知海拾贝 | 精读Ocean Engineering系列 | 基于优化模型和数据驱动方法的船舶能效策略

type

status

date

slug

summary

快记

本文作者2024年在能源领域的顶刊Energy上另有一篇文章《Decision support system for ship energy efficiency management based on an optimization model》，该文章中弃用了本文推崇的ANFIS而选用了在本文中被批评的ANN，模型的其他地方没有做改变，依旧是WAVE和MATLAB进行优化，这一点倒是挺有意思的！

摘要

在全球航运业面临国际海事组织（IMO）日益严峻的能效法规（如EEXI, CII）和数字化转型的双重压力下，如何经济且精准地评估并提升船舶的能源效率，已成为业界和学术界共同关注的核心议题。然而，实践中普遍存在一个关键瓶颈：大多数在航船舶并未配置昂贵且全面的性能在线监测系统，导致可用于精细化分析的实时数据维度严重不足。船员日常所依赖的航海日志（Noon Report）虽能提供基础的运行参数，但其深度和广度远不足以支撑主动的能效优化与早期故障诊断。针对这一普遍存在的“数据稀疏性”挑战，本文以一艘集装箱船为研究案例，提出并系统性地验证了一种创新的、结合物理仿真与数据驱动的混合方法学。该方法巧妙地将基于第一性原理的发动机优化仿真模型与数据驱动的自适应神经模糊推理系统（ANFIS）相集成，其核心在于利用仿真模型对船上常规数据进行“扩充”与“深化”，从而为后续的智能分析提供高质量的数据基础。研究结果强有力地证明，该策略能够有效克服数据稀疏性的瓶颈，为航运公司提供一个低成本、高灵敏度的船舶能效监控、控制与改进的数字化工具。

研究方法

本研究构建了一个逻辑严密、层层递进的分析框架，其方法论的核心在于通过经过验证的物理仿真模型来“创造”高价值的分析数据，从而赋能后续的机器学习应用，突破传统数据分析的局限。该框架的整体技术路线遵循一个清晰的四步流程，即数据收集、仿真建模与验证、数据扩充、以及数据驱动分析，构成了一个从数据采集到智能分析的完整闭环。

研究的第一阶段是发动机仿真模型的构建与验证。研究团队采用了业界公认的、善于精确模拟内燃机复杂过程的一维发动机仿真软件Ricardo Wave，为案例船舶的MAN 18V32/44CR型四冲程船用柴油主机建立了一个高保真的数字仿真模型。为确保该模型的科学性与准确性，研究人员使用该船超过一年的实际航海日志数据对模型进行了严格的校准与验证。这一步骤至关重要，是整个方法论可靠性的基石。论文表3中的关键验证结果显示，仿真模型在100%满负荷工况下对制动比燃油耗（BSFC）的预测误差仅为3.60%，完全处于制造商通常声明的5%公差范围之内，这充分证明了仿真模型具有足够高的保真度，其输出结果是可信的。

接下来的数据扩充环节，是本研究方法论中最具创新性的核心步骤。研究者将真实的航海日志数据（如不同工况下的主机转速和燃油消耗率）作为已验证仿真模型的输入，利用模型的物理引擎进行运算。这一过程成功地衍生出了一系列常规手段难以获取、但对深刻理解发动机性能至关重要的参数，主要包括容积效率（Volumetric Efficiency）、扫气比（Scavenging Ratio）和制动平均有效压力（BMEP）。这些参数能够更直接地反映发动机的燃烧效率与气体交换过程的质量。通过将这些高价值的衍生参数与原始航海日志数据进行合并，研究人员构建了一个信息维度更丰富、分析价值更高的多维综合数据集。

研究的最后阶段是数据驱动的建模与分析。研究者选用了自适应神经模糊推理系统（ANFIS）作为核心分析工具，该模型是一种基于Sugeno型模糊推理系统的混合智能系统，它将神经网络的自适应学习能力与模糊逻辑处理不确定性信息的能力有机结合。建模的核心任务是利用扩充后的数据集，训练ANFIS模型以精准预测发动机的制动功率（Brake Power）。为了探寻最优的模型结构，研究对ANFIS的关键超参数——隶属函数（Membership Function, MF）的数量进行了系统性测试，并采用决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）等多种指标对模型的性能进行全面、客观的定量评估。

结论

本研究通过严谨的实验设计与数据分析，得出了一系列具有重要理论与实践价值的结论。

首先，研究结果强有力地证实了所提出的“物理仿真+数据驱动”混合策略的有效性。该策略成功地解决了船舶能效分析中因传感器数据不足而导致的数据稀疏性问题，证明了通过物理模型进行数据扩充是一种科学、可行的途径。

其次，数据驱动的ANFIS模型在预测发动机性能方面表现出卓越的精度。论文表5的结果显示，所有经过测试的模型配置，其决定系数（R²）均高于0.999，这表明模型几乎完美地学习并复现了发动机各运行参数与输出功率之间的复杂非线性关系。在对不同配置进行细致比较后，研究确定拥有3个隶属函数（3 MF）的ANFIS模型为本次分析中的最佳模型，因为它在预测精度（低RMSE和MAE）与模型的稳定性之间取得了最优的平衡。

最终，本研究的意义在于，它为航运业提供了一种极具成本效益的能效监控与早期预警新范式。该策略无需任何额外的硬件投资，仅依赖船上现有的常规数据即可实施，这对于广大航运公司而言具有极强的吸引力和可操作性。通过持续监控预测功率与实际情况的偏差，船员能够及时发现发动机潜在的性能衰退或故障，从而实现预防性维护，保障船舶高效、安全运行。从更宏观的视角看，本研究是船舶数字孪生（Digital Twin）理念在真实工程问题中一次成功的、可落地的应用示范，为航运业的智能化、数字化转型提供了宝贵的思路和技术参考。

文中图表系统梳理

本文的图表设计逻辑严密，系统性地支撑并可视化了从研究方法构建到核心结果验证的全过程，是理解本研究精髓不可或缺的重要组成部分。

研究框架与方法论的可视化是本文图表的一大特色。图2 (Methodology of the analysis)作为理解本文宏观研究设计的“地图”，以简洁的流程图形式串联起了从数据采集到智能分析的四个核心环节，清晰地展示了本研究独创的混合方法论的技术路线。

而表3 (Percentage error values for some engine parameters)则是支撑整个方法论可靠性的“基石”，它通过定量列出1D仿真模型在关键指标上的低误差，强有力地证明了作为数据扩充工具的仿真模型是准确可信的，为后续所有分析的有效性提供了坚实的前置保障。

数据内在关系与模型性能的展示则构成了图表的核心内容。图3 (Correlations values between parameters)通过热力图的形式，为后续的建模选择提供了数据层面的理论依据，它直观地显示了绝大多数输入变量与目标输出之间存在极强的线性相关性。

而图4 (Estimation results of ANFIS models)与表5 (Evaluation results of the developed ANFIS models)则共同构成了展示研究核心成果的关键证据。图4通过预测值与真实值的对比，生动地展示了不同模型的高度拟合情况。

表5则从定量的角度，精确地列出了各模型的性能指标，为筛选出最佳模型提供了直接、客观的决策依据。二者图表结合，全面而深入地论证了该数据驱动模型的科学性与有效性。

关于参数拓展和校准的补充

作者实际上通过以下方式进行参数拓展和校准：

首先收集某集装箱船超过 1 年的正午报告（noon report）数据（含燃油消耗率、发动机转速等），以此为基础，利用 Ricardo Wave 构建 1D 发动机仿真模型，将正午报告数据输入模型，推导出容积效率、扫气比、制动平均有效压力（BMEP）、制动功率等实船难以直接测量的关键参数，实现数据集的拓展；

同时，在 Matlab/Simulink 环境中耦合非线性约束优化器对模型进行校准，通过实船数据验证不同负荷下的参数误差（如制动油耗率 BSFC 在 100% 负荷时误差为 3.60%，低于制造商允许的 5% tolerance），确保模型输出与实际运行状态一致。