王壯　李嘉源　黃連忠　王凱　姜雅喬　馬冉祺

摘要：為實(shí)現(xiàn)船舶能效的智能優(yōu)化，從船舶通航環(huán)境出發(fā)，研究船舶通航環(huán)境的智能識別方法。基于所獲得的船舶通航環(huán)境大數(shù)據(jù)，建立基于改進(jìn)K均值聚類算法的船舶通航環(huán)境類別知識庫，設(shè)計(jì)相關(guān)系數(shù)加權(quán)的K近鄰算法，實(shí)現(xiàn)船舶通航環(huán)境的智能識別。實(shí)例分析結(jié)果表明，此基于改進(jìn)K近鄰算法的智能識別方法的識別準(zhǔn)確率可達(dá)97.25%，相對于未改進(jìn)的K近鄰算法，準(zhǔn)確率提高7.81%。所提出的智能識別方法可為基于通航環(huán)境智能識別的船舶分段航速智能優(yōu)化方法的研究奠定基礎(chǔ)。

關(guān)鍵詞：通航環(huán)境; K均值聚類; K近鄰算法; 智能識別

中圖分類號：? U676.3

文獻(xiàn)標(biāo)志碼：A

Intelligent identification of ship navigation environment

based on improved K-nearest neighbor algorithm

WANG Zhuang， LI Jiayuan， HUANG Lianzhong， WANG Kai，

JIANG Yaqiao， MA Ranqi

（Marine Engineering College， Dalian Maritime University， Dalian 116026， Liaoning， China）

Abstract：

In order to realize the intelligent optimization of ship energy efficiency， starting from the ship navigation environment， the intelligent identification method of the ship navigation environment is studied. Based on the obtained ship navigation environment big data， a knowledge base of ship navigation environment categories based on the improved K-means clustering algorithm is established， and a K-nearest neighbor algorithm weighted by correlation coefficients is designed to realize the intelligent identification of ship navigation environment. The example analysis results show that， the identification accuracy of the intelligent recognition method based on the improved K-nearest neighbor algorithm can reach 97.25%， which can increase the accuracy rate by 7.81% compared with the unimproved K-nearest neighbor algorithm. The proposed intelligent identification method can lay the foundation for the research on the intelligent optimization method of ship segmentation speed based on the intelligent identification of navigation environment.

Key words：

navigation environment; K-means clustering; K-nearest neighbor algorithm; intelligent identification

0 引 言

船舶在航行期間所處的通航環(huán)境對船舶能效有重要影響，在燃油價(jià)格高居不下[1]、水運(yùn)能源消耗量大、船舶排放對環(huán)境造成污染的背景下[2-4]，節(jié)能減排一直是航運(yùn)領(lǐng)域的熱點(diǎn)話題。當(dāng)船舶在水面航行時(shí)，風(fēng)、浪、流等通航環(huán)境要素會(huì)對船舶運(yùn)行狀態(tài)產(chǎn)生影響，通航環(huán)境能夠引起船舶的附加阻力，如風(fēng)阻、波浪增阻等，從而使得船舶的總阻力增加，進(jìn)而影響船舶的航行和能效水平。IMO對某型船的研究表明，船舶推進(jìn)力中有三分之一左右用于克服由興波、水流和風(fēng)速等環(huán)境因素引起的增阻[5]。在通航環(huán)境研究方面：張寶吉[6]和KURODA等[7]提出了船舶波浪增阻的簡化算法;王典[8]通過在非結(jié)構(gòu)網(wǎng)格上模擬由水和空氣構(gòu)成的自由界面問題，對水面波浪進(jìn)行數(shù)值模擬，并分析了其對船舶航行的影響;WANG等[9]考慮多變的通航環(huán)境對船舶能效進(jìn)行了優(yōu)化;YAN等[10]考慮通航環(huán)境對內(nèi)河船舶航速進(jìn)行了優(yōu)化。船舶航行環(huán)境的特殊性和復(fù)雜性也會(huì)對船舶動(dòng)力系統(tǒng)的工況和運(yùn)行狀態(tài)產(chǎn)生一定的影響，進(jìn)而影響船舶動(dòng)力系統(tǒng)的能耗水平。例如，當(dāng)船舶在順?biāo)泻叫袝r(shí)，因水流方向與船舶前進(jìn)方向相同，螺旋槳的對水速度有所下降，使螺旋槳的特性曲線左移，主機(jī)運(yùn)行工況點(diǎn)發(fā)生改變，功率和轉(zhuǎn)速均有所下降。[11]綜上所述，通航環(huán)境會(huì)影響船舶航行或動(dòng)力系統(tǒng)，進(jìn)而影響船舶能效水平。在基于通航環(huán)境對航速進(jìn)行分段優(yōu)化的研究中，將航線智能分為通航環(huán)境近似的航段是實(shí)現(xiàn)有效航速優(yōu)化的關(guān)鍵，然而目前尚缺少對通航環(huán)境智能識別方法的研究。本文提出一種通航環(huán)境智能識別方法，通過改進(jìn)K近鄰算法，可實(shí)現(xiàn)通航環(huán)境的精準(zhǔn)識別，為實(shí)現(xiàn)船舶航線智能分段提供依據(jù)。

1 通航環(huán)境智能識別方法及意義

風(fēng)、浪、流的變化會(huì)影響船舶的總阻力變化，進(jìn)而影響主機(jī)功率和燃油消耗率的變化。通航環(huán)境的變化也會(huì)影響航行時(shí)間和航線的選擇[12]。為實(shí)現(xiàn)船舶通航環(huán)境的智能識別，需要先收集通航環(huán)境數(shù)據(jù)，再應(yīng)用智能識別算法實(shí)現(xiàn)。本文從船舶通航環(huán)境入手，設(shè)計(jì)船舶通航環(huán)境智能識別方法。該方法實(shí)現(xiàn)過程如圖1所示，主要包括以下幾個(gè)步驟：

步驟1 獲取船端數(shù)據(jù)，通過船上的數(shù)據(jù)采集設(shè)備采集船端數(shù)據(jù)并通過海事衛(wèi)星將數(shù)據(jù)傳到岸端。

步驟2 獲取氣象數(shù)據(jù)，通過歐洲氣象中心網(wǎng)站下載航線上的氣象數(shù)據(jù)。

步驟3 建立通航環(huán)境數(shù)據(jù)庫，將船端數(shù)據(jù)和氣象數(shù)據(jù)按時(shí)間序列整合在一起。

步驟4 收集數(shù)據(jù)并建立通航環(huán)境類別知識庫，通過改進(jìn)的K均值聚類算法實(shí)現(xiàn)。

步驟5 對新通航環(huán)境進(jìn)行智能識別，通過改進(jìn)的K近鄰算法實(shí)現(xiàn)。

對于定航線的船舶，在航程和航行時(shí)間一定的情況下，依據(jù)不同的通航環(huán)境將航線劃分為航段進(jìn)而優(yōu)化航速是提高船舶經(jīng)濟(jì)性的一種有效手段。通航環(huán)境的智能識別可以為航段劃分提供依據(jù)，并且根據(jù)通航環(huán)境預(yù)報(bào)可以實(shí)現(xiàn)航段的動(dòng)態(tài)劃分，實(shí)現(xiàn)航速的動(dòng)態(tài)優(yōu)化，使整個(gè)航次的油耗降低。

2 實(shí)船數(shù)據(jù)采集與處理

2.1 目標(biāo)船數(shù)據(jù)采集

為實(shí)現(xiàn)通航環(huán)境的智能識別，需要采集船舶通航環(huán)境和能效數(shù)據(jù)并建立數(shù)據(jù)庫。所采集的參數(shù)主要包括風(fēng)速、風(fēng)向、流速、流向、特征波高、航速、燃油消耗量等，這些數(shù)據(jù)的采集主要基于目標(biāo)船“宇中?！碧柎▓D2）實(shí)現(xiàn)。“宇中?！碧柎闹饕獏?shù)見表1。

實(shí)船數(shù)據(jù)采集設(shè)備包括GPS定位儀、計(jì)程儀和燃油流量計(jì)，見圖3。

2.2 數(shù)據(jù)處理

通過GPS定位儀獲得目標(biāo)船定速航行航線上的經(jīng)度、緯度、船舶對地航速、航向數(shù)據(jù);通過歐洲氣象中心下載NC文件并通過編輯時(shí)空插值程序獲得目標(biāo)船航線上絕對風(fēng)速、絕對風(fēng)向、特征波高數(shù)據(jù);通過計(jì)程儀采集船舶對水航速以及船舶對地航速和航向進(jìn)行矢量計(jì)算，得到洋流流速、流向數(shù)據(jù);通過燃油流量計(jì)采集流量數(shù)據(jù)，計(jì)算得到主機(jī)油耗率數(shù)據(jù);最后剔除異常值，建立通航環(huán)境數(shù)據(jù)庫。通航環(huán)境數(shù)據(jù)庫總共有24 814組數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表2。

3 基于改進(jìn)K均值算法的通航環(huán)境類別知識庫

3.1 改進(jìn)K均值算法

K均值算法是一種無監(jiān)督學(xué)習(xí)算法，采用該算法能夠在大量的樣本數(shù)據(jù)中發(fā)現(xiàn)內(nèi)部潛在的類別。K均值算法雖然可以實(shí)現(xiàn)對數(shù)據(jù)的聚類，并能夠找出各個(gè)類別的聚類中心，但是不同的通航環(huán)境特征屬性（風(fēng)速、風(fēng)向、流速、流向、特征波高等）對船舶航速的影響是不同的，船舶的燃油消耗量和營運(yùn)收入又與航速密切相關(guān)[13]。因此，為增強(qiáng)聚類后同一簇間數(shù)據(jù)的相關(guān)性，得到良好的聚類效果，縮小數(shù)據(jù)間的差異，在計(jì)算樣本特征屬性數(shù)據(jù)與聚類中心的距離時(shí)，本文引入權(quán)重系數(shù)

ωa（a代表樣本特征屬性，即風(fēng)速、風(fēng)向、流速、流向、特征波高等）改進(jìn)K均值聚類算法，其主要步驟如下：

步驟1 利用式（1）計(jì)算船舶通航環(huán)境數(shù)據(jù)及航速和油耗率數(shù)據(jù)的相關(guān)性系數(shù)[14]。

式中：cov（X，Y）是X和Y的協(xié)方差;var（X）和var（Y）分別為X和Y的方差。通過計(jì)算得到船舶通航環(huán)境數(shù)據(jù)及航速和油耗率數(shù)據(jù)的相關(guān)性系數(shù)矩陣圖，見圖4。

步驟2 計(jì)算權(quán)重系數(shù)。根據(jù)圖4第一行可知通航環(huán)境特征屬性與航速的相關(guān)系

數(shù)分別為：r1=-0.52，r2=-0.29，r3=-0.31，r4=-0.25，r5=-0.22，則權(quán)重系數(shù)的計(jì)算公式為

步驟5 根據(jù)式（4）計(jì)算得到樣本數(shù)據(jù)聚類后類別ci，直到式（5）收斂并得到聚類中心。

步驟6 驗(yàn)證函數(shù)是否收斂，收斂公式為

式中：J代表所有研究對象的平方誤差總和;p為空間中的點(diǎn)，即數(shù)據(jù)對象;mi是ci的平均值。按照這個(gè)準(zhǔn)則生成的結(jié)果簇趨向于獨(dú)立和緊湊[15]。

步驟7 若函數(shù)不收斂，則根據(jù)式（6）更新聚類中心，得到新的聚類中心

，并轉(zhuǎn)到步驟4，直到J的值不再發(fā)生變化。

為驗(yàn)證改進(jìn)算法的效果，對改進(jìn)前后的算法進(jìn)行對比分析，采用未改進(jìn)的K均值聚類算法和改進(jìn)的K均值聚類算法對風(fēng)速、風(fēng)向、特征波高聚類，聚類后的對比散點(diǎn)圖見圖5。改進(jìn)K均值聚類算法前，聚類散點(diǎn)比較集中，這是因?yàn)樵诟倪M(jìn)前樣本的特征屬性權(quán)重相同，即風(fēng)速、風(fēng)向、特征波高對航速的影響相同，而實(shí)際上風(fēng)速、風(fēng)向、特征波高對航速的影響不同。改進(jìn)K均值聚類算法后，聚類散點(diǎn)分布稍有分散，這是因?yàn)楦倪M(jìn)后樣本的特征屬性權(quán)重不同，即風(fēng)速、風(fēng)向、特征波高對航速的影響不同，與實(shí)際相符。

3.2 建立通航環(huán)境類別知識庫

利用上述改

進(jìn)K均值聚類算法步驟對通航環(huán)境5維數(shù)據(jù)進(jìn)行聚類。選取K值為16，算法經(jīng)過56次迭代后收斂，最后得到每個(gè)樣本的類別及其聚類中心。表3就是利用改進(jìn)的K均值聚類算法建立

的通航環(huán)境類別知識庫。通航環(huán)境類別知識庫在驗(yàn)證船舶通航環(huán)境智能識別準(zhǔn)確率時(shí)作為訓(xùn)練樣本數(shù)據(jù)，為下文基于改進(jìn)K近鄰算法的通航環(huán)境智能識別對比驗(yàn)證奠定基礎(chǔ)。

此外，通過上述方法獲得各個(gè)聚類類別的數(shù)量，見表4。各個(gè)類別分布相對比較均勻，沒有出現(xiàn)某一類的數(shù)量極多或某一類的數(shù)量極少的情況，這說明在經(jīng)過選取和處理后，異常的數(shù)據(jù)已經(jīng)被完全剔除，所建立的通航環(huán)境類別知識庫是合理的。

4 基于改進(jìn)K近鄰算法的通航環(huán)境智能識別

船舶在航行過程中，通過海事衛(wèi)星定時(shí)接收航線上的通航環(huán)境預(yù)報(bào)數(shù)據(jù)，然后根據(jù)智能識別算法識別航線上的通航環(huán)境類別。圖6為船舶航行中的通航環(huán)境智能識別流程。

4.1 改進(jìn)K近鄰算法

由于在建

立通航環(huán)境類別知識庫時(shí)，需要考慮通航環(huán)境與航速的相關(guān)性，通航環(huán)境智能識別需要將通航環(huán)境類別知識庫作為識別的樣本數(shù)據(jù)。如果利用未改進(jìn)的K近鄰算法進(jìn)行識別，則每個(gè)通航環(huán)境特征屬性對航速的影響權(quán)重是相同的，會(huì)使算法識別不準(zhǔn)確。為提高算法的準(zhǔn)確性，本文引入權(quán)重系數(shù)ωl對K近鄰算法進(jìn)行改進(jìn)。ωl的計(jì)算方法與上文改進(jìn)K均值聚類算法時(shí)所用的公式是一樣的，即ωl=ωa。改進(jìn)K近鄰算法的步驟如下：

步驟1 構(gòu)建訓(xùn)練樣本集

[WTHX]X[WTBX]。

步驟2 設(shè)定K的初值。K值的確定沒有統(tǒng)一的方法，需要反復(fù)試驗(yàn)才能獲得。

步驟3 在訓(xùn)練樣本集中選出與測試樣本最近的k個(gè)樣本。樣本點(diǎn)

4.2 K近鄰算法改進(jìn)前后智能識別對比驗(yàn)證

改進(jìn)K近鄰算法中的K是一個(gè)非常重要的參數(shù)，K值選得過小會(huì)使分類不精確，選得過大則會(huì)增加噪聲，降低分類效果。選取通航環(huán)境類別知識庫，共16類24 814組數(shù)據(jù)作為訓(xùn)練樣本;每類數(shù)據(jù)選取200組，共有3 200組數(shù)據(jù)作為測試樣本。經(jīng)過反復(fù)地選取K值，統(tǒng)計(jì)識別錯(cuò)誤樣本的數(shù)量，得到K取337時(shí)分類識別效果良好。圖7為K取337時(shí)的測試結(jié)果：采用未改進(jìn)的K近鄰算法識別錯(cuò)誤的測試樣本組數(shù)為338組，識別準(zhǔn)確的測試樣本組數(shù)為2 862組，識別準(zhǔn)確率為89.44%;采用改進(jìn)的K近鄰算法識別錯(cuò)誤的測試樣本組數(shù)為88組，識別準(zhǔn)確的測試樣本組數(shù)為3 112組，識別準(zhǔn)確率為97.25%。通過對比得知，對K近鄰算法改進(jìn)后其通航環(huán)境智能識別的準(zhǔn)確率提高了7.81%，從而驗(yàn)證了改進(jìn)的K近鄰算法具有良好的智能識別效果。

4.3 通航環(huán)境智能識別應(yīng)用

圖8是船舶在定速航行狀態(tài)下，應(yīng)用通航環(huán)境智能識別算法對航線智能分段的示意圖，圖中每個(gè)航段Wi的通航環(huán)境是相似的。

5 結(jié) 論

本文基于實(shí)船數(shù)據(jù)，首先構(gòu)建了數(shù)據(jù)獲取的渠道。船端數(shù)據(jù)通過實(shí)船數(shù)據(jù)傳感器采集獲取，氣象數(shù)據(jù)從歐洲氣象中心網(wǎng)站下載獲取。其次，設(shè)

計(jì)了K均值聚類算法的改進(jìn)方法。由于船舶不同的通航環(huán)境特征屬性對航速的影響不同，加入權(quán)重系數(shù)后更能體現(xiàn)通航環(huán)境對航速的影響作用，本文引入權(quán)重系數(shù)ωa對K均值聚類算法進(jìn)行了改進(jìn)。最后，設(shè)計(jì)了K近鄰算法的改進(jìn)方法。由于在實(shí)現(xiàn)通航環(huán)境智能識別時(shí)將通航環(huán)境類別知識庫作為訓(xùn)練樣本，為提高識別準(zhǔn)確率，針對未改進(jìn)的K近鄰算法對每個(gè)特征屬性權(quán)重相同的問題，引入權(quán)重系數(shù)ωl對K近鄰算法進(jìn)行了改進(jìn)。用改進(jìn)的K近鄰算法對3 200組測試樣本進(jìn)行識別，準(zhǔn)確率達(dá)到97.25%，比改進(jìn)前K近鄰算法的識別準(zhǔn)確率提高了7.81%。本文提出的通航環(huán)境智能識別方法，可以為基于通航環(huán)境智能識別的船舶航線智能分段優(yōu)化方法的研究奠定基礎(chǔ)。

參考文獻(xiàn)：

[1]GARCA-MARTOS C， RODRGUEZ J ， SNCHEZ M J. Modelling and forecasting fossil fuels， CO2 and electricity prices and their volatilities[J]. Applied Energy， 2013， 101： 363-375. DOI： 10.1016/j.apenergy.2012.03.046.

[2]WAN Zheng， ZHU Mo， CHEN Shun， et al. Pollution： three steps to a green shipping industry[J]. Nature， 2016， 530（7590）： 275-277. DOI： 10.1038/530275a.

[3]DOULGERIS G， KORAKIANITIS T， PILIDIS P， et al. Techno-economic and environmental risk analysis for advanced marine propulsion systems[J]. Applied Energy， 2012， 99： 1-12. DOI： 10.1016/j.apenergy.2012.04.026.

[4]WALSH C， BOWS A . Size matters： exploring the importance of vessel characteristics to inform estimates of shipping emissions[J]. Applied Energy， 2012， 98： 128-137. DOI： 10.1016/j.apenergy.2012.03.015.

[5]Marine Environment Protection Committee. Prevention of air pollution from ships[R]//Second IMO Greenhouse Gas Study 2009. MEPC， 2009： 17.

[6]張寶吉. 基于靜水阻力和波浪增阻的全船線型優(yōu)化[J]. 華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2011， 39（10）： 32-35. DOI： 10.13245/j.hust.2011.10.024.

[7]KURODA M， TSUJIMOTO M， FUJIWARA T， et al. Investigation on components of added resistance in short waves[J]. Journal of Marine Science and Technology， 2008， 8： 171. DOI： 10.2534/jjasnaoe.8.171.

[8]王典. 數(shù)值模擬水面波浪及其對航行環(huán)境的影響[D]. 南京： 南京航空航天大學(xué)， 2009.

[9]WANG Kai， YAN Xinping， YUAN Yupeng， et al. Dynamic optimization of ship energy efficiency considering time-varying environmental factors[J]. Transportation Research Part D， 2018， 62： 685-698. DOI： 10.1016/j.trd.2018.04.005.

[10]YAN Xinping， WANG Kai， YUAN Yupeng， et al. Energy efficient shipping： an application of big data analysis in engine speed optimization of inland river ships considering multiple environmental factors[J]. Ocean Engineering， 2018， 169： 457-468. DOI： 10.1016/j.oceaneng.2018.08.050.

[11]龔昌奇， 陳賓康， 黃敏. 淺吃水肥大型重件運(yùn)輸船設(shè)計(jì)研究[J]. 船舶工程， 2009， 31（4）： 1-3. DOI： 10.13788/j.cnki.cbgc.2009.04.005.

[12]KONTOVAS C A. The green ship routing and scheduling problem （GSRSP）： a conceptual approach[J]. Transportation Research Part D， 2014， 31： 61-69. DOI：10.1016/j.trd.2014.05.014.

[13]趙乾博. 考慮油耗及經(jīng)濟(jì)性的營運(yùn)船舶定航線航速優(yōu)化[D]. 哈爾濱： 哈爾濱工程大學(xué)， 2017.

[14]劉伊凡. 營運(yùn)船舶主機(jī)性能退化和健康管理方法研究[D]. 大連： 大連海事大學(xué)， 2018.

[15]楊善林， 李永森， 胡笑旋， 等. K-means算法中的k值優(yōu)化問題研究[J]. 系統(tǒng)工程理論與實(shí)踐， 2006（2）： 97-101.

[16]桑應(yīng)賓. 基于K近鄰的分類算法研究[D]. 重慶： 重慶大學(xué)， 2009.

（編輯 賈裙平）

收稿日期： 2020-01-06

修回日期： 2020-03-20

基金項(xiàng)目：

國家自然科學(xué)基金（51909020）;中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金（3132019194）;無人船協(xié)同創(chuàng)新研究院種子基金（3132019009）;遼寧省自然科學(xué)基金（2019-BS-023）; 長江航道局科技項(xiàng)目（201930004）

作者簡介：

王壯（1992—），男，河北保定人，碩士研究生，研究方向?yàn)楝F(xiàn)代輪機(jī)管理，（E-mail）2410232911@qq.com;

李嘉源（1996—），男，吉林白山市，碩士研究生，研究方向?yàn)楝F(xiàn)代輪機(jī)管理，（E-mail）lijiayuan0320@163.com;

黃連忠（1969—），男，遼寧大連人，教授，碩導(dǎo)，博士，研究方向?yàn)榇爸悄苣苄?，（E-mail）lzhuang@dlmu.edu.cn