大数据技术在船舶能效管理中的应用

2020-11-27徐宏伟刘灿波李林海

江苏船舶 2020年2期

葛沛，徐宏伟，刘灿波，李林海

(南通中远海运川崎船舶工程有限公司，江苏南通 226005)

0 引言

目前全球航运市场持续低迷，而燃油价格的上涨、港口使用费的上升以及维修费用的增加等因素导致船舶营运成本大幅度增加,其中燃油费约占据船舶运营总成本的三分之二以上，存在很大压缩空间，所以船舶能效管理成为航运企业控制运营成本的首要切入点。近年来，互联网信息技术已渗透到各个行业，通讯技术也越来越发达，利用大数据、云计算、物联网等技术，可以改善船舶运营的能效水平，提升航运的信息化水平。柳晨光等[1]从大数据、信息物理系统等方面介绍了船舶的智能化，从船舶智能管理与服务方面分析了水路ITS、交通流理论和数据分析方法的最新发展，并提出了基于可视分析解决船舶管理大数据处理的流程。本文重点研究了大数据技术在船舶能效管理方面的应用，包括数据采集、能效水平评估、提供船舶操作的决策建议、建立航区航线的海况数据库、水动力性能优化。

1 智能能效管理简介

船舶能效管理可以分为3个层次：第1层次是能效相关数据信息采集；第2层次是基于采集的能效数据，为船舶的航行操作提供决策辅助；第3层次是优化船舶的水动力性能，实现固定航线的船舶型线优化。能效管理是一个复杂的过程。能效管理系统自动采集船舶的航行状态、外界环境信息、机器耗能状况数据，对船舶能效状况、航行及装载状态等进行评估，并通过大数据分析、数值仿真分析及优化技术，为船舶提供数据评估分析结果，以及航速优化、基于纵倾优化的最佳配载等辅助决策建议，从而实现船舶能效实时监控、智能评估及优化。

2 营运数据监测及分析

船厂及设计单位在船舶设计时需要考虑安装能源监控系统，以监控机器和船舶的性能参数、采集船舶运营过程中的能效数据。船舶航行数据包括GPS位置、航速、航向、舵角、吃水，周围的环境参数如风速、风向、水深。机器的参数有主机的转速、功率、油耗、扭矩等。海洋的潮流数据可以通过船上的多普勒测速仪获取。波浪数据一般通过船员目测观察手动记录。这些船舶营运的数据通过卫星通讯系统定时传送到岸基的数据中心，传送的周期一般为6 h。但通过卫星传输长期监测的海量数据，由于成本较高，因此传送的频率受到限制。同时采集的数据，受到设备运行环境的影响，可能会有失真或局部丢失情况，因此对于船舶监测的数据还需要筛选过滤。如某时刻仅有一两个信号无数据，可采用数据趋势进行临近插补进行填补。

依托大数据分析方法，对采集的数据进行统计分析，挖掘出研究对象的内在规律，最大化地开发数据资料的功能。数据分析包括聚类分析、因子分析、相关分析、回归分析和数据挖掘。聚类分析是将具有相似特征的数据归为一类。因子分析是少数因子来描述许多指标之间的联系。相关性分析是测定不同变量之间的相互关系。数据挖掘是从这些大量的随机数据中提取潜在的信息和知识，完成分类、估值、预言、相关性分组或关联规则、聚集、描述和可视化6种不同的任务。以研究排水量、船速与功率之间的关系为例，其步骤如下：

(1)将数据进行归类处理，即从采集的数据中按照类型筛选出航行时的首尾吃水、船速、功率、风速风向、浪高浪向、水深等数据。同时根据吃水和排水量的范围，将排水量较为接近时采集的数据分成几组。对数据进行相关性分析，可以判断船速、功率与排水量、风速风向相关。

(2)将采集的功率数据修正到无风无浪的理想环境下的功率。

(3)通过回归分析，得到排水量、船速、功率之间的关系。

3 船舶节能航行

3.1 纵倾优化

纵倾优化方法是指应用CFD工具或船模水池试验，计算船舶在不同装载工况和不同航速下的阻力，同时引进系统优化思想，以最小阻力为目标，在全面考虑航行视线、稳性、强度安全的基础上，给出船舶航行最佳纵倾浮态，为船舶实际营运提供有效建议。对于纵倾性能数据库，传统方法是在设计阶段通过CFD模拟计算和水池试验结果，计算船舶在航行中各吃水对应的不同航速、纵倾下的阻力，进而得出各吃水、航速和纵倾下的主机功率。根据出航前预定的航速和吃水，搜索最低的主机功率对应的最佳纵倾。

以上这种搜索最佳纵倾的方法存在一些局限性，比如船舶的实际航速和吃水深度并不总是和船模试验时的数据一致。因此需要在纵倾矩阵图内插入一些数值，并假设插入值在原值之间是线性的关系，但这种假设并非总是正确的，尤其当吃水深度和纵倾离球鼻艏浸没点非常接近的时候。此外，该方法难以考虑船舶外界扰动以及动态的实时情况，例如风、下沉等所产生的影响，即船员无法精确获得船舶在航行中的实际吃水深度，只能确定出航前的准确吃水。有时按比例将模型试验的数据放大至实际海况也会导致偏差，妨碍船舶在海上按照最优纵倾状态航行。由于航速、海况、海面起伏等因素，船舶会发生动态的垂向晃动。剧烈的尾倾会导致阻力增加，改变船舶动态纵倾。航行中的实际纵倾角度和静态纵倾角度有时相差较大，静止状态下最优纵倾和动态纵倾之间相差可能达到1 m。因此，有必要实时采集船舶的数据，并对其进行多维分析，寻找动态纵倾优化方法。动态纵倾优化方法考虑大量的变量数据，包括流体力学相关变量，如浅水下沉量、艏侧推和操纵舵角，也包括必要的天气条件，如风况、海浪等。在考虑影响航行的各种因素后，计算出最优纵倾的数值，并且需持续地进行数据采集、过滤和分析，才能够不断提高纵倾优化的精度，实现船舶节能航行。

3.2 航速优化

除了船舶航行浮态对船舶能效有影响外，主机转速、航速也会影响油耗。在船期允许情况下，大型船舶普遍采取降低航速的措施，达到减少油耗的目标。依据船舶航行数据，结合航次计划、航线特点、燃料消耗评估及航行成本核算分析等结果，形成航速优化方案。能源监控系统不仅可以输入预定的航行线路、艏艉吃水、燃油价格、出港到港的预定时间，还可以接收岸基数据中心发送的风、浪涌和潮流等气象及海况预报信息，然后将预定的航线分成许多段，在每一航段上计算出最佳航速和转速，指导船员设定转速[2]。

航速优化的核心是确定变量之间的数学模型和采用的优化算法。燃油消耗数学模型如下：

(1)船体模型：体现速度和功率的关系。

(2)主机模型：体现主机负荷和油耗率关系。

(3)螺旋桨模型：体现螺旋桨进速系数与效率的关系。

对于采集的数据，多个变量之间存在某种规律性，经过统计分析建立关联性数学模型，可以预测数据。例如：船舶在浅水中的下沉量，计算公式(式1)根据学者的研究结果往往是确定的，现在通过统计分析，可以得到更为精确的模型。风的阻力计算(式2)，传统方法根据风阻系数、相对风向的面积、风速计算得到。但现在有采集的数据之后，通过大数据统计分析可以得到更接近实际情况的精确风阻模型(式3)。运用OpenMDAO优化算法，虽然能够得到优化速度，但其结果仍然存在不确定性，比如：船身效率随着运营时间变化，船体表面的粗糙度会不断增加，螺旋桨和主机的性能也会下降；气象预报信息的可信度和精度、服务航速的变化、水动力和空气动力模型的精度、采集数据的质量和数量、航速调整的频率等因素都会影响航速优化的结果。航速优化、纵倾优化的精确度取决于数学模型中使用的速度功率关系曲线。能源监控系统采集船速、功率等数据，应用大数据技术，可以定期更新速度功率曲线，从而提高航速优化和纵倾优化预报的精度。

(1)

式中：Sb为浅水下沉量；h为水深；T为吃水；CB为方形系数；Lpp为垂线间长；B为船宽；V为船速；g为重力加速度。

(2)

式中：RAA为风阻力；ρair为空气密度；CAA为风阻系数；AF为相对风向的面积；Vwind为相对风速。

(3)

式中：wi为风阻因子；αwind为相对风向角；i为风向角编号；N为风向角数目。

3.3 清除污底节点优化

随着运营时间加长，船体和螺旋桨表面形成污底。为减小船体阻力，提高螺旋桨的推进效率，船舶需要定期进坞进行清除污底工作，而大数据技术能为船舶清除污底的时间提供更合理的建议。从运营监测的数据中筛选出船速、主机功率系列数据，按照时间序列进行排序。消除风浪流、水深、海水温度等其他因素对于船舶营运功率的影响，可以进一步分析得到船舶污底与营运时间及航线间的关系，推算出需要坞修清污的时间节点。船舶根据实际污损情况选择进坞，对于提高船舶能效、降低营运成本具有重要意义。

4 数据深层次挖掘

船舶营运中监测的数据不仅有助于提高船舶在运营中的能效、减少排放，也是船型后续改善的有力支撑。营运船舶数据监测包含了海况环境的长期监测，如风、浪、水深等，将这些数据统计分析后可建立航区、航线的海况资料[3]。这些海况资料，作为实时气象预报信息的补充，可应用于船型开发设计、航线优化和航速优化等，是具有珍贵价值的资料。例如：集装箱船的型线设计，通常是在设计吃水条件下进行型线优化以降低船舶阻力，而不考虑其他吃水和纵倾。目前航运企业在集装箱调运时，受市场因素的影响，有时货物多有时货物少，这种装箱量的不平衡导致船舶出港时不一定达到设计吃水，此时运营的经济性就并非最优。如果运营中监测航行数据，得到概率较高的吃水和纵倾，然后在此基础上结合采集的航线航区海况统计数据，以船舶静水阻力和风浪中的阻力增加构成的总阻力为目标，优化船体型线，降低航行阻力，就可使船舶运营的经济性达到最大化。某8万吨级散货船型线优化的4种方案见表1。在监测的航行数据中筛选出概率较高的几组吃水、纵倾、航速和波高、周期、风速数据，然后计算静水阻力、实际海况下的波浪增阻及总阻力和功率油耗。研究结果表明：型线4与原型线相比，载货工况下的有效功率降低7.16%，燃油减少7.29%。