를 바탕으로 머신러닝을 수행하여, 시운전 중 실시간 환경정보 데이터에 따른 예측 결과값을 출력하고 선박속력 예측모델을 제공한다. 이 경우, 상기 시운전 학습모델부(130)는, 선박정보 데이터베이스(10)에서 시운전 완료된 선박의 시운전 데이터를 입력 받아 데이터를 전처리하고, 하이퍼파라미터 튜닝 모델(HyperParameter Turning Model)을 적용하여 머신러닝을 수행하여, 선박속력 예측모델을 구축하고, 후술하는 것과 같이 시운전 완료된 선박의 예측 수행자료와 실제 시운전 결과에 대한 데이터를 다시 학습 입력값으로 활용하여 정밀도를 높일 수 있도록 한다.The trial run learning model unit 130 performs machine learning based on the trial run data of the completed ship for which trial run data has been collected, outputs a prediction result according to real-time environmental information data during the trial run, and provides a ship speed prediction model. . In this case, the trial operation learning model unit 130 receives trial operation data of ships that have completed trial operation from the vessel information database 10, preprocesses the data, and performs machine learning by applying a hyperparameter tuning model. Thus, a ship speed prediction model is built, and as described later, the prediction performance data of ships that have completed test runs and the data on actual test run results are used again as learning inputs to increase precision.
이를 위해, 본 발명에서는, 상기 시운전 학습모델부(130)의 머신러닝에 다른 선박속력 예측모델을 적용하여, 신규 입력되는 시운전 대상이 적용하는 실시간 환경 정보 데이터에 따른 선박속력의 예측값을 가시화하여 제공하는 시운전 데이터 가시화부(140)가 구비되며, 이는 도 5 내지 도 7에서와 같이, 사용자 단말의 디스플레이 화면을 통해 해당 결과를 확인할 수 있도록 한다.To this end, in the present invention, by applying another ship speed prediction model to the machine learning of the test drive learning model unit 130, the predicted value of ship speed according to real-time environmental information data applied by the newly input test drive target is visualized and provided. A test run data visualization unit 140 is provided, which allows the user to check the results through the display screen of the user terminal, as shown in FIGS. 5 to 7.
또한, 본 발명에서는 상기 시운전 데이터 가시화부(140)의 결과 값을 바탕으로 실행된 선박 시운전의 실행 결과 값을 비교하고, 예측결과값과 실행 결과값의 일치도를 입력하여 시운전 학습모델부(130)에 피드백하는 검사결과 적용부(150)를 구비하여, 시운전 완료된 선박의 예측 수행자료와 실제 시운전 결과에 대한 데이터를 다시 학습 입력값으로 활용하여 정밀도를 높일 수 있도록 한다.In addition, in the present invention, the execution result value of the ship trial run performed based on the result value of the trial run data visualization unit 140 is compared, and the degree of agreement between the predicted result value and the execution result value is input to create the trial run learning model unit 130. It is equipped with an inspection result application unit 150 that feeds back to the predicted performance data of a ship that has completed trial operation and data on actual trial operation results to be used again as a learning input to increase precision.
도 4는 본 발명의 상기 스마트 시운전 플랫폼(100)의 작동 과정을 도시한 순서도이다.Figure 4 is a flowchart showing the operation process of the smart test operation platform 100 of the present invention.
도 4를 참조하면, 상기 스마트 시운전 플랫폼(100)은 우선, 선박 데이터 수집부(110)에서는 선박에 대한 데이터를 수집하되, 입수되는 선박에 대한 데이터가 시운전이 완료된 것인지, 아니면 시운전이 필요한 신규 선박에 대한 데이터인지를 판별한다.Referring to FIG. 4, the smart test operation platform 100 first collects data about the ship in the ship data collection unit 110, and determines whether the data about the ship that is obtained has completed a test run or is a new ship that requires a test run. Determine whether the data is for .
다음으로, 데이터 입력 파이프라인(pipeline)을 통해서 데이터를 입력하게 된다. 신규 선박에 대한 데이터인 것(is new)으로 가정하면, 해당 선박에 대한 데이터의 엔진정보, RPM 등의 상세 정보를 분류하고 저장해, 시운전 학습 모델링부(130)로 전달하게 된다. Next, data is input through the data input pipeline. Assuming that the data is new for a new ship, detailed information such as engine information and RPM of the data for the ship is classified, stored, and delivered to the trial run learning modeling unit 130.
상기 시운전 학습 모델링부(130)에서는 머신러닝을 통해 선박 속력 예측모델을 구축하되, 입력되는 데이터를 전처리(Preprocessing)하여, 머신러닝의 한 종류인 하이퍼파라미터 튜닝모델(HyperParameter Turning Model) 학습을 수행하고,The trial run learning modeling unit 130 builds a ship speed prediction model through machine learning, preprocesses the input data, and learns a hyperparameter tuning model, a type of machine learning. ,
학습결과 데이터를 시운전 데이터 가시화부(140)에서 활용할 수 있도록 한다.The learning result data can be utilized in the trial run data visualization unit 140.
시운전 데이터 가시화부(140)에서는, 시운전이 필요한 호선(선박)에 대하여, 실시간 데이터(기상정보, 선박 정보)를 수집하고, 상술한 선박 속력 예측모델에 입력하여 미래 1일 속력의 예측결과를 도출하게 되며, 이를 도 6 및 도 7에서와 같이 예측결과를 가시화하게 된다.In the trial run data visualization unit 140, real-time data (weather information, vessel information) is collected for ships requiring trial runs, and input into the above-described vessel speed prediction model to derive a prediction result of future one-day speed. This is done, and the prediction results are visualized as shown in FIGS. 6 and 7.
검사자는 이러한 예측결과를 바탕으로, 선박의 시운전 여부를 결정할 수 있으며, 수행된 시운전의 결과와 대비하여 검사의 성공율을 판별할 수 있게 된다. 사전에 검사 성공이 높은 기상환경의 결과치를 적용하여, 해당 시점에 검사를 시행하게 되므로, 시운전의 실패율이 현저하게 낮아지게 되는 장점이 구현된다.Based on these predicted results, the inspector can decide whether to test run the ship and determine the success rate of the test by comparing it with the results of the test run. By applying the results of a weather environment with a high probability of inspection success in advance and performing the inspection at the appropriate time, the advantage of significantly lowering the failure rate of test runs is realized.
도 5는 본 발명의 스마트 시운전 플랫폼을 적용하여 속력 성능 검사를 수행하는 프로그램을 구축한 단말에서 디스플레이 되는 환경정보 대시보드 형태를 게시한 것이다.Figure 5 shows the form of an environmental information dashboard displayed on a terminal that has built a program to perform a speed performance test by applying the smart test driving platform of the present invention.
도 6은 도 5에서 본 발명의 스마트 시운전 플랫폼을 적용하여 속력 성능 검사를 수행하는 결과를 디스플레이한 것을 예시한 것으로, 도 6은 상술한 본 발명의 조류분석예측부(120)의 기능을 가시화한 화면정보를 표시한 것이다. 환경정보 데이터베이스(20)로 적용할 다양한 기상기관의 정보를 표시할 수 있으며, 조류분석예측부(120)에서 적용할 조류 데이터로 선택한 데이터 정보를 표시하며, 조류에 따른 속력 감쇄 영향 예측결과를 표시할 수 있도록 한다.Figure 6 illustrates the display of the results of performing a speed performance test by applying the smart test driving platform of the present invention in Figure 5, and Figure 6 visualizes the function of the bird analysis prediction unit 120 of the present invention described above. It displays screen information. The environmental information database 20 can display information from various meteorological institutions to be applied, displays data information selected as tidal current data to be applied in the tidal current analysis and prediction unit 120, and displays the prediction results of the speed reduction effect according to the tidal current. make it possible
이 경우, 상술한 것과 같이, 조류 예측을 위한 예측조건으로, Number of Run, 검사간격, 보상값(Tied data calculation) 입력 조건을 표시하여 게시할 수 있도록 한다.In this case, as described above, the Number of Run, inspection interval, and compensation value (tied data calculation) input conditions are displayed and posted as prediction conditions for bird prediction.
도 7은 시운전 학습모델부(130)과 시운전 데이터 가시화부(140)의 결과를 도시한 것으로, 시운전 학습모델부(130)은, 시운전 데이터가 수집된 완료 선박의 시운전 데이터를 바탕으로 머신러닝을 수행하여, 시운전 중 실시간 환경정보 데이터에 따른 예측 결과값을 출력하고 선박속력 예측모델을을 제공하며, 시운전 완료된 선박의 시운전 데이터를 입력 받아 데이터를 전처리하고, 하이퍼파라미터 튜닝 모델(HyperParameter Turning Model)을 적용하여 머신러닝을 수행하여, 시운전 선박의 속도 예측모델을 구현한다.Figure 7 shows the results of the trial run learning model unit 130 and the trial run data visualization unit 140. The trial run learning model unit 130 performs machine learning based on the trial run data of the completed ship for which trial run data was collected. During the trial run, it outputs predicted results based on real-time environmental information data and provides a ship speed prediction model. It also receives trial run data from ships that have completed trial run, pre-processes the data, and creates a hyperparameter tuning model (HyperParameter Turning Model). Apply machine learning to implement a speed prediction model for a trial vessel.
나아가, 시운전 데이터 가시화부는, 도 7에 도시된 것과 같이, 상기 시운전 학습모델부(130)의 머신러닝에 다른 선박속력 예측모델을 적용하여, 신규 입력되는 시운전 대상이 적용하는 실시간 환경 정보 데이터에 따른 선박속력의 예측값을 가시화하여 제공하게 된다.Furthermore, as shown in FIG. 7, the trial run data visualization unit applies a different ship speed prediction model to the machine learning of the trial run learning model unit 130, according to the real-time environmental information data applied by the newly input trial run target. The predicted value of ship speed is visualized and provided.
이상에서와 같이 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 바람직한 실시예는 그 설명을 위한 것이며, 그 제한을 위한 것이 아니다. 이처럼 이 기술 분야의 통상의 전문가라면 본 발명의 기술 사상의 범위 내에서 본 발명의 실시예의 결합을 통해 다양한 실시예들이 가능함을 이해할 수 있을 것이다.As described above, the technical idea of the present invention has been described in detail in the preferred embodiments, but the preferred embodiments described above are for explanation and not limitation. As such, a person skilled in the art will understand that various embodiments are possible through combination of embodiments of the present invention within the scope of the technical idea of the present invention.
10: 선박정보 데이터베이스
20: 환경정보 데이터베이스
100: 스마트 시운전 플랫폼
110: 선박 데이터 수집부
120: 조류분석예측부
130: 시운전 학습모델부
140: 시운전 데이터 가시화부
150: 검사결과 적용부10: Ship information database
20: Environmental information database
100: Smart commissioning platform
110: Ship data collection unit
120: Current analysis and prediction department
130: Trial run learning model unit
140: Trial run data visualization unit
150: Test result application section
Claims (3)
기상 관련 데이터를 제공하는 환경정보 데이터베이스(20);
상기 선박정보 데이터베이스(10)와 환경정보 데이터베이스(20)에서 입력 받은 데이터를 바탕으로, 머신러닝을 수행하여 선박속력 예측모델을 구축하여, 선박의 시운전 결과를 예측하는 스마트 시운전 플랫폼(100);을 포함하며,
상기 스마트 시운전 플랫폼(100)은,
상기 선박정보 데이터 베이스(10)으로 부터 시운전 대상이 되는 선박에 대한 엔진정보를 포함하는 정보를 제공받는 선박 데이터 수집부(110);
상기 환경정보 데이터베이스(20)로부터 제공되는 연간 기상자료를 입력 받고, 입력 받은 기상 조건을 설정하여 조류가 선박 성능에 미치는 예측값을 가시화하여 제공하는 조류분석예측부(120);
시운전 데이터가 수집된 완료 선박의 시운전 데이터를 바탕으로 머신러닝을 수행하여, 시운전 중 실시간 환경정보 데이터에 따른 예측 결과값을 출력하고 선박속력 예측모델을 제공하는 시운전 학습모델부(130);
상기 시운전 학습모델부(130)의 머신러닝에 다른 선박속력 예측모델을 적용하여, 신규 입력되는 시운전 대상이 적용하는 실시간 환경 정보 데이터에 따른 선박속력의 예측값을 가시화하여 제공하는 시운전 데이터 가시화부(140); 및
상기 시운전 데이터 가시화부(140)의 결과 값을 바탕으로 실행된 선박 시운전의 실행 결과 값을 비교하고, 예측결과값과 실행 결과값의 일치도를 입력하여 시운전 학습모델부(130)에 피드백하는 검사결과 적용부(150);를 포함하는 것을 특징으로 하는 해상 시운전 선박 속력에 대한 성능검사 및 예측 시스템.A ship information database 10 that provides information including engine information on ships subject to test operation and inspection data of ships that have completed test runs;
Environmental information database (20) providing weather-related data;
A smart test drive platform 100 that performs machine learning to build a ship speed prediction model based on data input from the ship information database 10 and the environment information database 20, and predicts the test drive results of the ship; Includes,
The smart test operation platform 100,
a ship data collection unit 110 that receives information including engine information on ships subject to test operation from the ship information database 10;
A tidal current analysis and prediction unit 120 that receives annual weather data provided from the environmental information database 20, sets the input weather conditions, and visualizes and provides predicted values of tidal currents on ship performance;
A trial operation learning model unit 130 that performs machine learning based on the trial operation data of the completed vessel for which the trial operation data has been collected, outputs predicted results according to real-time environmental information data during the trial run, and provides a ship speed prediction model;
A trial run data visualization unit 140 that applies another vessel speed prediction model to the machine learning of the trial run learning model unit 130 to visualize and provide a predicted value of the vessel speed according to real-time environmental information data applied to the newly input trial run target. ); and
The execution result value of the ship trial run performed based on the result value of the trial run data visualization unit 140 is compared, the degree of agreement between the predicted result value and the execution result value is input, and the inspection result is fed back to the trial run learning model unit 130. A performance inspection and prediction system for marine trial ship speed, comprising an application unit (150).
상기 환경정보 데이터베이스(20)는 기상청의 연간 예보 데이터로, 바람 세기 및 방향, 조류 속도 및 방향 예측 정보를 포함하는 데이터를 제공하며,
상기 선박정보 데이터베이스(10)는 시운전 대상 선박의 엔진정보로 샤프트 파워(shaft power), 출력(RPM)의 정보를 포함하여 제공하며,
상기 조류분석예측부(120)는 상기 환경정보 데이터베이스(20)에서 기상청 조류 예측 자료를 제공받아, Number of Run, 검사간격, 보상값 입력을 통해 조류 분석 예측 결과 분석하여 제공하며,
상기 시운전 학습모델부(130)는 선박정보 데이터베이스(10)에서 시운전 완료된 선박의 시운전 데이터를 입력 받아 데이터를 전처리하고, 하이퍼파라미터 튜닝 모델(HyperParameter Turning Model)을 적용하여 머신러닝을 수행하는 것을 특징으로 하는 해상 시운전 선박 속력에 대한 성능검사 및 예측 시스템.According to claim 1,
The environmental information database 20 is annual forecast data from the Korea Meteorological Administration and provides data including wind strength and direction, tidal current speed and direction prediction information,
The ship information database 10 provides engine information of the ship subject to test operation, including information on shaft power and output (RPM),
The bird analysis and prediction unit 120 receives bird forecast data from the Korea Meteorological Administration from the environmental information database 20, analyzes and provides bird analysis prediction results through input of Number of Run, inspection interval, and compensation value,
The trial operation learning model unit 130 receives trial operation data of ships that have completed trial operation from the ship information database 10, preprocesses the data, and performs machine learning by applying a hyperparameter tuning model. A performance inspection and prediction system for the speed of marine trial ships.
시운전이 필요한 대상 선박에 대한 시운전시 기상정보를 반영하여 머신러닝에 따른 학습모델을 적용하여 시운전의 결과값을 도출을 수행하되,
선박 데이터 수집부(110)에서 선박정보 데이터베이스(10)로부터 시운전 대상이 되는 선박의 정보가 신규 대상인지 시운전이 완료된 정보인지를 판별하여 시운전 완료된 데이터를 입수 받는 단계;
조류분석예측부(120)에서 환경정보 데이터베이스(20)로부터 제공되는 연간 기상자료를 입력 받고, 입력 받은 기상 조건을 설정하여 조류가 선박 성능에 미치는 예측값을 가시화하여 제공하는 단계;
시운전 학습모델부(130)에서, 시운전 데이터가 수집된 완료 선박의 시운전 데이터를 바탕으로 머신러닝을 수행하여, 시운전 중 실시간 환경정보 데이터에 따른 예측 결과값을 출력하고 선박속력 예측모델을 제공하는 단계; 및
시운전 데이터 가시화부(140)에서 상기 시운전 학습모델부(130)의 머신러닝에 다른 선박속력 예측모델을 적용하여, 신규 입력되는 시운전 대상이 적용하는 실시간 환경 정보 데이터에 따른 선박속력의 예측값을 가시화하여 제공하는 단계;를 포함하는 것을 특징으로 하는 해상 시운전 선박 속력에 대한 성능검사 및 예측방법.In a method of performing performance inspection and prediction of the speed of a sea trial ship by applying the performance test and prediction system for the speed of a sea trial ship according to claim 2,
During the test run of the target vessel requiring test run, the results of the test run are derived by applying a learning model based on machine learning by reflecting weather information,
A step in which the ship data collection unit 110 determines from the ship information database 10 whether the information on the ship subject to test operation is new or information for which the test drive has been completed, and obtains the data for which the test drive has been completed;
A step of receiving annual weather data provided from the environmental information database 20 in the tidal current analysis and prediction unit 120, setting the input weather conditions, and visualizing and providing predicted values of tidal currents on ship performance;
In the trial run learning model unit 130, machine learning is performed based on the trial run data of the completed vessel for which trial run data has been collected, outputting prediction results according to real-time environmental information data during the trial run, and providing a ship speed prediction model. ; and
The trial run data visualization unit 140 applies a different vessel speed prediction model to the machine learning of the trial run learning model unit 130, and visualizes the predicted value of the vessel speed according to the real-time environmental information data applied by the newly input trial run target. A performance test and prediction method for marine trial ship speed, comprising the step of providing.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220125173A KR20240045628A (en) | 2022-09-30 | 2022-09-30 | System and method for measuring of speed trial |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220125173A KR20240045628A (en) | 2022-09-30 | 2022-09-30 | System and method for measuring of speed trial |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240045628A true KR20240045628A (en) | 2024-04-08 |
Family
ID=90715492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220125173A KR20240045628A (en) | 2022-09-30 | 2022-09-30 | System and method for measuring of speed trial |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240045628A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210060245A (en) | 2019-11-18 | 2021-05-26 | 대우조선해양 주식회사 | Apparatus and method for measuring of speed trial and computer readable storage medium storing the same |
-
2022
- 2022-09-30 KR KR1020220125173A patent/KR20240045628A/en not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210060245A (en) | 2019-11-18 | 2021-05-26 | 대우조선해양 주식회사 | Apparatus and method for measuring of speed trial and computer readable storage medium storing the same |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hänninen et al. | Bayesian network modeling of Port State Control inspection findings and ship accident involvement | |
| Zhou et al. | A slim integrated with empirical study and network analysis for human error assessment in the railway driving process | |
| Kwakkel et al. | Classifying and communicating uncertainties in model-based policy analysis | |
| Yen et al. | How smart port design influences port efficiency–A DEA-Tobit approach | |
| CN112581430A (en) | Deep learning-based aeroengine nondestructive testing method, device, equipment and storage medium | |
| CN112631240A (en) | Spacecraft fault active detection method and device | |
| Tang et al. | Methodologies for uncertainty management in prognostics | |
| Wenner et al. | The concept of digital twin to revolutionise infrastructure maintenance: The pilot project smartBRIDGE Hamburg | |
| Browell et al. | Forecasting for day-ahead offshore maintenance scheduling under uncertainty | |
| CN114580087B (en) | Method, device and system for predicting federal remaining service life of shipborne equipment | |
| Kolodenkova et al. | Integrated approach to processing diagnostic data based on heterogeneous cognitive models | |
| Goyet et al. | Risk based inspection for offshore structures | |
| Bittencourt et al. | Digital transformation of bridges inspection, monitoring and maintenance processes | |
| Zorn et al. | Replacing energy simulations with surrogate models for design space exploration | |
| Alomari et al. | SHAP-based insights for aerospace PHM: Temporal feature importance, dependencies, robustness, and interaction analysis | |
| KR20240045628A (en) | System and method for measuring of speed trial | |
| Wenner et al. | smartBRIDGE Hamburg: A digital twin to optimise infrastructure maintenance | |
| Goodheart | Identification of causal paths and prediction of runway incursion risk by means of Bayesian belief networks | |
| Kim et al. | A study toward appropriate architecture of system-level prognostics: physics-based and data-driven approaches | |
| Peng et al. | Remaining useful life prediction for aircraft engines based on grey model | |
| CN115758561A (en) | Method for generating flight simulation parameter data of airplane | |
| RU2628031C1 (en) | Method of estimation and analysis of flight technique using data of flight data recorders of parametric flight information | |
| CN114638060A (en) | Fault prediction method, system, electronic device and computer program product | |
| Das | An efficient way to enable prognostics in an onboard system | |
| Vorkapić et al. | A framework for the application of shipboard energy efficiency monitoring, operational data prediction and reporting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |