基于大数据分析的船舶功率优化应用

中 国 航 海

NAVIGATI0N 0F CHINA

Voi.42 No.2019 年 6 月 Jun. 2019文章编号：1000 -4653(2019)02-0012 -05基于大数据分析的船舶功率优化应用刘 柱%,姚久武2,李迪阳％,张宝清3,周利江％（1.青岛远洋船员职业学院，山东青岛266071 ； 2.中国远洋海运集团有限公司，北京100031 ；3 •重庆交通大学交通运输学院，重庆400074）摘 要:为探明船舶主机油耗和优化方向,基于“ C0SC0 Spam”和“ C0SC0 Portugai”两船在一段时间内连续航行的

实例数据，构建BP Back Propaaation）神经网络模型。运用大数据技术学习历史数据经验，抽象出主机功率一对水

速度期望曲线L;随机改变主机功率到神经网络模型重新输出结果后，前后比较可评价耗油情况并确定主机功率的 推荐调整策略&该方法与“等功率”航行做法相比更具有优势，可达到指导船舶管理和降本增效的目的，并提供一

种新的基于数据的航运科学研究范式&关键词:大数据；船舶航速；功率优化；BP神经网络中图分类号:U676. 3 文献标志码:AShip Power Optimization with Big Data AnalysisLIU Zhu ， YAO Jiuwu2， LI Diyang1， ZHANG Baoqing3， ZHOU Lijiang1(1. Qingdao 0cean Shipping Mariner- College, Qingdao 266071，China；2. China C0SC0 Shipping Corporation Limited，Beijing 100031，China；3. Transportation Colleaa，Chongqing Jiaotong University，Chongqing 400074，China)Abstract: The practicai operation date acquired from the MVs \" C0SC0 Spain\" and \" C0SC0 Portugai\" in a chosen period

of time are studied te make clear their fuei oii consumption situation and find the way of improvement. The shaft power-Uo speed curve L is defined through bio date study. A BP neurai network is constructed and trained with the historied date.

Theaesponsesooiheiaaoned neuaa3neiwoak ioaandomyadiusied shaoipoweaonpuisaaesiudoed iocheck iheoue3consump-

ioon and iodecodeihemaon engonepoweamanagemenisiaaiegy.Thosdaia-based meihod ossupeaooaioihepaeseniused

\"equai power\" practicc in guiding the ship management for lower operationai costs and higher eaiciency.Key words: bio dath technology ； ship speed ； power optimization ； BP neurai network近年来，受国际国内市场的双重影响，航运业呈 现出持续低迷的态势，已逐渐影响到航运经营的各

舶动态策略方法,对班轮航速进行优化&文献［3 ］

和文献［4］研究了不同碳排放政策与船舶航速优化

个环节和领域，给远洋船舶调度管理和企业降本增

效造成很大的难度&在此背景下，如何在有效航程

的关系，得出高碳税率和定额征收碳税使得船舶航 速呈现下降趋势的结论。文献［5 ］ ~文献+ 7 ］分别 引入模糊算法、模拟退火算法和遗传算法，获取最优 的船舶航速，有效降低主机燃油消耗。张进峰等［8］

内尽可能地降低船舶燃油消耗成为科研和工程界急

需解决的问题。国内外学者对船舶的燃油消耗与船舶航速的关 系，进行了积极的探讨& N0RSTAD等⑴通过动态

综合考虑船舶营运成本和排放，通过多目标优化算

法能实现对不同船舶和不同航线的船舶航速计算&

规划对非定期航线船舶的每一航段进行航速优化， 以实现航运经济效益最大化& SHENG等⑵提出船收稿日期：2019-E2-25王胜正等［9］通过构建交替稀疏自编码（Altevcating Sparss Auto-Encoders，ASAE）网络模型有效预测海基金项目：交通运输部“交通运输行业高层次技术人才培养项目”（人教人才［2017］518号）；中国远洋运输（集团）总公司科研项目（2016-

1-R-005）（重庆市教委科学技术研究项目（KJ1600509）（重庆市科委基础研究与前沿探索项目（c/c2016jcyjA0561）作者简介:刘 柱（1973—）,男，江苏睢宁人，研究员，硕士，研究方向为船舶动力装置管理与应用、计算机信息系统及大数据技术开发与

应用& E-mail: Uuzhu35@ 126. com刘 柱,等:基于大数据分析的船舶功率优化应用13，包括经纬度和主机燃油消洋气象对 航速的 。航速进行了一定的研究,在部分 缺失的

述研究虽然对 耗，区别在于缺

施 #根

量的多少。下:删

但是均 用大

真

揭示燃油消耗和 航速获取的洗的步 替换缺的

、异常之间的关联关系。本文 于航运大

，构燃油消耗一

#删除冗余的 列#清洗

航速的BP（ Back际研究需求， 出航行状态的 ，根、Propaaation,BP）神经网络关系模型，以期提高航运

的在港状态，通 球面距离规约港口#

企业竞争力， 理和

。降本增效,为远洋补全# 可识别的

格 #数据离散化#导出分析系统理提供辅助决策

格式&1数据来源及分析1.1数据准备1） 验对象：

1.2.3 重点字段识别燃油消耗 计的是在15 min昉累计消耗的燃油量。统计 现 燃油消耗存在两现代化条件较高、航线显的 。以“ COSCO Portugai^^船为，主机

较为固定、有可对比性的姊妹船“ COSCO Spain”船

燃油消耗

消耗量，

分 1，横为 15 min燃和“ COSCO Portugai^^船。 是 航线

在后，航次

77 d，

相同的为对 燃 消耗量（定期班轮，“ COSCO Spain” 在前，“ COSCO Poaugt'

相同航次抵达同一港口前后相 21 d。航线为上海一天津一大连一青—上海一宁波一坡一苏伊士运河一希腊比雷

的小数点后第4位，如0. 958 100〜

0.958 149区间的燃油消耗量均取值为0.958 1）的

出现次数。埃夫斯一 鹿特丹一德国汉堡一比利时安特卫 普一苏伊士运河一上海。2） 数据获取:“ COSCO Spain” 和“ COSCO Portu-gt”

在 2015 年 1 月 1 日 00 ：15 —2017 年 4 月01 ：30各 79 974条记录，数据采样频率为13

15 min/i己录。样例数据（“ COSCO PoTtugci ” 2017

年1月1日00 ：15 —2017年4月13日01 ：30）中共

44个字段，而在2015—2016年数据中“ COSCO

Spain”共48 个字段,“COSCO Portugt”共47 个字段。1.2

1.2.4 相关性分析和特征提取分析相关性分析可揭示出特征的内在联系，通 计

1.2.1 数据分析方法算 类，

特征量的Pearson相关系数，对特征进行分大的示相关性强。 ，燃消耗和分析是对

性 和 计（

的大量业 行抽取、用分类功率的Pearson系数为99. 75%，反映出

、分析和模型化处理，从中提取辅助决策的关键

在实际物理意义上存在必 可认为近似相同。“ COSCO PoTtugt”船原

系，而在 意义上的预测性信息。本研究

水和波

与耗、载与功率等）、关分析（船舶与

的相关度分析见的37

，航行 的 运动参数:2，横、 示的是原

素表示

相关联）、可 述、预测、再验证的迭代与

的 + 100%，浅

对应的Pearson2可知：状、副

等方法。1.2. 2数据清洗和转换相关系数，区 为［-100%，+ 100% ］，深 示

示-100%。

燃消耗、

经过观察比 现，在 16 条 ，数据：

燃油消耗、

功率、

功输出、质量较好的

燃油消耗、

、国际海事组织 、时、速、水、水、GPS推荐、经、状、 燃消耗、 燃消耗、主速、

。荐 速， 相关性强，这与他们的实际功输出、 功、曲关系和物理含义相符合，可为油耗 分析的速、 水、 水、风速、风向、对地航向、全球功定位系统（Global Positioning System，GPS ）船速（对

地）、地 速（对水）、NO.1〜NO.5

率、

2主机功率优化的BP神经网络模型BP神经网络又称反向传播神经网络，具有高度量、舵角、罗经航向。但所148

中国航海1312019年第2期2246

2厂

3

MA益 3Me*处t5沁b弓W讲-11.湖:6-9.\"皿Mg

-1.1A g; 8-31,丫3Au-MAg曲y. 1-亠0x二誥”-32.01tlA1^宀7K*1i7豈洛1z;13汹曲

泗如：c14沁^b-;-決护:16除y険3^-10.a洛岱17

4M-3.管19 m

^y说二2A二-0CMu醫3M^1m :^2e酒-19.23飒£囂i19.-H*？4^ ■:囂eM^b嘶. <2G

二^^渝纳9M Z :帜::.汕m渤2.

皿皿:洛沁ln:?纺漕谀一皿小谀二M-1.也洒河 沁沁-:汕球益

沁洛-:.;淨汕；绅 那球 曲曲

1S.汰

z

■

琵嘗

益器

J

常

M

沁汝».*乩二||\"

-11.-11.-7.-;.-0.11.3.-2.-32.-17.\"3-

:

::

: :

•57.t:W

Z1.q机:5S.Sl细： 却 豈;h

”二GJt H如 •SM泌.15.孟 3■空41.誥土孟 7».82.c％gP试-3ft. 誥 洛d谄-31.f二-«*.<洛Ht拓葺 41«：M. 二去mlooLHM. 他Ml环血：oi.0».材旦t际曲ffll皿衣込套 9M吐de9l痢摊：9M-:w.: 皿-9.湖3.眾汹-lo.晦杠a-13.湖-11.：二细f-l.s:*3-1. ： -12. 臥-z.沁皿

gaskM

Si！H

幣-2.271-鑑'■.;氢二12.注孟B- C二込 轴£二8C4C ：J:-®.；:擘M-X!讥；二-::曲13.：弋SM:3M5t:汹一OA玖：

疋4681**.-::11:汹M. -洌却e9.臥 g-當-9.倔*:皿 -皿*es. f-皿4el. a4-皿-3. rl*-*鑒 -5. --10.皿21.皿-ll.赵沖-：-:冊-:.小 11. 冊 -3. “

-SS1-细

--9.Z注亠

訥益=班測2-3z.祸T3T.皿g

洛01.一39.处汹

4盂3s.汕：牡

示血：血7翟e;*E

蠡22.01«俎■337.柄.・

嘗;溯9.*.祁|-2:-st-t,一

1

18

•S^

；

M.e3.M.05.01.el.-8.-la.l.-a.

沖:■:沙弋

球»*_-!.二:-19.;■■s：-17.僚：n外;叫测囂s洛<加^酒豎^〔 心湖豐:賈.S-:4|-;•sn吐23. 竝.S豊:才；=smsstagM.w诜:. «.當測：'« «.c_疝;：.S：m^J:-:. lM二B M潮套-SIrtt圭MLlM ：_细:养:t.M.《二湖：瓷E二Ta益^331二 «3.<_工- M爲二…绒mJ:^:0._議细：二 ：:曲鑒M_眾I-0.a洛_flMB1-9.却：《： 二-£.:s48L誥皿豐豊：邸 -:lM侵 llHm皿・M.豊卞：;犬50.湖豈_：

a豊 二血囂叢豊dm沁!34. ；二皿 ;E-lT.湖益=丝囂:m-: B- 3SC二如£心、!二■~29Lt\"- 二；mT鶯G*戒-13.9M®■- <;3-;；!-2£.<;狀4细囂-17.： ：tlM・.炳幼 -^僚4.处= ■7rt〔汹潮：-10.边 U1m豐r常蟲3. -: 环露»-»1«-:\"t6谀「綁3豊囂-:渝x：-17.d1ML一叫71*:g::.si丨 :=鶯J七儘8-U.h_：：於5.i-0.农7MC；二:_«.0M5-囂 -0.垠 豊ortSA_J5ni豊_5.环測-srt_99. «*二lg測M：=套s-0.-1.=；8豈 酒i_ -1.潮豊： -31.2M洛：:仏:'28.en 云 :決皿2o2 :

一：

一M

:-3».-21.49.::n:=-39.23: 3

2425

:26 ;t

.:訥

272829

3O

31:弋■\"•■5:-2:.^::::

--

3

436

35一-0.J

酒13--L-S.■:仅沁l&.-4.;

绞4.S--lft.a-7.Y

邸-0.款;M

映-13. ll.:洛-J.-ll.血-7-:4.卷；曲沁-9.M”-9.◎ y洌冰^-i.:

沁-17.S--9.測-leL::--loL织21.匸-: -:-l7. g冷m戎-0.益l«.^-5.sn沁

-l.lM-e.J.盼-«.7當-0.-17.07 纳 In--e. ：二a用l*.豊z.除-ll.二l.；

-!. 臥-3L』碘<：-la.0j.环 ! -:!= 沖.-、■:■J. *映 -lflL.

nv.-l.誥豊Md-l.-.

-l.囂. -l. .M-3-- 23337

.；：条亶邸

沏；皿纽；纳g-11.冊

-::OMf:g

.CMMXMCgg7gg11.漕m环二e-5.-0.诫1.;瞅

如

线性和

正网络

下降，

慢、代步数多、易于陷入局部极小和全局搜索能力

等缺点，本文 用遗传算法对BP神经网络进行

优化，再用BP神经网络在较小搜索 索最优解。2.1 BP神经网络建模3)

标作为输入，对水速度(本地 速)作为输出,故输

入层的节点数设定为7，输出层的节点数设定为2&2)

明，对

可使任意

测模型。在网络设计

十分 。隐层神经

量 易

影响网络性能，达不

的 与实际问题的

神经

，神经

前,对于隐层中神经元数目的确定只

的

验 定。

式(1)中：n为输入层神经元个数;m为输出层神经

；a为［1，10］之的常数。试验

图3。JHausadxHRX血臥皿a-.偌g二SA

e：W訥価环砂血❻曲 旦

Stajjf3i囂！is—4MCGw8egQW3JiQ1) 输入输出层设计:以每组数据的各项素质指

根 (1)可计算出神经

3图2 的相关性分析sgS的泛化能力，通 的训练，不沿 方向和 ，使

期望输出。 该方法存在 速度搜输入层 隐含层 输出层图3神经网络结构: BP神经网络通常采用Sio-moid可 和线性 为网络的 。但Siomoid的输出值范围为+ 0, +1］,本文 的隐层神经 ——S型正 的输出值范层设计和神经 定:有关研究表为［-1，+1 ］， 输出层神经 的

2.2 BP神经网络实现2.2.1 实现步骤验 的网络输出值为S型正

层的神经网络，只 节点足够多，就线性 &因，采用［-1，+1］，因，预测模型

。为层的三层多输入单输出的BP网络建立预

，隐层神经

的确定多， 大网络计算选用 MATLAB 中的 Neuoi NetwoH Toolbox 对

合 (神经 量过少，则会网络进行训练，模型的具体实现步骤见图4&神经元层期效果。网络中隐层神经、输入和输出层的这里...对期望误差的设定 接的联系。目人=输入向量的

元素个数s=层中神经元些经验公的个数定需要根据经验和多次试层神经 的采用的方法为( 1)图4 BP神经网络模型的实现1 = ^n A p + a

(1) :输入是正向 。(2) 网络 ： 是netsum(把权值作为系

数， 和)。为4〜13，次(3) 网络函数：隐藏层默认是tansio，输出层默

层神经 为4&神经网络结构见认是 purelin。(4) 反向归一化:训练集确定放大比率。刘 柱,等:基于大数据分析的船舶功率优化应用15通过神经网络学习，确定主机功率一对水速度

期望曲线L。船员在航行过程中，会根据自身航行

果，一方面根据数值大小能直观地反映出对应特征

集与偏差的相关性，另一方面相关系数波动大的特

的经验，对船舶如何节省油耗有一个感性的判断，并 征集(如序号为9和11的特征集)反映出该特征的

会在实际操作中逐步调整策略,使船舶整体耗油情 况向着最佳省油策略逼近。利用神经网络模型可从

历史数据中学习他们的经验，抽象为主机功率一对

稳定性差。这是由于该特征集与偏差△相关性小, 抗干扰能力差所导致&水速度期望曲线L,并以此评价耗油情况。当某个时刻的参数输入神经网络模型中，利用

输出的对水速度值，确定功率1(主机功率 >,对水 速度0与曲线L的位置关系,从而判断该时刻的油 勵0.6超0.5更0.4耗状态是省油还是费油。利用蒙特卡洛算法，随机

改变主机功率,保持其他参数不变，重新输入到神经

网络模型中,得到新的位置关系，两者比较,确定主

机功率的推荐调整方案&2. 2. 2 主机功率一对水速度期望确定将选定的特征集输入至构建好的BP神经网络

模型中，得到对水速度计算值与实际值的Pearson相

关系数为0.95。绘制主机功率一对水速度(计算

值)曲线L，在保证主机功率相同的条件下,计算对

水速度的实际值与计算值间的偏差△&为揭示偏差 !的产生原因，从特征集中排除主机功率，把剩余6 个特征组合重新输入至BP神经网络模型中,对偏

差进行二次学习。由此得到特征集组合和训练结果为(1) 特征集1 :艄吃水、吃水差、水速、风速、风

向、离港航行时间；(2) 特征集2 :艄吃水、吃水差、水速、风速

(向)；(3) 特征集3 :艄吃水、吃水差、水速；(4) 特征集4 :艄吃水、吃水差；(5) 特征集5 :水速、风速、风向、离港航行

时；(6) 特征 6: 速、 向、离港航行时 ；(7) 特征 7: 速、 向；(8) 特征集8 :离港航行时间；( 9) 特征 9: 水速；(10) 特征 10:

水；(11) 特征集11:吃水差。新加坡至亚丁湾航段准确率见图5。图5中的 横轴对应11个特征集的序号,纵轴为神经网络模型

输出与偏差△的Pearson相关系数(即准确率)。对

于每个特征集，随机训练20次后,用箱图表示它的

相关系数分布情况。由于偏差△本身是计算值，存

在5%的误差，因此针对偏差!再次进行神经网络

训练,会进一步放大误差。通过多次统计得到的结 123456789 10 11数据集编号图5新加坡至亚丁湾航段准确率

2.2.3主机功率推荐值确定由于神经网络输入是船舶航行中采集的历史数

据，且数据在船舶加速、减速、停泊状态(靠港、锚

泊、机动状态)存在缺失、不稳定及难以反馈瞬时变

化等问题，因此将相对稳定航行状态数据作为研究

对象。BP神经网络模型确定的主机功率一对水速度

期望曲线L可被视为合理耗油曲线，即曲线L上各

点的状态被认为是正常耗油。在主机功率相同条件

下, 对水速

大于期望 时, 在 功不变的情况下，可获得更快的速度,也就是省油；同

理，在相同主机功率下，当对水速度值小于期望值

时，标志着在主机功率不变的情况下费油(见图6) &对于一个特定点(假设输入当前时刻参数)，将

实际参数输入至神经网络模型中，将其输出作为参

考点,比较参考点与曲线 < 的位置关系，并通过蒙特

卡洛算法随机调整主机功率数值,使参考点向曲线

L的上方移动(省油方向)。具体实施过程:当参考点在曲线 < 下方时，通过 调整主机功率使参考点到曲线L的距离减小;反之, 当参考点在曲线 < 上方时，通过调整主机功率使参

考点到曲线 < 的距离进一步增大(前提是如果参考

点的周围有历史数据到曲线 < 的距离更大的话,通

常情况下，这样的点不存在)。调整的步长设为16中国航海2019年第2期100 kW,调整范围在+ -1 000, +1 000]区间内。特 学策略和软件技术而自动进行的动态功率调整船舶 操纵模式，将更好地促进船舶节能&参考文献+1 ] NORSTAD I, FAGERHOLT K, LAPORTE G. Tramp

定选取点推荐值见图7。参考点“ •”在曲线L下

方，当主机功率增加600 kW时,参考点“ + ”距离曲线L更近Ship Routing and Scheduling with Speed Optimization

+ J ]. Transportation Research Part C : Emerging Technol­

ogies, 2011,19(5) : 853-865.+ 2: SHENG XM, CHEN EP, LEE LH. Policy Modal fos Lin­

es Shipping Refueling and Sailing Speed Optimization

Problem + J ]. Transportation Research Part E : Logistics and Transportation Review, 2015 , 76 ：76-92.:3 ]邢玉伟，杨华龙，张燕•考虑碳税成本的班轮航线配

3结束语1) 基于一段时间内集装箱船的航行实例数据,

船与航速优化+ J] •上海海事大学学报，2017, 38

(4 )： 1-5.+ 4]俞姗姗，汪传旭.不同碳排放调控政策下的船舶航速

聚焦影响主机燃油消耗量的关联因素和发展趋势,

进行数据清洗、挖掘和分析，利用神经网络模型从历 史数据中学习他们的经验，抽象为主机功率一对水

优化+ J].大连海事大学学报，2015, 41 (3 )： 45-0.+ 5 ]王冀•动态规划和模糊算法在船舶航速最优调度中的

应用+ J].舰船科学技术，2016, 38(18)： 136-138.速度期望曲线L，并以此评价耗油情况;借助蒙特卡 洛算法，随机改变主机功率,保持其他参数不变，重

+ 6]黄连忠，万晓跃，孙永刚，等•基于模拟退火算法的

船舶航速优化研究+ J].船舶，2018(S1 )： 8-17.+ 7]李铮，潘晓萌•船舶航速优化算法研究+ J] •舰船科

学技术，2016, 38(12)： 7-9.新输入神经网络模型中，得到新的位置关系，两者相 比较，可确定主机功率的推荐调整方案。本研究建

+ 8]张进峰，马伟皓，刘永森，等•考虑营运成本和排放

立一种基于航行数据的船舶节能分析方法和技术

的船舶航速多目标优化模型+ J] •中国航海，2017, 40

(1) : 129-134.工具。2) 此策略和方法与目前比较先进的“等功率”

+ 9]王胜正，申心泉，赵建森，等•基于ASAE深度学习

航行做法相比更具优势，可将一种靠经验和多部门

人工协调配合而进行的船舶操纵模式转变为依靠科

预测海洋气象对船舶航速的影响+ J] •交通运输工程

学报，2018, 18 (2) : 143-151.(上接第11页)+ 4: BESL P J, MCKAY ND. A Method fos Reaistration of

2014,35 (8) ： 12-14.+12: FISCHLER M A, BOLLES R C. Random Sampie Con­

sensus : A Paradivm fos Model Fitting with Applications

3D Shapes + J]. IEEE Transactions on Pattern Analysis

and Machine Intelligenco, 2002, 14 (2 ) : 239-256.+ 5 ]陶海跻，达飞鹏•一种基于法向量的点云自动配准方

te Image Analysis and Automated Cartography + J ].

法+ J] •中国激光,2013 ,40(8):179-184.+ 6 ]路银北,张蕾,普杰信,等•基于曲率的点云数据配准

Readings in Computes Vision, 1987 ：726-740.+13: RUBLEE E, RABAUD V, KONOLIGE K, et ai. ORB：

An EoocoeniAoieenaioeeioSIFToeSURF + C , tt2011

算法 + J] •计算机应用,2007,27(11) ：2766-2769.+ 7 ]严剑锋，邓喀中•基于特征点提取和匹配的点云配准

Inieenaioon Conoeeence on Compuiee Vosoon. IEEE,

2012 ： 2564-2571.算法 + J] •测绘通报,2013(9) ：62-65.+ 8 ]李天烁，王晏民，胡春梅•基于激光反射强度的点云

+14 ]陈华•确定任意形状物体最小包围盒的一种方法

自动配准研究+ J] •测绘通报,2014(S2)：143-145.+ J] •工程图学学报,2010,31 (2) ：49-3.+15] ROSTEN E, DRUMMOND T. Machine Learning for

+ 9 ]李祎承，胡钊政,初秀民•基于图像处理的内河船舶

目标提取与特征值计算+ J] •交通信息与安全,2015 , 33 (3) ：1-8.+10] ARMAN F, AGGARWAL J K. Model-ased Object

Recognition in Dense-Range Images: A review + J ].

High-Speed Comes Detection + C ] // Proceedings of the

9th European Conferencc on Computes Vision. Austric:

Springes, 2006: 430-443.+16] CALONDER M, LEPETIC V, STRECHA C, et ai.

ACM Computing Surveys, 1993 ,25 (1) : 5 -43.+11 ]胡春梅，王晏民，李天烁•一种基于中心投影的地面

BRIEF： BonaeyRobusiIndependeniEoemeniaeyFeaiuees

+ C ] // 11th European Conferencc on Computes Vision. Heraklion: Springes, 2010.激光雷达反射强度图像的生成方法+ J] •激光杂志，