基于DNN平均每海里油耗预测.pdf

2023 年第 8 期计算机与数字工程收稿日期：2023年2月11日，修回日期：2023年3月21日作者简介：吴桦，男，硕士研究生，研究方向：软件工程。陈陆，女，硕士研究生，研究方向：数据挖掘。程雯，女，硕士，讲师，研究方向：软件工程。1引言数据显示，在国际对外贸易中，超过90%的货物量是由水路运输完成。水路运输单位耗能小，运输量大，运输距离远，运输成本低，对比于其他运输方式，水路运输优势明显。因此，随着经济全球化的发展，航运业的发展日渐迅猛1。当前，污染物排放和运输成本的问题困扰着航运业的可持续发展。2020年8月上旬，国际海事组织（International Maritime Organization，IMO）于第75基于 DNN 平均每海里油耗预测吴桦陈陆程雯（武汉邮电科学研究院武汉430074）摘要在严格的国际排放标准、不断上涨的燃油成本的客观因素下，节能减排已成为航运业的重要指导方针，而建立准确的平均每海里油耗预测模型是实现船舶节能减排的基础。论文将一艘远洋船舶作为研究对象，对船舶实际监测数据和气象数据进行分析和预处理，结合DNN算法构建了船舶平均每海里油耗预测模型。通过对比预测模型输出的预测值和实测数据，结果显示预测误差仅为7.661%，随后以建立的预测模型为基础，采用粒子群算法对纵倾和rpm三次方关系进行特征寻优，发现同时对这两个特征进行调整，可使船舶平均每海里省油率达到了5.71%。论文验证了基于DNN算法建立的船舶油耗模型的有效性与可行性，并对其进行了特征寻优工作，降低了船舶的平均每海里耗油量，对后续船舶优化提供了一定的参考价值以及研究方向。关键词油耗预测模型；节能减排；DNN；粒子群算法中图分类号O141.4DOI：10.3969/j.issn.1672-9722.2023.08.005Average Fuel Consumption per Nautical Mile ForecastBased on DNNWU HuaCHEN LuCHENG Wen（Wuhan Research Institute of Posts and Telecommunications，Wuhan430074）AbstractUnder the objective factors of strict international emission standards and rising fuel costs，energy conservation andemission reduction have become an important guideline for the shipping industry，and the establishment of an accurate average fuelconsumption per nautical mile forecast model is the basis for energy conservation and emission reduction of ships.In this paper，anocean-going ship is taken as the research object，analyzes and preprocesses the actual monitoring data and meteorological data ofthe ship，and builds a prediction model of ship average fuel consumption per nautical mile combined with DNN algorithm.By comparing the predicted value output by the prediction model with the measured data，the result shows that the prediction error is only7.661%.Then，based on the established prediction model，the particle swarm algorithm is used to optimize the characteristics of therelationship between trim and rpm cubic.The adjustment of these two characteristics can make the average fuel saving rate per nautical mile of the ship reach 5.71%.This paper verifies the validity and feasibility of the ship fuel consumption model based on theDNN algorithm，and performs feature optimization work on it，which reduces the average fuel consumption per nautical mile of theship，and provides a certain reference value for subsequent ship optimization.research direction.Key Wordsprediction model of ship fuel consumption，energy conservation and emission reduction，DNN，particle swarmalgorithmClass NumberO141.4总第 406期2023 年第 8 期计算机与数字工程Computer&Digital EngineeringVol.51No.81709第 51 卷届海上环境保护委员会发布了第四次温室气体研究（GHG4）报告。报告表明，温室气体年排放量从2012年的9.77吨增长到2018年的10.76吨，同比增长了10.13%。根据预测，随着海运业务的不断增多，若不采取有效措施以减少二氧化碳的排放量，2050年二氧化碳的年排放量预估将会在2018年的基础上增长50%，在2008年的基础上翻一番左右 2。因此，航运业需要采取有力措施以减少污染物排放。另一方面，现今的大多数在营运船舶所用能源提炼自石油，而石油属于不可再生能源，随着开采力度的加大，资源紧张导致石油价格上涨。船舶的燃料成本在其运营成本中占据半数以上的比例，那么石油价格的上涨必然导致船舶运营成本的同步增长1，3。由此可见，航运业亟需改善油耗成本占比大的问题，从而降低运营成本、提高企业盈利4。综合环保和运营成本方面的考虑，节能减排是水路航运的大趋势，因此如何在保证船舶安全航行的前提下，达到节能减排的目的已成为航运业必须要解决的现实而重大的课题1。为提高燃油的能量利用率，实现节能减排，需要综合考虑影响船舶油耗的因素，并在此基础上建立合理且有效的船舶油耗预测模型。基于上述原因，本文以一远洋船舶的实船监测数据为基础，将深度神经网络（Deep Neural Network，DNN）引入到船舶油耗预测模型的构建中，由此建立了平均每海里油耗预测模型，并对可进行规划的特征进行优化，检验减少油耗的效果。2DNN算法DNN 最早是由 Hinton 等在 2006 年提出的在无监督数据上建立的多层神经网络5。DNN的内部神经网络可以分为三类：输入层、隐藏层和输出层。一般情况下第一层是输入层，最后一层是输出层，中间层则是隐藏层6。上一层的输出作为下一层的输入，经过多层的特征映射后，样本映射到另一个特征空间，使原始的输入具有更好的特征表达。output layerhidden layer 1 hidden layer 2 hidden layer 3input layer图1DNN分层结构图2.1深度神经网络前向传播算法深度神经网络前向传播算法利用若干个权重系数矩阵W，偏倚向量b来和输入值向量X进行一系列线性运算和激活运算1，7，从输入层开始，逐层向后计算，直到输出层，得到输出结果为预测值1，8。2.2深度神经网络反向传播算法假设输入数据有nin个，输出数据有nout个，若采用DNN模型，则模型的输入层有nin个神经元，输出层有nout个神经元，除去输入层、输出层外，中间还要加上若干隐藏层。此时需要求解出恰当的对应于所有隐藏层和输出层的线性系数矩阵W，偏倚向量b，让模型对于所有的训练样本的输出值尽可能的等于或接近样本期望输出值9。在找出恰当的权重系数矩阵W和偏倚向量b之前，需要选择一个合适的损失函数，用于度量模型对于训练样本的输出值与样本期望输出值之间的偏差10。寻找恰当的权重系数矩阵W和偏倚向量b也就是在对这个损失函数进行优化求解，直到找出损失函数的极小值，在此过程中，将会对权重系数矩阵W和偏倚向量b反向不断地进行更新，直到达到期望的效果11。3油耗预测模型建立3.1油耗预测模型船舶油耗预测模型目前有两种建立方式：一种是根据物理关系基础建立的油耗预测模型，另一种是根据实船航行数据建立油耗预测模型。前者需要了解详尽的船舶设计参数，除此之外还需要进行大量的实船水池试验，风洞试验等，以获取水流、涌向、风速、风向等因素对船体产生的阻力影响1，这种方式建立模型难度非常大，分析的过程也相对复杂，不适合运用到实际生产中12；后者相较于前者更加简单，仅需要研究影响船舶油耗的相关因子1，选择合适的数学模型，结合实船运营数据训练出模型参数，从而建立油耗预测模型，在这种方式下建立的数学模型没有前者的海量数据和复杂分析过程，搭建起来相对简便1，而且更加有针对性的全面考虑了船舶油耗的影响因子，而且基于实船航行数据搭建的模型更加贴合实际，效果更好。综合考虑模型特点，本文选择DNN模型并结合实船运营数据进行训练建立船舶油耗预测模型，其框架如图2所示。吴桦等：基于DNN平均每海里油耗预测17102023 年第 8 期计算机与数字工程图2油耗预测模型框架3.2深度神经网络反向传播算法本文研究对象为运营于中国大连港至巴西航线的一艘40万吨货运远洋船，对象船单次航程所需时间为45天至50天。油耗预测模型的基本框架如图 2 所示，模型的期望输出是平均每海里油耗量。表1中列出了模型的输入特征，其中22个为船舶机舱数据，13个特征为气象数据1，剩余3个特征为rpm三次方关系、与船舶载货量相关的吃水以及船舶纵倾13。表1油耗预测模型输入特征特征cylinder_cowater_in_tempcylinder_cowater_in_prescylinder_grease_in_tempcylinder_cooil_in_presmain_aircooler_scavenging_temp_1main_aircooler_scavenging_temp_2cylinder_scavenging_temp_1cylinder_scavenging_temp_2cylinder_scavenging_temp_3cylinder_scavenging_temp_4cylinder_scavenging_temp_5cylinder_scavenging_temp_6cylinder_scavenging_temp_7main_total_scavenging_tempmain_aircooler1_b_scavenging_presmain_aircooler2_b_scavenging_prescylinder_cowater_total_out_presmain_aircooler_cowater_in_presmain_oil_inmachine_tempmain_aircooler_cowater_in_tempmain_oil_out_densmain_oil_in_denscurrent_magnitudecurrent_directionwind_magnitudewind_directionwave_heightwave_periodwave_directionswell_heightswell_periodswell_directionsurface_pressuresurface_temperaturemain_rpm_thirdmain_trim500mB_heightdraught含义主机气缸冷却水进口温度主机气缸冷却水进口压力主机气缸滑油进口温度活塞冷却油进口压力No.1 主机空冷器前扫气温度No.2 主机空冷器前扫气温度主机No.1气缸扫气箱失火主机No.2气缸扫气箱失火主机No.3气缸扫气箱失火主机No.4气缸扫气箱失火主机No.5气缸扫气箱失火主机No.6气缸扫气箱失火主机No.7气缸扫气箱失火主机扫气集管温度主机 No.1 主机空冷器前扫气压力主机 No.2 主机空冷器前扫气压力主机气缸冷却水总管出口压力主机空冷器冷却水进口压力主机燃油进机温度主机空冷器冷却水进口温度主机燃油/柴油密度（回油管）主机燃油/柴油密度（进油管）流速流向，流奔向的方向风力风向浪高浪周期浪向，浪来的方向涌高涌周期涌向，涌来的方向海面压强海面温度rpm三次方关系纵倾500毫帕压强处的位势高度平均吃水1711第 51 卷模型训练所用的数据来源于研究对象的实际运营数据，采集自安装于研究对象各处的传感器。由于传感器的采集频率不同，数据返回的间隔也不同，为统一数据处理，在本文中将时间间隔定为600s，特征处理公式为u=600t2t1t1t2xi本文中用于模型训练的气象数据来源于气象局，其数据形式为各整数经纬度位置点处的气象数据，预报时间间隔为3h。若需要得到船舶轨迹点上的气象预报数据，需要对气象预报数据做空间和时间上的插值，其处理公式如下1：u=12t1t214(xE+xW+xN+xs)上式中t1，t2为所提供气象数据的时刻，两个时刻的间隔为 3h。xExWxNxs分别为包含目标位置点矩形区域的四个顶点处的气象值14。在本文中DNN模型运用到的激活函数为ReLU，具体表达式为()z=max()0z，即大于0则激活后不变，小于0则激活后为0。在建立DNN模型时，输入层为38个神经元，含有3个隐藏层，各层的神经元个数分别为800、1000、800，输出层有1个神经元，输出值为平均每海里油耗量。4目标船舶的油耗预测结果4.1油耗模型预测结果分析本文将总计油耗误差百分比1作为度量模型预测效果的指标，其计算公式如下：=i=1M(yici)i=1Myi式中yi是模型输出的预测值，ci是实际值，M为样本总数。将训练样本集中的特征作为输入获取模型预测值，模型预测值与实际值的对比如图3所示。由图可见，模型在训练完成后，将训练样本作为输入输出的预测油耗值与实际的油耗值之间的误差较小。这说明训练所得的模型能够精确地表征出输入与输出目标值之间隐含的关系。图4为测试样本作为模型输入得出的预测值与实际值的对比图。由图可见，模型预测结果与训练样本实测数据的动态变化相同，表明训练所得模型在测试数据集上具有良好的预测效果1。表2中列出了DNN模型数据集上的预测误差对比。由表可见，DNN模型的总计油耗绝对误差百分比都在 7.7%以下，符合实际项目需求，此外DNN模型在各数据集上的误差百分比计算数值差距较小，说明DNN模型在训练过程中并没有过拟合，模型具有普适性1。表2DNN模型预测误差数据集训练数据集3.067%验证数据集3.25%测试数据集7.661%0.170.160.150.140.130.120.110.100255075100125150175200油耗预测real_oil_consumepredict_oil_consum图3训练结果对比0.1900.1850.1800.1750.1700.1650.1600.1550.150020406080100油耗预测real_oil_consumepredict_oil_consum图4测试结果对比4.2特征优化基于DNN的平均每海里油耗模型所用特征有船舶机舱数据、气象数据、rpm三次方关系、船舶吃水以及纵倾，为进一步地优化航速油耗及其他能效任务提供基础建议，基于训练好的平均每海里油耗回归模型进行特征寻优，即通过寻优算法选择合适的一个或者多个工况进行调整，进而使平均每海里油耗降低。模型所用特征中，气象特征无法进行调整，机舱数据在实际行船过程中很少会进行调整，船舶吃水与船舶载货量相关，亦无法进行调整15，因而可调整的特征为纵倾和rpm三次方关系。本文采用启发式算法-粒子群算法对特征进行寻优，根据可进行调整的纵倾和rpm三次方关系，设置三组特征寻优：纵倾、rpm三次方关系、纵倾和rpm 三次方关系。表 3所列为三组特征寻优的结果。从表3中可以看出对表中三组特征进行调整可以降低船舶平均每海里油耗，从而达到船舶节能减排的目的。其中对纵倾和rpm三次方进行调整可以使船舶平均每海里油耗降低5.71%。吴桦等：基于DNN平均每海里油耗预测17122023 年第 8 期计算机与数字工程5结语本文通过DNN算法，运用远洋船的实际检测数据搭建了船舶的平均每海里油耗预测模型。并结合实际状况，对纵倾和 rpm 三次方进行特征寻优，验证调整船舶特征可降低船舶平均每海里油耗，根据实验数据得出结论如下：1）DNN算法结合实船数据成功建立的船舶油耗模型，并且实验结果显示，模型每海里油耗的预测值与实际检测值之间的误差仅为7.661%，可以作为后续进行船舶油耗优化的基础。2）通过调整纵倾和rpm三次方，降低了船舶油耗，平均每海里节省油耗率为5.71%，对于远洋船具有一定参考价值，为后续船舶油耗优化提供了一定的方向。参 考 文 献1陈陆，吴桦.基于GBDT的船舶油耗预测模型设计 J.电子设计工程，2022，30（02）：91-95.CHEN Lu，WU Hua.Prediction Model of Ship Fuel Consumption Based on GBDTJ.Electronic Design Engineering，2022，30（02）：91-95.2Sari Repka，Anne Erkkil-Vlimki，Jan Eiof Jonson，etal.Assessing the costs and environmental benefits of IMOregulations of ship-originated SOx and NOx emissions inthe Baltic Sea J.Ambio，2021，373：1-13.3Yuanyuan Wang，Hung Duc Nguyen，Shuhong Chai，etal.Radial Basis Function Neural Network Based RudderRoll Stabilization for Ship Sailing in Waves C/2015 5thAustralian Control Conference，2015.4李少伟，王胜正.深度神经网络在船舶自动舵中的应用J.现代电子技术，2018，41（24）：39-42，47.LI Shaowei，WANG Shengzheng.Application of Deep Neural Network in Ship Autopilot J.Modern Electronic Technology，2018，41（24）：39-42，47.5陈超，张兴媛，陆思烨.基于优化BP神经网络激光超声表面缺陷识别研究 J.激光与光电子学进展，2021：1-19.CHEN Chao，ZHANG Xingyuan，LU Siye.Research onLaser Ultrasonic Surface Defect Recognition Based on Optimized BP Neural Network J.Progress in Laser and Optoelectronics，2021：1-19.6张全龙，王怀彬.基于DNN-FM模型的网络入侵检测研究 J.天津理工大学学报，2021，37（01）：6-9.ZHANG Quanlong，WANG Huaibin.Research on NetworkIntrusion Detection Based on DNN-FM Model J.Journalof Tianjin University of Technology，2021，37（01）：6-9.7陈建平，王春雷，王雪冬.基于CNN神经网络的煤层底板突水预测 J.中国地质灾害与防治学报，2021，32（01）：50-57.CHEN Jianping，WANG Chunlei，WANG Xuedong.Prediction of water inrush from coal seam floor based on CNNneural network J.Chinese Journal of Geological Hazardand Control，2021，32（01）：50-57.8钱程扬.融合时空特征的轨迹表征建模方法研究 D.南京：南京师范大学，2020.QIAN Chengyang.Research on Modeling Method of Trajectory Representation Combining Spatio-temporal Features D.Nanjing：Nanjing Normal University，2020.9仲国强，贾宝柱，肖峰，等.基于深度信念网络的船舶柴油机智能故障诊断 J.中国舰船研究，2020，15（03）：136-142，184.ZHONG Guoqiang，JIA Baozhu，XIAO Feng，et al.Intelligent Fault Diagnosis of Marine Diesel Engine Based onDeep Belief Network J.Chinese Ship Research，2020，15（03）：136-142，184.10Meng Joo Er，Yong Zhang，Ning Wang，et al.Attentionpooling-based convolutional neural network for sentencemodellingJ.Information Sciences，2016，1（1）：388-403.11冯亮，董国祥，季盛，等.基于航行数据的船舶航行油耗模型建立方法 J.上海船舶运输科学研究所学报，2020，43（01）：27-31.FENG Liang，DONG Guoxiang，JI Sheng，et al.A Method of Establishing Ships Navigation Fuel ConsumptionModel Based on Navigation Data J.Journal of ShanghaiShip and Transportation Science Research Institute，2020，43（01）：27-31.12陈伟南，黄连忠，张勇，等.基于BP神经网络的船舶主机能效状态评估 J.中国舰船研究，2018，13（04）：127-133，160.CHEN Weinan，HUANG Lianzhong，ZHANG Yong，etal.Energy efficiency evaluation of ship main enginebased on BP neural network J.Chinese Ship Research，2018，13（04）：127-133，160.13周春斌，袁成清，张彦.船舶主机油耗模型发展现状及展望 J.柴油机，2017，39（06）：12-15，19.表3粒子群寻优结果寻优特征寻优结果（平均每海里节省油耗率）main trim1.43%main rpm third4.19%main trim+main rpm third5.71%（下转第1770页）1713第 51 卷应的网格划分，加入了特征点匹配对剔除来提取特征点，利用层次聚类和主成分分析提取点云中场景平面信息。通过数据关联算法、位姿模型实时解算RGB-D设备的位姿变化，完成了对场景的实时三维重建。公开数据集的实验结果表明本文算法优于传统的 ElasticFusion 算法，具有更好的匹配精度，证明了多特征融合的优势。目前方法捕获的特征平面比较粗糙，存在空洞，在求解位姿变化时，偶然会存在负面影响，未来需要提高平面提取的精度，以实现更精确的三维重建。参 考 文 献1Zhang S，Zheng L，Tao W.Survey and Evaluation ofRGB-D SLAM J.IEEE Access，2021，9：21367-21387.2Civera J，Lee S H.RGB-D Odometry and SLAMM.RGB-D Image Analysis and Processing.Springer，2019：117-144.3Kazhdan M，Bolitho M，Hoppe H.Poisson surface reconstructionC/Proceedings of the Fourth EurographicsSymposium on Geometry Processing，2006，7.4Kazhdan M，Hoppe H.Screened poisson surface reconstructionJ.ACM Transactions on Graphics（ToG），2013，32（3）：1-13.5Newcombe R A，Izadi S，Hilliges O，et al.Kinectfusion：Real-time dense surface mapping and tracking C/201110th IEEE International Symposium on Mixed and Augmented Reality.IEEE，2011：127-136.6Scona R，Jaimez M，Petillot Y R，et al.Staticfusion：Background reconstruction for dense rgb-d slam in dynamic environments C/2018 IEEE International Conferenceon Robotics and Automation（ICRA）.IEEE，2018：3849-3856.7Mur-Artal R，Montiel J M M，Tardos J D.ORB-SLAM：a versatile and accurate monocular SLAM systemJ.IEEE Transactions on Robotics，2015，31（5）：1147-1163.8Forster C，Zhang Z，Gassner M，et al.SVO：Semidirectvisual odometry for monocular and multicamera systemsJ.IEEE Transactions on Robotics，2016，33（2）：249-265.9Engel J，Koltun V，Cremers D.Direct sparse odometryJ.IEEE Transactions on Pattern Analysis and MachineIntelligence，2017，40（3）：611-625.10Whelan T，Leutenegger S，Salas-Moreno R，et al.ElasticFusion：Dense SLAM without a pose graph C/Robotics：Science and Systems，2015.11Niener M，Zollhfer M，Izadi S，et al.Real-time 3D reconstruction at scale using voxel hashing J.ACM Transactions on Graphics（ToG），2013，32（6）：1-11.12Dai A，Niener M，Zollhfer M，et al.Bundlefusion：Real-time globally consistent 3d reconstruction usingon-the-fly surface reintegrationJ.ACM Transactionson Graphics（ToG），2017，36（4）：1.13Werner D，Al-Hamadi A，Werner P.Truncated signeddistance function：experiments on voxel sizeC/International Conference Image Analysis and Recognition.Springer，Cham，2014：357-364.14Prisacariu V A，Khler O，Golodetz S，et al.Infinitam v3：A framework for large-scale 3d reconstruction with loopclosure J.ArXiv Preprint ArXiv：1708.00783，2017.15Whelan T，Kaess M，Fallon M，et al.Kintinuous：Spatially extended kinectfusion J.Research Gate，2012.16Pfister H，Zwicker M，Van Baar J，et al.Surfels：Surface elements as rendering primitives C/Proceedings ofthe 27th Annual Conference on Computer Graphics andInteractive Techniques，2000：335-342.17Viswanathan D G.Features from accelerated segmenttest（fast）C/Proceedings of the 10th Workshop on Image Analysis for Multimedia Interactive Services，London，UK，2009：6-8.18Shlens J.A tutorial on principal component analysis J.ArXiv Preprint ArXiv：1404.1100，2014.19Kim P，Coltin B，Kim H J.Linear RGB-D SLAM for planar environments C/Proceedings of the European Conference on Computer Vision（ECCV），2018：333-348.20Shi Y，Xu K，Niener M，et al.Planematch：Patch coplanarity prediction for robust rgb-d reconstruction C/Proceedings of the European Conference on Computer Vision（ECCV），2018：750-766.ZHOU Chunbin，YUAN Chengqing，ZHANG Yan.Development status and prospects of marine main engine fuel consumption model J.Diesel Engine，2017，39（06）：12-15，19.14叶睿，许劲松.基于人工神经网络的船舶油耗模型J.船舶工程，2016，38（03）：85-88.YE Rui，XU Jingsong.Ship fuel consumption modelbased on artificial neural network J.Ship Engineering，2016，38（03）：85-88.15易辉，武燊，安超.基于EEOI的船舶能效管理措施节能分析 J.南通航运职业技术学院学报，2019，18（01）：30-33.YI Hui，WU Yan，AN Chao.Energy-saving analysis ofship energy efficiency management measures based onEEOIJ.Journal of Nantong Shipping Vocational andTechnical College，2019，18（01）：30-33.（上接第1713页）范都耀等：融合点、面特征的RGB-D视觉里程计1770