买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种双燃料主机油耗模型构建方法及系统，属于油耗模型构建领域；包括以下步骤：S1:数据获取；S2：数据分类；S3：数据预处理；S4：特征参数提取；S5:K折交叉验证；S6：神经网络模型训练；S7：预测油耗及预测替代燃料消耗；S8：模型性能评估；S9：建立双燃料主机油耗模型。本发明考虑船舶参数、船‑机‑桨匹配关系等物理关系基础，通过实时采集的航行数据构建而成，需要数据量小，根据实时的船舶性能及环境数据而精确预估船舶油耗。

主权项：1.一种双燃料主机油耗模型构建方法，其特征在于，包括以下步骤:S1:数据获取:获取双燃料船舶正常航行工况下的船舶初始营运数据；S2:数据分类:根据双燃料主机的燃油模式指示量将实船营运数据集分为初始燃油模式数据集及初始替代燃料模式数据集；S3:数据预处理:对初始燃油模式数据集及初始替代燃料模式数据集依次进行数据降维、数据清洗、相关性分析及数据标准化；所述数据降维:通过实船营运数据集计算得到:船舶吃水T=；纵倾；其中:TF与TA分别为船舶艏艉吃水数据；主机燃料消耗FOC计算公式为: 其中:Qfin为主机进口燃油消耗；Qfout为主机出口燃油消耗；MF为主机运行模式指示量；Qgin为主机进口替代燃料消耗；所述数据清洗为:将数据降维后的建模数据集，去除重复值、缺失值、异常值，将作为异常值识别的主机油耗上下限，从而识别并剔除主机油耗超限的异常数据，并尽量避免正常数据的大量损失，最终获得数据清洗后的建模数据集； 式中，为主机油耗上下限，为范围参数，为主机输出功率，SFOC为主机燃油消耗率，是通过主机台架试验数据拟合得到的二次多项式函数，从主机制造商处获取主机的SFOC曲线；所述相关性分析:将数据清洗后的建模数据集，通过斯皮尔曼相关性分析进行特征参数提取，得到由航向CS、航速VS、吃水T、纵倾TR、流向DF、流速VF、风向DW、风速VW、有义波高H13、主机燃料消耗FOC组成的特征参数集；所述斯皮尔曼相关性分析的公式为: 式中，为斯皮尔曼等级相关系数，为样本数量，为特征的数据经过降序或升序排列后的位置，为特征的数据经过降序或升序排列后的位置，斯皮尔曼等级相关系数数值范围为[-1,1]，系数为0表示两个特征不相关，正值表示正相关，负值表示负相关，即绝对值越大则相关性越强；所述数据标准化是:将相关性分析后的建模数据集，进行零均值标准化，以提升模型性能，其零均值标准化公式为: 为提取的各个特征参数，其中i=1，2，…n；为特征x的标准差；为样本数量；为特征x的平均值；为特征标准化值；S4:特征参数提取:基于S3的数据预处理后的数据，进行特征参数提取，分别得到初始燃油模式特征参数集、初始替代燃料模式特征数据集；S5:K折交叉验证:基于S4的初始燃油模式特征参数集、初始替代燃料模式特征数据集，进行K折交叉验证，得到测试集和训练集，以提升模型性能；S5-1:将步骤S4获得的初始燃油模式特征参数集、初始替代燃料模式特征数据集分别随机分为K份，将第1份作为验证集，其余K-1份作为训练集；S5-2:将第2份作为验证集，其余K-1作为训练集，重复该步骤，做K次训练和K次验证，通过初始燃油模式特征参数集得到测试集1和训练集1，通过初始替代燃料模式特征数据集得到测试集2和训练集2，通过K折交叉验证，从K折交叉验证结果中选出最优的初始双燃料油耗模型；S6:神经网络模型训练:基于S5的K折交叉验证得到的训练集，进行神经网络模型训练；S6-1:基于初始燃油模式特征参数集、初始替代燃料模式特征数据集，使用K折交叉得到的训练集1和训练集2进行模型训练，分别构建神经网络模型，设置每个神经网络模型输入层为9，代表特征参数集中的航向、航速、吃水、纵倾、流向、流速、风向、风速、有义波高，输出层为主机油耗或替代燃料消耗，隐含层传递函数为sigmoid函数；输出层的激活函数为linear函数，对神经网络进行训练，得到具有初始值的神经网络模型，sigmoid函数为: S7:预测燃油消耗及预测替代燃料消耗:通过S6神经网络模型训练后得到预测燃油消耗和预测替代燃料消耗；S8:模型性能评估:通过K折交叉验证的测试集，基于S5的K折交叉验证得到的测试集1和测试集2，及预测燃油消耗和预测替代燃料消耗进行模型性能评估:定义均方误差损失函数为模型优化目标，使用附加动量的随机梯度下降算法SGD来更新模型参数,其中: 为实际燃料消耗，代表实际燃油消耗或实际替代燃料消耗；为预测燃料消耗，代表预测燃油消耗或预测替代燃料消耗，i=1，2，...n；均方误差函数通过计算预测燃料消耗和实际燃料消耗的平方来衡量模型优劣；即预测燃料消耗和实际燃料消耗越接近，两者的均方差就越小，基于此，得到最优模型；随机梯度下降算法SGD是基于梯度的一种优化算法，用于寻找均方误差损失函数的模型参数配置；随机梯度下降算法SGD通过计算每个样本的梯度来更新参数，并在每次更新中随机选择一个或一批样本；S9:建立双燃料主机油耗模型:从S8模型性能评估得到的最优模型，对最优模型进行实时数据修正，优化模型精度:将实船航行过程中采集的数据作为输入，经过S2~S8数据预处理流程后，不断优化模型精度，建立双燃料主机油耗模型。

全文数据：

权利要求：

百度查询： 大连船舶重工集团有限公司 一种双燃料主机油耗模型构建方法及系统