原文传递
基于深度学习对内河船舶主机转速的优化
| 论文题名： | 基于深度学习对内河船舶主机转速的优化 |
| 关键词： | 内河船舶;主机转速;油耗优化;LSTM神经元网络;遗传算法 |
| 摘要： | 随着国际海事组织IMO发布的《减少船舶温室气体排放的初步战略》和碳中和的提出，船舶朝低碳化发展趋势明显，内河船舶对区域大气污染排放的影响正受到越来越多的关注，无论是内河沿岸政府还是众多船企，都迫切地需要行之有效的方法解决内河船舶节能减排的问题，简单的更换优质燃油或者加装废气处理设备都会使航运成本大幅上升，因此在尽量不改变船舶自身“硬件”的情况下，研究通过技术的提升，解决内河船舶存在的诸多问题，达到节油的目的，进而降低经济和环境负担。 目前，尚未有学者针对内河船舶特性对主机转速分段优化进行细致深入研究，为给内河船舶航行提供合适的主机转速建议，本文将LSTM神经元网络与遗传算法相结合，依据内河某船舶实际航行数据提出一种适用于主机转速优化新的分段方法。在此基础上，对内河某船舶进行分段主机转速优化，得到了各分段航道某船舶的最佳主机转速，为内河船舶航行提供具有理论依据的主机转速建议。 首先，考虑本文要建立以数据驱动的油耗和主机转速模型，在船上安装或改造各类数据的传感器，通过传感器实时采集的各类船舶航行数据，并将数据通过4G工业路由器收集并上传到服务器。 其次，对采集到的数据进行异常值筛选，剔除由于停靠、加油以及传输过程部分数据丢失等因素导致的“异常数据”。对保留下来的船舶有效航行数据进行特征参数的选择，选取三种最常用的相关性分析方法（皮尔逊相关性分析、斯皮尔曼相关性分析、肯德尔相关性分析）对预处理后的数据进行相关性分析，最终选出影响船舶油耗和主机转速的主要参数。 然后，将选出主要影响参数作为BP和LSTM深度神经元网络预测模型的输入参数，用来预测船舶航行时的单位时间燃油消耗量和主机转速。在此基础上，建立了BP神经元网络和LSTM神经元网络，比较了二者之间的预测准确程度，确定了LSTM深度神经元网络相对于BP神经元网络在单位时间燃油消耗量和主机转速预测的优越性。 最后，将得到船舶LSTM油耗和主机转速预测模型作为遗传算法的适应度函数，为遗传算法优化主机转速提供高精度的预测准确率，保证了优化结果的可靠性。根据数据特性确定了遗传算法的参数和选择算子，最终将优化结果进行比较，所得优化主机转速符合实际情况，优化后主机转速降低了总航次油耗。 |
| 作者： | 文责丞 |
| 专业： | 船舶与海洋工程 |
| 导师： | 雷林 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
