英语原文共 8 页

基于机器智能的船舶节能数据处理框架

Lokukaluge Prasad Perera , Member, IEEE, and Brage Mo

摘要：基于排放控制的能效措施，应制定适当的航行策略，以克服当前航运业面临的挑战。有效的航行策略应以精确的船舶性能和航行信息为基础;因此，船上安装了各种数据处理系统，以收集大规模数据集。收集船舶性能和导航数据来开发这些航行策略可以成为船舶能效管理计划（SEEMP）的一个组成部分。因此，有了各种航行策略的SEEMP，可以在现代综合船桥系统下的电子航运中起着重要的作用。本研究提出了一种基于机器智能的用于船舶性能和航行数据的数据处理框架来提高各自的航行策略的质量。框架分为预处理和后处理两个主要部分。数据预处理是一种由故障检测、数据分类和数据压缩步骤组成的船载应用程序。数据后处理是一个基于海岸的应用程序（即，在数据中心），包括数据扩展、完整性验证，以及数据回归步骤。最后，通过本文给出的研究框架和成功结果，对所选船舶的性能和航行数据集进行分析。

关键词：大数据、数据处理、排放控制、能源效率、机器智能、航运业。

一、引言

A.航行策略

为了提高安全性和效率在船舶方面的考虑,在“电子航运”[1]下提出了国际协作通信网络的全球目标。该框架也被期望有助于向标准化的船舶导航平台发展，包括综合船桥系统（IBSs），以克服目前的能源效率和排放控制挑战。应在IBSs下制定适当的航行策略来克服这些挑战，尤其是作为电子航运框架一部分的排放控制区域（ECAs）。我们应该注意电子航运在现阶段被归类为用户驱动的概念而不是系统驱动概念。然而，具有智能决策支持能力的现代船舶航行平台[2]，在人类主观因素的某些限制被强迫的情况下，也在相同的情况下被考虑[3]。这些作为电子航行的一部分的智能决策支持能力被期待最终影响各种船舶航行策略。这些设施不仅增强了航行能力,同时也提高了航运中的操作效率[4]。船舶航行策略通常是在各种安全和效率考虑下制定的。许多与安全相关的船舶航行策略研究被实施，尤其是在恶劣天气条件下（[5]和[6]）。尽管节能船舶的概念在近年来被强调，但是与运行效率相关的航行策略仍然是航运业相对新颖的概念。

B.节能船舶

国际海事组织（IMO）和其他各海事局引入了各种排放控制（即二氧化碳、硫氧化物和氮氧化物）法规来提高航行能源效率。此外，各海事部门在指定的排放控制区（ECAs）内对于船舶实施了更严格的排放控制措施。[7]。这些现行排放控制法规在船舶能源效率管理计划（SEEMP）下实行了大量能效措施。因此，SEEMP可以促进制定适当的航行策略，以适应这种作为现代IBSs一部分的基于排放控制的能效措施。应根据IBSS收集足够的船舶性能和航行数据以开发此类船舶航行策略。此外，有效的航行策略是基于从数据集中提取的船舶性能和航行信息的质量。我们应该注意的是，数据处理过程经常影响船舶性能和航行数据的质量。所需的传感器和数据采集系统（DAQs）有助于现代的IBSs支持此类数据处理过程。

C.综合船桥系统

现代IBS由导航和自动化系统这两个独立的网络组成，以满足各种社会分类要求。这种独立的网络结构进一步提高了船舶考虑的可靠性和安全性航行。航行系统一般由雷达、导航、电子海图显示和信息系统，自动驾驶系统和其他相关传感器组成。因此，可以对船舶航行条件进行全面的概述。一般来说，自动化系统包括发动机动力管理结构与各种机舱操作相关的推进控制系统。舱底和压载控制、暖通空调和警报amp;监控系统的附加装置也可以是这些自动化系统的一部分。因此，对船舶性能状态的全面概述也可以被观察到。

这两个系统都有助于获得船舶性能和航行数据，而且应该适当地可视化。这种数据可视化方法可以用来观察最佳船舶性能和航行条件。最优的性能和航行条件可以与IBSs中的船舶当前状况相比较以开发决策支持设施。这一过程可能会通过船舶性能和航行数据分析在SEEMP下识别出高效的船舶运行状况。这些设施最终会产生各自的船舶能效航行策略。然而，相同的船舶性能和航行信息创建了大规模的数据源，并引入了额外的IBSs中的数据处理挑战。

二、性能和航行数据

A.数据处理

这些数据处理问题可以归类为再航运方面的内部和外部挑战。内部挑战与数据质量和数量有关。由各个传感器和数据采集系统收集的大规模船舶性能和航行信息数据集都会产生质量和数量问题。数量问题经常在数据管理应用程序下得到解决。数据质量问题是本研究的重点，应在IBSs的实时数据处理平台下被解决。外部挑战主要涉及数据通信和存储问题，在这里处理大型数据集的成本效益被考虑。应该注意的是，数据数量问题在一些情况下作为数据处理过程中的外部挑战产生影响。因此，克服这一问题的可能解决方案应在相同的数据处理框架下被考虑。然而，在处理大规模数据集上的内部和外部的挑战在最近的文献中通常被归类为“大数据挑战”[8]、[9]。

B.近期研究

在处理船舶性能和航行数据方面也面临着相似的工业挑战（即船载采集传感器和数据采集系统）在各种数据分析下呈现。内河船舶的运行能效的数据分析见[11]。在[12]中通过收集各自的数据提出了一种蒸汽推进商船的性能评估方法。几种关于船舶运转的燃料使用情况数据分析，见[13]–[15]。对从一艘小型训练船收集到的海洋试验数据进行统计分析在[16]中展示。针对客运渡船的全规模数据分析，提出了评估船舶性能的方法在[17]中。此外，其他研究也与港口性能评估系统相结合[18]。然而，这些研究忽略与各自的数据集相关的内部和外部挑战。如果数据处理过程中的这些挑战没有得到适当的解决，这可能会降低从船舶性能和航行数据中提取的信息。因此，一个具有各种数据分析功能的适当的数据处理框架可以克服那些航行数据处理挑战，这是本研究的主要贡献。尽管有几种数据处理方法为航运业应用[19]，有船上和陆上所需步骤的合适指导尚未提出。因此，这种方法经常被考虑作为试错程序。提出的数据处理框架由有所需步骤（即数据分析）的适当的指南组成，以克服航运中的数据处理挑战。尽管类似的数据分析已经展示在最近的文献中，但它没有作为船上和陆上应用程序以适当的结构呈现去实施。

C.数据分析

改进的数据处理框架可以针对节能船舶制定的合适的航行策略[10]。这个提出的的框架包括几个步骤（即数据分析），以实时处理大规模数据集并开发更多经济有效的航行方案。这样的数据分析能够在IBSs和数据中心下被使用，以克服航行中的数据处理挑战。数据分析是由相关数据集的观察隐藏数据模式、相关性和其他有用信息的分析方法组成。即使大多数数据分析方法基于各种经验的船舶性能和航行模型[20]，这些传统的数学模型经常由于系统模型不确定性、传感器噪声和故障条件以及复杂参数而经常不能处理大规模数据集。因此，此类模型可能无法适应和预测实际的船舶性能和航行信息，并且影响船舶航行策略的有效性。

在本研究中提出了基于机器智能（MI）的数据分析方法来克服这种模式相关的挑战。我们应该注意，此类MI应用程序通常与统计分析技术相关，以及使用各种传感器、数据采集和通信网络的其他交通系统经常实施来克服类似挑战。此外，还需要通过现代化运输系统的卓越的数据分析，来保持近几年所需的航行安全和效率水平。同样地，这种组合（即统计数据分析和MI技术）可以解决在航运大型数据集的各种基本处理难题。改进的数据集导致有着节能高效的更好的船舶航行策略。

三、机器智能

A.数据处理框架

提出的有着船舶性能和航行数据的数据处理框架，如图1所示。这个框架由自上而下和自下而上的方法支持。这个使用AIS数据的电子航行环境有助于自上而下的方法。电子航行框架能够在船舶和岸基中心之间传输船舶性能和航行数据，在那里船舶各自的决定和行动信息可以被获取。这进一步增强了提出的数据处理框架，通过及时的、可靠的、准确的发布船舶信息。自下而上的方法是由配有船载传感器和数据采集系统的集成船桥系统促进的。因此，自上而下和自下而上的方法收集的船舶性能和航行数据支持所提出的数据处理框架。那由不同的MI应用层（即数据分析）组成来克服各自的数据处理挑战。数据处理框架的每一步，适当的MI应用程序进一步在如图1所描述。

首先，用船上的各种船载传感器和数据采集系统收集船舶性能和航行数据。然后，这些传感器数据（即船舶性能以及航行参数）通过数据预处理进行传输。预处理的数据通过数据传送器以小得多的改进了的数据集（即船上的）进行通信。预处理分为三个部分：传感器故障检测、数据分类和数据压缩。同样的数据集是由基于海岸的数据中心通过数据接收器获得的。然后，这些数据集通过一种数据后处理被进一步处理，并根据需要存储在数据存储设施中。后处理过程进一步分为三个部分：数据扩展、数据完整性和数据回归。

预处理和后处理后的数据被用于支持各种决策，特别是在船舶能源效率和系统可靠性应用方面。能量效率应用包括确定最佳的容器操作条件，以降低整体燃料消耗。系统可靠性应用包括识别船载系统的健康状况，并且该信息可用于制定最佳维护措施以降低系统运行成本。然而，两个应用程序都应该受到适当的可视化方法的支持。

B.数据可视化

与所选船只的相对风条件有关的速度功率图在图2中被可视化。这船是散货船，他有以下特点：船长225（m），横梁：32.29（m），总吨位：38.889（吨），最大载重量吃水：72.562（吨）。它由二冲程主机驱动，该二冲程主机在105（转/分）的轴转速下的最大连续额定功率（MCR）为7564（kw）。它安装有带4个叶片的直径6.20（m）的定距桨[21]。图中标准化了各自的速度功率数据集，其中从每个参数中减去平均值，然后方差值设置为1.0（即每个参数具有相等的方差）。此方法（即数据缩放）是避免这种情况的主成分分析（PCA）的一部分。方差值较大的参数对数据分析有较大的影响。因此，每个参数都可以在这个数据分析中有相同的方差和影响。此外，还应该注意到以相同的速度绘制功率图。这艘船因在相同的发动机功率水平下处于较高的相对风况而船速下降，因此，大风天气会造成恶劣的海况。船舶阻力增大则航速减小。船舶的低速机动工况被从该数据集中去除以提高船舶性能和航行信息的可见性[22]。因此，这种数据可视化方法会在数据处理框架中发挥重要作用。

C.传感器故障检测

数据预处理的第一步是传感器故障检测。检测传感器故障状态并排除那些来自船舶性能和航行数据中的错误是在此步骤中要考虑。首先，本研究提出通过观察每个参数的平均值和方差值来识别出这些传感器故障状况，船舶性能和航行数据集的每个参数可能有一个范围，其中参数可以变化，例如选定船舶的速度从0（节）变化到20（节）。因此，如果船速将要超出此范围，这种情况就为传感器故障情况。其次，通过各参数之间的协方差值能识别出其他传感器故障情况。例如船速、功率和风速等各主要成分（PCs）之间的清晰关系能在图2中所观察。

PCA是一种从各种数据集中提取相关信息的非参数方法。从原始基(即各参数)导出相应数据集的新基，并与原始基的线性组合。这个新基是船舶速度功率数据集中相当重要的成分，并在图2中由两个矢量表示。该PCA结构代表同一数据集的最大独立协方差方向。这两个矢量表示船舶的速度、功率值之间的近似线性关系。这两个矢量值的长度与船舶船舶速度功率参数协方差值有关。因此，船舶性能和航行参数之间的这种线性关系可用于识别传感器故障情况。例如，表示这些速度和功率之间矛盾关系的任何数据点可归类为传感器故障情况（见图2）。

相同的协方差值（即PCs）能够从高维数据集中产生，然后那表示船舶性能和航行参数之间的复杂交互关系[23]。这些信息（即PC结构）可以广泛地通过观察异常参数行为来识别各种传感器故障情况。应该注意的是错误的数据条件与记录为传感器故障的DAQs故障有关。但是，两种故障类型都可以由提出的的方法确定。该提出的框架是在船舶性能和航行参数的10维数据集上实现的，其结果如图3所示。各参数(即10个参数)分别显示在前10幅图中，检测到的故障情况(即故障报警)出现在下面的图中。应该注意的是，这些点是按数据点(即样本数)的数字(即编号)提出的，两个连续数据点之间的时间间隔为15(min)。两个传感器错误状况都在在此数据集中检测，并由两个窗口表示。

在第一个传感器故障情况下，几个参数（主机（ME）功率、ME燃油消耗、STW、轴转速和辅助发动机燃油消耗）与一些异常行为（即参数值突然下降）有关。在第二个传感器故障情况下（即数据间隔），几个参数（即平均吃水、配平）与异常行为有关，且辅助发动机燃油消耗大大增加了。因此，这种情况被检测为传感器故障情况。船舶性能和航行参数间的各种关系应在PCA（即更高的空间维数）下进行研究，这些知识可用于识别复杂的传感器故障情况[24]就如本研究所述。

D.数据分类

船舶性能和航行信息的数据分类是本框架的下一步。以船用发动机为中心的数据分类方法为基础来提出相应的航行策略在被考虑考虑。因此，根据船舶的发动机工作区域，将大型数据集划分为几个子集。船舶性能和航行数据中的其他参数也沿着相同的分类边界划分。船舶性能和航行数据能用这种方法作为小数据集被可视化。提出的数据分类方法的结果如图4所示。该图表示发动机螺旋桨组合图，其中显示了主机功率（以原本比例尺）和轴转速（rpm）值。最频繁的发动机操作区域是通过高斯混合模型（GMMs）使用期望最大化（EM）算法确定为A、B和C的。高斯混合模型方法实现了对相应的船舶性能和航行数据进行聚类，并且这些信息也被用于确定主机中的各个操作区域。此外，EM算法还实现了计算GMMs的各参数[25]。应该注意的是GMMs表示为有着各自平均值和协方差多的元高斯分布。因此，多元高斯分布的各个轮廓是用同一图形中的椭圆表示。

E.数据压缩和扩展

数据预处理的最后一步是数据压缩,数据后处理

资料编号：[3899]