王壯　李嘉源　黃連忠　王凱　姜雅喬　馬冉祺

摘要：為實現(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K均值聚類算法的船舶通航環(huán)境類別知識庫，設(shè)計相關(guān)系數(shù)加權(quán)的K近鄰算法，實現(xiàn)船舶通航環(huán)境的智能識別。實例分析結(jié)果表明，此基于改進K近鄰算法的智能識別方法的識別準確率可達97.25%，相對于未改進的K近鄰算法，準確率提高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

文獻標志碼：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，在燃油價格高居不下[1]、水運能源消耗量大、船舶排放對環(huán)境造成污染的背景下[2-4]，節(jié)能減排一直是航運領(lǐng)域的熱點話題。當船舶在水面航行時，風、浪、流等通航環(huán)境要素會對船舶運行狀態(tài)產(chǎn)生影響，通航環(huán)境能夠引起船舶的附加阻力，如風阻、波浪增阻等，從而使得船舶的總阻力增加，進而影響船舶的航行和能效水平。IMO對某型船的研究表明，船舶推進力中有三分之一左右用于克服由興波、水流和風速等環(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)境對船舶能效進行了優(yōu)化;YAN等[10]考慮通航環(huán)境對內(nèi)河船舶航速進行了優(yōu)化。船舶航行環(huán)境的特殊性和復雜性也會對船舶動力系統(tǒng)的工況和運行狀態(tài)產(chǎn)生一定的影響，進而影響船舶動力系統(tǒng)的能耗水平。例如，當船舶在順水中航行時，因水流方向與船舶前進方向相同，螺旋槳的對水速度有所下降，使螺旋槳的特性曲線左移，主機運行工況點發(fā)生改變，功率和轉(zhuǎn)速均有所下降。[11]綜上所述，通航環(huán)境會影響船舶航行或動力系統(tǒng)，進而影響船舶能效水平。在基于通航環(huán)境對航速進行分段優(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K近鄰算法，可實現(xiàn)通航環(huán)境的精準識別，為實現(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、浪、流的變化會影響船舶的總阻力變化，進而影響主機功率和燃油消耗率的變化。通航環(huán)境的變化也會影響航行時間和航線的選擇[12]。為實現(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)用智能識別算法實現(xiàn)。本文從船舶通航環(huán)境入手，設(shè)計船舶通航環(huán)境智能識別方法。該方法實現(xiàn)過程如圖1所示，主要包括以下幾個步驟：

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，通過改進的K均值聚類算法實現(xiàn)。

步驟5 對新通航環(huán)境進行智能識別，通過改進的K近鄰算法實現(xiàn)。

對于定航線的船舶，在航程和航行時間一定的情況下，依據(jù)不同的通航環(huán)境將航線劃分為航段進而優(yōu)化航速是提高船舶經(jīng)濟性的一種有效手段。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)報可以實現(xiàn)航段的動態(tài)劃分，實現(xiàn)航速的動態(tài)優(yōu)化，使整個航次的油耗降低。

2 實船數(shù)據(jù)采集與處理

2.1 目標船數(shù)據(jù)采集

為實現(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)主要包括風速、風向、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船“宇中海”號船（圖2）實現(xiàn)?！坝钪泻！碧柎闹饕獏?shù)見表1。

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

2.2 數(shù)據(jù)處理

通過GPS定位儀獲得目標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文件并通過編輯時空插值程序獲得目標船航線上絕對風速、絕對風向、特征波高數(shù)據(jù);通過計程儀采集船舶對水航速以及船舶對地航速和航向進行矢量計算，得到洋流流速、流向數(shù)據(jù);通過燃油流量計采集流量數(shù)據(jù)，計算得到主機油耗率數(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)，部分數(shù)據(jù)見表2。

3 基于改進K均值算法的通航環(huán)境類別知識庫

3.1 改進K均值算法

K均值算法是一種無監(jiān)督學習算法，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現(xiàn)對數(shù)據(jù)的聚類，并能夠找出各個類別的聚類中心，但是不同的通航環(huán)境特征屬性（風速、風向、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收入又與航速密切相關(guān)[13]。因此，為增強聚類后同一簇間數(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，在計算樣本特征屬性數(shù)據(jù)與聚類中心的距離時，本文引入權(quán)重系數(shù)

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

步驟1 利用式（1）計算船舶通航環(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)的計算公式為

步驟5 根據(jù)式（4）計算得到樣本數(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，即數(shù)據(jù)對象;mi是ci的平均值。按照這個準則生成的結(jié)果簇趨向于獨立和緊湊[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。

為驗證改進算法的效果，對改進前后的算法進行對比分析，采用未改進的K均值聚類算法和改進的K均值聚類算法對風速、風向、特征波高聚類，聚類后的對比散點圖見圖5。改進K均值聚類算法前，聚類散點比較集中，這是因為在改進前樣本的特征屬性權(quán)重相同，即風速、風向、特征波高對航速的影響相同，而實際上風速、風向、特征波高對航速的影響不同。改進K均值聚類算法后，聚類散點分布稍有分散，這是因為改進后樣本的特征屬性權(quán)重不同，即風速、風向、特征波高對航速的影響不同，與實際相符。

3.2 建立通航環(huán)境類別知識庫

利用上述改

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

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

此外，通過上述方法獲得各個聚類類別的數(shù)量，見表4。各個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)星定時接收航線上的通航環(huán)境預(yù)報數(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K近鄰算法

由于在建

立通航環(huán)境類別知識庫時，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)。如果利用未改進的K近鄰算法進行識別，則每個通航環(huán)境特征屬性對航速的影響權(quán)重是相同的，會使算法識別不準確。為提高算法的準確性，本文引入權(quán)重系數(shù)ωl對K近鄰算法進行改進。ωl的計算方法與上文改進K均值聚類算法時所用的公式是一樣的，即ωl=ωa。改進K近鄰算法的步驟如下：

步驟1 構(gòu)建訓練樣本集

[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，需要反復試驗才能獲得。

步驟3 在訓練樣本集中選出與測試樣本最近的k個樣本。樣本點

4.2 K近鄰算法改進前后智能識別對比驗證

改進K近鄰算法中的K是一個非常重要的參數(shù)，K值選得過小會使分類不精確，選得過大則會增加噪聲，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)過反復地選取K值，統(tǒng)計識別錯誤樣本的數(shù)量，得到K取337時分類識別效果良好。圖7為K取337時的測試結(jié)果：采用未改進的K近鄰算法識別錯誤的測試樣本組數(shù)為338組，識別準確的測試樣本組數(shù)為2 862組，識別準確率為89.44%;采用改進的K近鄰算法識別錯誤的測試樣本組數(shù)為88組，識別準確的測試樣本組數(shù)為3 112組，識別準確率為97.25%。通過對比得知，對K近鄰算法改進后其通航環(huán)境智能識別的準確率提高了7.81%，從而驗證了改進的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，圖中每個航段Wi的通航環(huán)境是相似的。

5 結(jié) 論

本文基于實船數(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)

計了K均值聚類算法的改進方法。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均值聚類算法進行了改進。最后，設(shè)計了K近鄰算法的改進方法。由于在實現(xiàn)通航環(huán)境智能識別時將通航環(huán)境類別知識庫作為訓練樣本，為提高識別準確率，針對未改進的K近鄰算法對每個特征屬性權(quán)重相同的問題，引入權(quán)重系數(shù)ωl對K近鄰算法進行了改進。用改進的K近鄰算法對3 200組測試樣本進行識別，準確率達到97.25%，比改進前K近鄰算法的識別準確率提高了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：

[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]. 華中科技大學學報（自然科學版）， 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， 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輸船設(shè)計研究[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)濟性的營運船舶定航線航速優(yōu)化[D]. 哈爾濱： 哈爾濱工程大學， 2017.

[14]劉伊凡. 營運船舶主機性能退化和健康管理方法研究[D]. 大連： 大連海事大學， 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， 2009.

（編輯 賈裙平）

收稿日期： 2020-01-06

修回日期： 2020-03-20

基金項目：

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

作者簡介：

王壯（1992—），男，河北保定人，碩士研究生，研究方向為現(xiàn)代輪機管理，（E-mail）2410232911@qq.com;

李嘉源（1996—），男，吉林白山市，碩士研究生，研究方向為現(xiàn)代輪機管理，（E-mail）lijiayuan0320@163.com;

黃連忠（1969—），男，遼寧大連人，教授，碩導，博士，研究方向為船舶智能能效，（E-mail）lzhuang@dlmu.edu.cn