智能能效管理是智能船舶六大功能模塊之一,大數(shù)據(jù)分析、數(shù)值的分析與優(yōu)化技術(shù)是實(shí)現(xiàn)智能能效管理的重要手段。惡劣、多變的實(shí)船環(huán)境使得部分采集的船舶能效數(shù)據(jù)失真或異常;能效數(shù)據(jù)間的關(guān)系對(duì)智能能效管理與評(píng)估至關(guān)重要。因此,對(duì)實(shí)船能效數(shù)據(jù)的預(yù)處理和數(shù)據(jù)挖掘技術(shù)的研究很有意義,并且船舶長(zhǎng)期積累的海量數(shù)據(jù)為數(shù)據(jù)挖掘提供了可能。首先,本文通過查閱數(shù)據(jù)預(yù)處理與數(shù)據(jù)挖掘的相關(guān)文獻(xiàn),結(jié)合船舶能效的數(shù)據(jù)特點(diǎn),確定使用Python作為研究的主要工具。對(duì)實(shí)船能效數(shù)據(jù)庫(kù)中影響船舶能效的主機(jī)、氣象等參數(shù)進(jìn)行了分析,建立了各參數(shù)的相關(guān)關(guān)系。利用時(shí)間插值對(duì)能效數(shù)據(jù)的時(shí)間間隔進(jìn)行統(tǒng)一,并對(duì)空缺值進(jìn)行處理。然后,根據(jù)能效數(shù)據(jù)的特征,建立基于主成分分析的異常檢測(cè)模型。對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后,將各參數(shù)轉(zhuǎn)化為主成分,并利用拉伊達(dá)準(zhǔn)則對(duì)大于檢測(cè)閾值外的數(shù)據(jù)進(jìn)行剔除。然后,以目標(biāo)船某航次的能效數(shù)據(jù)作為輸入,控制待檢測(cè)數(shù)據(jù)集的參數(shù)個(gè)數(shù),研究了主成分個(gè)數(shù)的選取方式對(duì)檢測(cè)精度的影響。對(duì)目標(biāo)船一年的數(shù)據(jù)(7個(gè)參數(shù))進(jìn)行驗(yàn)證,驗(yàn)證結(jié)果為:平均正確率P=93.95%,召回率 R = 86.68%,F=90.17%,檢測(cè)效果較為理想。表明采用該方法可進(jìn)行數(shù)據(jù)清洗,為接下來的數(shù)據(jù)挖掘提供保障。最后,選取目標(biāo)船某航次數(shù)據(jù),進(jìn)行數(shù)據(jù)挖掘。采用高斯混合模型和EM算法對(duì)其各工況進(jìn)行聚類,得到了各參數(shù)的聚類中心,該聚類中心代表每個(gè)工況的能效狀態(tài)。分析了該船舶某工況的聚類中心在3年內(nèi)逐年的變化規(guī)律,獲得了該工況的能效狀態(tài)變化情況。利用同一航次3個(gè)工況的能效數(shù)據(jù)及其相對(duì)應(yīng)的海況信息,進(jìn)行相關(guān)性分析,得到了 3組相關(guān)系數(shù)矩陣,獲得了每?jī)蓚�(gè)參數(shù)之間相互關(guān)聯(lián)的程度,得到了油耗指標(biāo)與各能效參數(shù)之間的關(guān)系規(guī)律以及海況信息對(duì)船舶能效的影響程度。本文研究對(duì)船舶能效大數(shù)據(jù)的數(shù)據(jù)挖掘具有普適性,得到的各參數(shù)之間關(guān)系規(guī)律對(duì)智能能效管理與評(píng)估、提供輔助決策具有重要意義。
【學(xué)位單位】：大連海事大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：U665.2;TP311.13
【部分圖文】：

圖２．邋２敞水特性曲線示意圖逡逑Ｆｉｇ２．２邋Ｃｕｒｖｅ邋ｄｉａｇｒａｍ邋ｆｏｒ邋ｏｐｅｎ邋ｗａｔｅｒ邋ｃｈａｒａｃｔｅｒｉｓｔｉｃ逡逑的過程中，由于阻力的影響，螺旋槳處的水流會(huì)隨船舶的運(yùn)伴流。在船速相等的情況下，伴流流速愈大，則阻力愈大，發(fā)出更大的功率才能使船舶達(dá)到原先的航速。伴流對(duì)船舶，即：逡逑ｖｓ－ｖｐ邋．邋Ｖｐ逡逑６）＝￣ｉｒ－＾￣Ｖｓ匕為航速，ｍ／ｓ。逡逑Ｖｐ邋＝邋Ｖｓ（＼－ｃｏ）系數(shù)通常使用泰勒公式或者漢克歇爾公式來估算。對(duì)于單漿勒公式逡逑－１０－逡逑

２．３．１數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)的一般步驟逡逑數(shù)據(jù)挖掘是ＫＤＤ中最為重要的環(huán)節(jié)之一，但卻不是這一過程的全部。整個(gè)過程是逡逑包含了如圖２．８所示的一系列的數(shù)據(jù)處理步驟：從數(shù)據(jù)預(yù)處理到數(shù)據(jù)挖掘再到對(duì)結(jié)果的逡逑后處理。逡逑數(shù)據(jù)庫(kù)邋－？數(shù)據(jù)預(yù)處理－？數(shù)據(jù)挖掘－？后處理－？可用信息逡逑圖２．邋８數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)基本步驟逡逑Ｆｉｇ．邋２．８邋Ｔｈｅ邋ｂａｓｉｃ邋ｐｒｏｃｅｓｓ邋ｏｆ邋ＫＤＤ逡逑數(shù)據(jù)預(yù)處理的主要是為了使用合適的方法，將臟數(shù)據(jù)中缺失值、異常值以及大量的逡逑噪聲數(shù)據(jù)進(jìn)行篩選和剔除，最終得到標(biāo)準(zhǔn)、正確和適用的干凈數(shù)據(jù)。除此之外，數(shù)據(jù)集逡逑的格式也將被標(biāo)準(zhǔn)化和標(biāo)簽化，這樣將有利于數(shù)據(jù)的選擇和操作以更好地完成數(shù)據(jù)挖掘逡逑任務(wù)。因此數(shù)據(jù)預(yù)處理是整個(gè)ＫＤＤ過程中最費(fèi)力與最耗時(shí)的一步，其重要性不言而喻逡逑數(shù)據(jù)挖掘這一步驟須根據(jù)數(shù)據(jù)預(yù)處理后得到的干凈數(shù)據(jù)集信息，選擇合適的分析工逡逑具，應(yīng)用統(tǒng)計(jì)方法、事例推理、決策樹、規(guī)則推理、模糊集、甚至神經(jīng)網(wǎng)絡(luò)、遺傳算法逡逑的方法處理信息，得出有用的分析信息。這一步驟中的方法將在下一節(jié)介紹；后處理步逡逑驟是把通過數(shù)據(jù)挖掘技術(shù)得到的知識(shí)結(jié)果轉(zhuǎn)換成可以為人所理解形式的過程

是弱形式異常，這些數(shù)據(jù)對(duì)數(shù)據(jù)的分析造成了干擾［４９］。其存在也是無意義的，通常他們逡逑的產(chǎn)生原因可能為硬件錯(cuò)誤、編碼錯(cuò)誤等。數(shù)據(jù)中的噪聲一般分為兩種，一種是隨機(jī)誤逡逑差，另外一種可能是錯(cuò)誤數(shù)據(jù)。圖３．１以顏色的形式展示了正常數(shù)據(jù)與異常數(shù)據(jù)之間的逡逑關(guān)系，顏色越深代表異常的程度越高。逡逑－２２－逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李光正;宋新剛;徐瑜;;基于“工業(yè)4.0”的智能船舶系統(tǒng)探討[J];船舶工程;2015年11期

2 范愛龍;嚴(yán)新平;尹奇志;孫星;陳前昆;張永波;;船舶主機(jī)能效模型[J];交通運(yùn)輸工程學(xué)報(bào);2015年04期

3 孫星;嚴(yán)新平;尹奇志;陳前昆;;考慮通航環(huán)境要素的內(nèi)河船舶主機(jī)營(yíng)運(yùn)能效模型[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2015年02期

4 祁斌;;智能船舶漸行漸近[J];中國(guó)船檢;2015年01期

5 程學(xué)旗;靳小龍;王元卓;郭嘉豐;張鐵贏;李國(guó)杰;;大數(shù)據(jù)系統(tǒng)和分析技術(shù)綜述[J];軟件學(xué)報(bào);2014年09期

6 甘輝兵;任光;張均東;;基于數(shù)據(jù)挖掘的船舶機(jī)艙監(jiān)控系統(tǒng)[J];中國(guó)造船;2011年04期

7 殷毅;;船舶能效管理呼喚理念升級(jí)[J];中國(guó)船檢;2010年08期

8 席永濤;耿鶴軍;;船舶極地航行及操縱方法探討[J];航海技術(shù);2009年06期

9 楊諸勝;郭雷;羅欣;胡新韜;;一種基于主成分分析的高光譜圖像波段選擇算法[J];微電子學(xué)與計(jì)算機(jī);2006年12期

10 李珩;李育學(xué);馬茂;;主成分分析在柴油機(jī)運(yùn)轉(zhuǎn)狀況描述中的應(yīng)用[J];船海工程;2005年06期

本文編號(hào)：2830146