英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
目录列表可在ScienceDirect上找到
交通研究D部分
j o u r n a l h o m e p a g e : w w w . e l s e v i e r . c o m / l o c a t e / t r d
基于工况预测技术的船舶能效实时优化
王凯，殷新平，闫钰鹏，李锋
武汉理工大学能源与动力工程学院可靠性工程研究所，湖北武汉430063
武汉理工大学交通运输部船舶动力工程与技术重点实验室，湖北武汉43006武汉理工大学水运安全国家工程研究中心，湖北武汉430063
文章信息
文章历史：
2016年4月4日在线提供
关键词：
节能减排
EEOI
小波神经网络工作状态预测
能源效率实时优化
摘要
船舶能源效率的管理和控制是改善海上经济和减少二氧化碳排放的有效战略。实时提高船舶能效的基础和前提是确定不同工况下的最佳航行速度。在本文中，通过小波神经网络的方法预测了与航行环境因素有关的船舶前方短距离的工作状态，然后通过小波神经网络建立船舶能效实时优化模型的方法确定不同工况下的最佳发动机转速。此外，通过以该最佳速度预设船舶发动机，当船舶抵达船舶前方的导航环境时，能够保证船舶能量效率处于最佳状态，从而在不同的导航环境下实现船舶能量效率的实时优化因素。实验研究表明，所提出的优化模型在节能减排方面具有较好的效果，可为船舶在航行中的优化提供理论指导。与传统设定速度的导航方法相比，我们提出的方法对提高船舶能量效率具有更多的实际意义。
2016爱思唯尔有限公司保留所有权利。
文献评论：
近年来，油耗占运输成本的40％以上，高成本对整个航运业的健康发展产生严重影响。 另外，船舶运输引起的环境问题也越来越受到世界各国的关注（Liu，2006）。 有鉴于此，国际海事组织（IMO）不断推出相关公约并不断提高船舶节能减排标准（MEPC，2012）。 随着全球能源危机日益严重，节能减排的声音越来越大，通过有效的船舶能效管理措施，实现节能减排目标已成为航运技术发展的新挑战。
正如国际海事组织提出的，以单位货物周转量二氧化碳排放量为特征的能效运行指数（EEOI）可以作为在役船舶的评估指标。 很长一段时间，研究新建船舶的节能工作主要集中在新能源的应用，节能装置的开发等方面（Hassaine et al., 2014; Eide, 2010）。但是，对于大量服役的船舶，通过采用运行优化措施和能源效率管理策略来降低船舶能耗水平，可以节省设备的安装成本并获得即时还款。 许多专家学者研究并提出了各种节能措施。 Hansen和Freund（2010）分析了吃水和其他因素对船舶燃油效率的影响，并进一步提出了ECO-Assistant软件，船员可以实时监测主副燃油消耗情况。 此外，Ballou等人 （2008）根据航程和船舶优化软件（Jeppesen Marine开发的VVOS）的方法计算了二氧化碳减排量，并指出该方法可以通过优化航线，选择适当的速度和其他方法来显著降低船舶燃料消耗。
值得注意的是，船舶航行速度对船舶能源效率和船舶经济都有重要影响（Norstad et al., 2011）。 Lindstad等人（2011）研究了减速对温室气体排放的影响以及全球各类船舶的运输成本。据报道，航运业减少二氧化碳排放的潜力很大，由于单纯依靠较低速度节省石油消耗，滚装船的二氧化碳排放量可减少约17％，散货船的排放量可减少约14％ 并且不会增加每百万吨标准煤的成本。通过建立最大有益模型，科贝特等人。 （2009）估算了最经济的运行速度和相应的减排量，并通过调整税率讨论了减排的可行性。 Psaraftis和Kontovas（2013）讨论了一系列以船速作为决策变量的模型并表明它可以通过优化速度来提高船舶的能效。为了降低船舶的年度总成本，Ronen（2011）构建了一个成本模型，并设计了一个简单的计算机程序来确定船舶的航行速度和船舶数量，结果表明，当能源效率可以提高时该船以最低的成本速度运行。 Gershanik（2008）和Chang and Wang（2014）指出了合同中当前服务速度设置的不合理性，并提出了一些有意义的速度优化方法和模型，以提高船舶的能源效率。对于内河船舶，孙等人（2013）根据实验数据对不同工作状态下的EEOI进行了计算分析，讨论了EEOI与船舶速度的关系，结果表明船舶速度对内河船舶EEOI影响较大。另外，范等（2015）也研究分析了船舶的经济航速和长江航道的划分。
总之，通过将航行速度降低到合适的范围可以实现节能的目标。但是，船舶的最佳实时速度受到与导航环境因素有关的复杂工作条件等多种因素的影响（海洋环境保护委员会，2009年）。因此，综合考虑航行环境和航行状态，确定不同作业条件下的最佳航行速度，以提高船舶的实时能源效率。 孙（2011）通过回归研究了发动机燃料消耗与环境之间的关系，并提出了一种解决方法来提高船舶的能源效率。 严等人采用神经网络方法， （2015）对导航环境因素对船舶能源效率进行了敏感性分析，表明了环境因素与船舶能源效率之间的相关性，这对设计速度决策系统和开发新的改进方法来完善船舶的能源效率具有重要意义。值得注意的是，为了保持发动机以最佳速度运转，我们应该知道船舶前方短距离的导航环境因素。通过在此条件下以最佳速度预设主发动机转速，当船舶达到该条件时，船舶发动机可以以最佳速度运行，从而提高船舶的实时能源效率。因此，对船舶前方短距离导航工况的预测是实现船舶能量效率实时优化和控制的关键。在各种预编码方法中，小波神经网络由于其良好的预测性能如较强的逼近能力，快速收敛速度和避免局部损坏最小值的能力而被广泛应用于科学研究和工程应用（Jahedi和Ardehali，2012; Raza和Khosravi，2015）。 Prahlada和Deka（2015）使用小波分解神经网络预测了信号波高的时间序列，并取得了良好的预测结果。 Chitsaz等人（2015）使用相同的方法重点关注风电预测，并确定了所开发方法的有效性。在本文中，WNN被用于预测导航工作条件。在此基础上，通过建立船舶能源效率实时优化模型，建立了船舶能源效率的可行实时优化方法。此外，能源效率设计指数（EEDI）是判断设计船舶二氧化碳排放的标准（MEPC.l / Circ.681,2009）。有一些减少EEDI的策略，如改善燃油经济性（Ancyuml;ic和Scaron;estan，2015），使用环保能源（Ekanem Attah和Bucknall，2015）等。在这些新技术和新方法中，根据我们的结果，通过降低主发动机的速度和装机功率可能是一种直接而有效的方法来满足EEDI的要求。
本文的其余部分安排如下。 第二部分描述了用于预测导航环境参数的小波神经网络，包括风速，水深等。 然后，数据收集在第三部分中进行。 第四部分介绍了基于小波神经网络的导航环境参数预测结果。 此外，能量效率的实时优化模型和控制方法在第五部分中建立。 在此基础上，进行案例研究以验证第六部分建立的模型。 最后，第七部分总结和总结了论文。
小波神经网络
尽管傅里叶变换在信号处理领域中作为一种分析方法有其最大的用途，但它在转换时丢弃了一些信息，从而无法通过转换结果来确定信号的时间。 这意味着傅里叶变换在时域中不具有可辨识性。 小波是一种有限长度的波，平均值为0作为基于数学理论的分析方法，小波分析可以在小波基函数变换的基础上分析信号的局部特征，在二维情况下信号方向具有选择性。
WNN是基于BP神经网络的拓扑结构，它将小波基函数作为隐层节点的传递函数。 WNN虽然存在诸如复杂构造和“维度灾难”问题等缺点，但结合了小波变换时频局部化的优越性和神经网络自学习和容错的优良特性，可以展现出强大的能力。 Zhang（2014）研究了用WNN方法对船舶航行方向进行跟踪控制的船舶运动状态预测，仿真结果表明该控制方法控制精度高，抗干扰能力强。 Okkan（2012）使用WNN方法预测了每月的水库，结果证实了WNN在模拟一系列水坝的每月中的有效性。
图1显示了小波神经网络的拓扑结构，其中X1，X2，....... ...Xm是WNN的输入参数和Y1，Y2，........Ym是WNN的预测输出。
当输入信号序列为xi（i = 1,2，...k）时，隐层输出公式为：
..................................................................(1)
其中h（j）是隐藏层中第j个节点的输出; omega;ij是输入层和隐藏层之间的连接权重值; bj是小波基函数的移位因子; aj是小波基函数的扩展因子; hj是小波基函数。
在这种情况下，Morlet母小波函数被用作小波基函数，并且函数的图形如图2所示。
WNN的输出层公式可表示如下：
.............................................................................(2)
其中ik是输入层和隐藏层之间的连接权重值; h（i）是隐藏层中第i个节点的输出; l是隐藏层中的节点号; m是输出层中的节点号。
WNN权值参数的修正算法与BP神经网络的相似。 它通过梯度校正方法校正网络权值和小波基函数的参数，使得WNN的输出能够逐渐接近期望的输出。 WNN的修正过程如下：
- 按公式（3）计算网络预测误差：
...............................................................................................(3)
其中yn（k）是期望的输出; y（k）是WNN的预测输出。
图1.小波神经网络的拓扑结构。
图2. Morlet母小波基函数。
（2）根据预测误差e修正网络权值和小波基函数参数，如公式（4）和（5）所示：
...................................................................(4)
其中,,用（5）来计算网络预测误差。
...........................................(5)
其中1是体重的学习率; 2是移位因子和扩展因子的学习率。
WNN算法的网络训练步骤如下：
步骤1：网络初始化。
步骤2：样本分类。 将样本分为训练样本和测试样本，其中训练样本用于训练网络，测试样本用于测试网络预测精度。
第3步：产出预测。 将训练样本输入网络，并计算网络预测输出。 然后，计算网络输出和预期输出之间的误差e。
步骤4：重量校正。 根据预测误差e修正网络权重和小波基函数的参数，使网络预测值逐渐接近期望的输出。
第5步：确定算法是否已经完成。 如果不是，请返回步骤3。
数据采集
数据收集在长江游轮上进行，如图3所示。该船的相关技术参数如下表一所示。
图3.长江上的游轮。
|
表1 |
|
|
游轮的参数。 |
|
|
长度 |
80 m |
|
宽度 |
14.8 m |
|
设计速度 |
28 km/h |
|
总吨位 |
4587 t |
|
发动机额定功率 |
960 kW times;2 |
|
发动机额定转速 |
750 rpm |
|
螺旋桨直径 |
1.74 m |
通过安装GPS接收机，轴功率计，油耗计，风速和水深传感器，可以收集包括船速，轴速，油耗率，风速和水深等各种数据。 表2显示了数据收集的具体实施形式，通过这些数据可以获得2014年4月19日至25日在长江南京和重庆之间的相关数据。 考虑到采样时间间隔较小，每30组只保留一组数据。 也就是说，从收集的相关数据中选择了12,821组数据。
基于WNN的工作状态预测
在船舶导航过程中，可以获取与环境参数相关的实时工况数据。 然而，为了保持船舶以最佳速度工作，船舶前方的环境参数对于预测工作状况更重要。 通过以前设置最佳发动机转速，当船舶在前端导航环境中工作时，主机可以以最佳速度运行，从而提高船舶的能源效率。
（1）环境参数的预测模型。
在这项研究中，采用6-6-1的WNN结构。 也就是说，输入层具有六个节点，其表示在当前预测节点之前的六个点处的导航环境信息; 隐藏层有六个节点; 输出层具有表示网络的预
全文共9973字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[9528]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
