船舶智能能效管理数据挖掘技术研究

发布时间：2020-09-29 19:20

　　智能能效管理是智能船舶六大功能模块之一,大数据分析、数值的分析与优化技术是实现智能能效管理的重要手段。恶劣、多变的实船环境使得部分采集的船舶能效数据失真或异常;能效数据间的关系对智能能效管理与评估至关重要。因此,对实船能效数据的预处理和数据挖掘技术的研究很有意义,并且船舶长期积累的海量数据为数据挖掘提供了可能。首先,本文通过查阅数据预处理与数据挖掘的相关文献,结合船舶能效的数据特点,确定使用Python作为研究的主要工具。对实船能效数据库中影响船舶能效的主机、气象等参数进行了分析,建立了各参数的相关关系。利用时间插值对能效数据的时间间隔进行统一,并对空缺值进行处理。然后,根据能效数据的特征,建立基于主成分分析的异常检测模型。对数据进行标准化处理后,将各参数转化为主成分,并利用拉伊达准则对大于检测阈值外的数据进行剔除。然后,以目标船某航次的能效数据作为输入,控制待检测数据集的参数个数,研究了主成分个数的选取方式对检测精度的影响。对目标船一年的数据(7个参数)进行验证,验证结果为:平均正确率P=93.95%,召回率 R = 86.68%,F=90.17%,检测效果较为理想。表明采用该方法可进行数据清洗,为接下来的数据挖掘提供保障。最后,选取目标船某航次数据,进行数据挖掘。采用高斯混合模型和EM算法对其各工况进行聚类,得到了各参数的聚类中心,该聚类中心代表每个工况的能效状态。分析了该船舶某工况的聚类中心在3年内逐年的变化规律,获得了该工况的能效状态变化情况。利用同一航次3个工况的能效数据及其相对应的海况信息,进行相关性分析,得到了 3组相关系数矩阵,获得了每两个参数之间相互关联的程度,得到了油耗指标与各能效参数之间的关系规律以及海况信息对船舶能效的影响程度。本文研究对船舶能效大数据的数据挖掘具有普适性,得到的各参数之间关系规律对智能能效管理与评估、提供辅助决策具有重要意义。
【学位单位】：大连海事大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U665.2;TP311.13
【部分图文】：

敞水特性,伴流,航速

图２．邋２敞水特性曲线示意图逡逑Ｆｉｇ２．２邋Ｃｕｒｖｅ邋ｄｉａｇｒａｍ邋ｆｏｒ邋ｏｐｅｎ邋ｗａｔｅｒ邋ｃｈａｒａｃｔｅｒｉｓｔｉｃ逡逑的过程中，由于阻力的影响，螺旋桨处的水流会随船舶的运伴流。在船速相等的情况下，伴流流速愈大，则阻力愈大，发出更大的功率才能使船舶达到原先的航速。伴流对船舶，即：逡逑ｖｓ－ｖｐ邋．邋Ｖｐ逡逑６）＝￣ｉｒ－＾￣Ｖｓ匕为航速，ｍ／ｓ。逡逑Ｖｐ邋＝邋Ｖｓ（＼－ｃｏ）系数通常使用泰勒公式或者汉克歇尔公式来估算。对于单浆勒公式逡逑－１０－逡逑

任务目标,主要数据,数据预处理

２．３．１数据库知识发现的一般步骤逡逑数据挖掘是ＫＤＤ中最为重要的环节之一，但却不是这一过程的全部。整个过程是逡逑包含了如图２．８所示的一系列的数据处理步骤：从数据预处理到数据挖掘再到对结果的逡逑后处理。逡逑数据库邋－？数据预处理－？数据挖掘－？后处理－？可用信息逡逑图２．邋８数据库知识发现基本步骤逡逑Ｆｉｇ．邋２．８邋Ｔｈｅ邋ｂａｓｉｃ邋ｐｒｏｃｅｓｓ邋ｏｆ邋ＫＤＤ逡逑数据预处理的主要是为了使用合适的方法，将脏数据中缺失值、异常值以及大量的逡逑噪声数据进行筛选和剔除，最终得到标准、正确和适用的干净数据。除此之外，数据集逡逑的格式也将被标准化和标签化，这样将有利于数据的选择和操作以更好地完成数据挖掘逡逑任务。因此数据预处理是整个ＫＤＤ过程中最费力与最耗时的一步，其重要性不言而喻逡逑数据挖掘这一步骤须根据数据预处理后得到的干净数据集信息，选择合适的分析工逡逑具，应用统计方法、事例推理、决策树、规则推理、模糊集、甚至神经网络、遗传算法逡逑的方法处理信息，得出有用的分析信息。这一步骤中的方法将在下一节介绍；后处理步逡逑骤是把通过数据挖掘技术得到的知识结果转换成可以为人所理解形式的过程

光谱图,正常数,异常值,光谱图

是弱形式异常，这些数据对数据的分析造成了干扰［４９］。其存在也是无意义的，通常他们逡逑的产生原因可能为硬件错误、编码错误等。数据中的噪声一般分为两种，一种是随机误逡逑差，另外一种可能是错误数据。图３．１以颜色的形式展示了正常数据与异常数据之间的逡逑关系，颜色越深代表异常的程度越高。逡逑－２２－逡逑

【参考文献】