基于物聯網船舶運行調度及燃油監控的應用研究

摘 要：在船舶航運、海上生產、海洋工程作業過程中，如何實時監控船舶運行狀態、動態監測船舶燃油消耗、智能化調度船舶是實現船舶信息化管理和遠程輔助支持的關鍵。為此，通過對船舶運行狀態的復雜性、燃油消耗的多樣化及船舶調度任務執行的隨機性的分析，利用物聯網信息采集技術在機艙及燃油單元上安裝傳感裝置實現單項數據采集和計量，建立船舶的運行及油耗綜合指標模型數據，結合生產工作任務特點實現船舶生產調度優化及智能化路徑規劃。文中以實際應用為例驗證了系統的可行性，利用物聯網技術實現了船舶運行狀態和油耗信息的采集，利用人工智能算法實現了可視化的船舶監控調度和油耗管理。

關鍵詞：數據采集分析；船岸通信；船舶運行監控；船舶路徑規劃；生產調度；北斗短報文

中圖分類號：TP399 文獻標識碼：A 文章編號：2095-1302（2024）11-00-03

0 引 言

隨著“十四五”規劃的實施，海上油氣勘探和生產井的數量不斷加大，產量逐年提升。在提質增效的同時，還需要堅定可持續發展理念，把低碳環保理念貫徹落實在實際行動中。提升船舶調度配送能力、減少使用船舶的數量、降低燃油消耗、提升船舶作業效率，也是踐行綠色低碳理念過程中需要重點解決的問題。傳統的船舶調度方式未統籌協調整體任務及資源的分布，船舶甲板利用和路徑規劃隨意性較強，船舶燃油消耗在復雜工況下存在諸多不確定性。針對上述問題，本文在傳統的調度方式基礎上，通過物聯網技術采集數據，并通過人工智能算法實現針對不同油田平臺的船舶配送路徑優化，同時監控船舶燃油消耗，進而降低海上物流配送成本[1]，實現船舶配送效率的提升。

1 船舶配送及運行模型建立

1.1 海洋石油船舶后勤支持配送模型

海上油田設施是開采石油的重要設施，而海洋石油支持船（Offshore Support Vessels， OSV）是為海上油田服務的主要船型，是海上油田生產鏈中不可或缺的重要部分[2]。以渤海灣作業平臺為例，作為海上主要油氣采集的生產平臺，其日常后勤物資有常規生產物資、生產設備用油、生產生活用水等。根據油氣田區塊的分布不同，在渤海灣有多個歸屬不同企業的海上油田平臺。通過構建最優后勤支持的船舶物流配送模型，打破傳統的機構界限或平臺區域界限；同時結合支持船舶為海上送料、倒班、值守的服務配送模式，實現船舶支持配送目標及路徑模型搭建。船舶支持作業是3個固定出海碼頭對應多個平臺目標的物流配送尋址問題，其框架如圖1所示。其中包含基地碼頭3個、目的平臺N個（大于150個）、在用船舶K個（大于100個）。在船舶后勤支持配送模式[3]中，3個碼頭記為{1， 2， 3}；l個客戶節點，記為{G1， G2， ...， Gl}；每個碼頭均有k艘船舶服務，記為{P1m， P2m， P3m}，m的取值范圍為（1，k）。

1.2 海洋石油船舶燃油消耗模型

海洋石油船舶燃油消耗單元主要有主燃油機、輔助燃油機和鍋爐。在不同的運行模式下，主輔機啟動的數量和輸出功率不同，為計算當前船舶單位時間的油耗值，給出油耗計算模型核心算法原理[4]如下：

（1）實際油耗=主機油耗+輔機油耗+鍋爐油耗；

（2）主機油耗=主機運轉時間×主機運轉輸出功率×主機實際單位油耗值，主機油耗與輸出功率和運轉時長均有關系，是計算的關鍵數據[5]；

（3）輔機油耗=輔機運轉時間×輔機平均單位油耗，輔機油耗模型相對簡單，與輔機在船舶運行中發揮的作用有關；

（4）鍋爐油耗可視為一個相對固定值。

1.3 船舶運行狀態模型

船舶運行過程中有很多復雜的工況條件，通過對船舶通導數據和運行工況數據的采集和綜合分析，抽取影響船舶運行和油料消耗的主要參數建立運行狀態輸入模型。通導設備包括采集定位系統（GPS/北斗）、船舶自動識別系統（AIS系統）、氣象儀、測深儀、計程儀、姿態儀、羅盤等，采集的數據項如下：

（1）GPS/北斗數據采集：時間、經度、緯度、航速、航向；

（2）計程儀數據采集：航程、總航程；

（3）羅盤數據采集：船艏向、船頭回轉速率；

（4）氣象儀數據采集：風速、風向、溫度、濕度、氣壓；

（5）姿態儀數據采集：浪高、橫搖、縱搖；

（6）AIS數據采集：船名、呼號、船位、船速、改變航向率、航向、吃水。

船舶運行工況數據包括機電集控數據、動力監控數據、液位監控數據、動力定位數據、流量計數據等，采集數據項如下：

（1）機電集控數據采集：燃油系統、滑油系統、冷卻水系統、風機、泵等機電設備運行參數；

（2）動力監控數據采集：主推進及相關系統、設備運行狀態故障信息及監測報警信息；

（3）動力定位數據采集：動力定位系統的實時數據、報警信息；

（4）液位監控數據采集：液艙、壓載水系統的監測報警信息；

（5）流量計數據采集：燃油流量計的實時數據。

2 船舶運行監控及船舶調度算法優化

2.1 船舶采集模式實現

船舶數據采集終端負責收集船舶運行、導航設備信息，進行全船采集數據的一體化處理和存儲，對數據進行過濾、抽取等簡單處理后存儲于本地邊緣計算主機，同時將經過預處理、分析編碼后的數據定時傳輸到通信鏈路中。利用北斗衛星短報文通信鏈路將關鍵采樣數據傳回核心服務器端，在傳輸過程中采取短報文數據加密及校驗的方式。對于實時數據采取時間與數據對等方式傳輸，如果數據錯誤可不進行重復回傳；對于關鍵控制數據或變量數據采取校驗方式傳輸，出錯則重傳，以保證數據傳輸的準確性。本架構采取邊緣計算處理和總核心服務算法模型計算的方式使數據的傳輸和處理效率更高[6]。船舶采集模式架構如圖2所示。

2.2 油耗關鍵計算數據模型實現

2.2.1 建立對象數據

對數據進行抽取后，對所有數據進行分析和對比，建立數據計算模型的數據項和油耗指標的關系如圖3所示。

2.2.2 模型建立步驟

利用采集的數據與目標數據建立擬合迭代模型，算法步驟如圖4所示。

Step1：數據采樣。從低到高，采用不同的對水速度數據，查詢對應時刻的主機單位時間油耗；對于同一對水速度，進行多組采樣，以獲取對應的油耗數據。

Step2：異常數據剔除。對于同樣的對水速度，剔除明顯異于其他對應單位時間的油耗值。

Step3：平均值計算。計算每個對水速度對應的平均主機單位時間油耗，構建對照關系。

Step4：模型計算。用多項式擬合、多函數擬合等方法以及最小二乘法等算法，計算模型系數，并計算擬合度。

Step5：模型選型。通過多種模型算法[7]，擬合對水速度與主機油耗的關系，計算擬合度，選取擬合度最高的模型作為油耗計算模型。

Step6：最終建立模型。

單位時間動力油耗= [擬合區間1]×對水速度 + [擬合區間2]×對水速度+ …

2.2.3 擬合模型算法

（1）多項式擬合（調整方程階數）

模型A（2階）：主機油耗=×對水速度（擬合度為Qa）。

模型B（3階）：主機油耗=×對水速度（擬合度為Qb）。

模型C（4階）：主機油耗=×對水速度（擬合度為Qc）。

……

（2）分段擬合（調整分段策略和方程階數）

模型M：主機油耗=[擬合區間m1]×對水速度+

[擬合區間m2]×對水速度 + …（擬合度為Qm）。

模型N：主機油耗= [擬合區間n1]×對水速度+

[擬合區間n2]×對水速度 + …（擬合度為Qn）。

模型O：主機油耗=[擬合區間o1]×對水速度+

[擬合區間o2]×對水速度 + …（擬合度為Qo）。

……

最終，選擇擬合度最高的擬合模型（Q值越趨近于1，擬合度越高）。

2.3 船舶智能調度模型的實現

船舶智能調度模型的實現步驟如下：

Step1：需求數據獲取，需求Yi（i=1， 2， ...， l）={目標平臺，貨物空間面積，貨物重量，時間因素}；

Step2：船舶選取規則[8]的建立，即船舶甲板面積≥貨物空間面積、船舶空閑航道時間滿足時間要求、目標航行里程低油耗；

Step3：選取船舶Pk；

Step4：進行路徑規劃，目標平臺為Gl。

實現示例為：需要運送貨物到5個平臺，最終選擇P3船完成任務，到達平臺的順序為G1、G9、G10、G34、G52。

3 系統應用案例分析

為了保證本文設計的船舶后勤支持配送最佳船舶選擇和航線智能選擇算法的有效性，初期選定2艘船，進行油耗數據采集及數學模型研究，其余船舶預先設置靜態耗油數據。在2艘船上安裝采集器及船舶海上終端系統[9]，按照規定收集所需數據。統計1個月內的運行情況，先進行實際數據統計，主要是測量船舶油倉數據，統計總供油數據，針對實際的消耗建立主機消耗模型，再通過訓練的模型對下一個月的運行情況進行實際跟蹤，如果有偏差便對數學模型進行修正。如果正確，則再選定作用相同且能執行相同任務的2艘船只，觀察該數學模型是否具有通用性；針對實際情況和各種專業應用逐層深入進行專業性開發[6]。

3.1 船舶數據展示分析結果

通過對移動船舶主輔機運轉時間、轉速及航行里程等動態數據進行實時采集，利用科學的方法進行統計和分析，計算得出（或預測）油品理論消耗；同時根據流量計實時監測和自動采集燃油的瞬時消耗，根據積分學原理統計任意時段燃油的實際消耗；通過統計分析達到油耗監管的目的，并為分析有燃油消耗異常的船舶提供理論和實踐依據[10]。實際采集的數據如圖5所示。

3.2 船舶智能調度結果

根據當天工作任務，安排生成船舶計劃及目標平臺順序，并根據能力及油耗情況選擇船舶及任務路線，如圖6所示。

利用人工智能和數據挖掘方法，建立合理的數學模型，將收集的數據參數代入數學模型，從而得到當前船舶每日單位油耗值；根據周期性數據變化，增減原有數學模型參數，使得計算模型的計算值逼近實際數值，從而不斷挖掘出數據之間的關系，為決策分析提供更加準確的數據支持。最終根據每日工作任務情況合理分派船舶、規劃任務路徑，為智能化調度提供科學的輔助和指導。

4 結 語

根據本文的系統應用研究，建立了試驗測試運行系統，并證明了系統的可行性和可推廣性，充分發揮了信息技術在船舶各項管理工作中的優勢，為實現安全控制與提高管理水平提供重要手段。本文研究是利用信息技術提升企業船舶管理能力的典型案例，可以為以后實現“數字化船舶”提供參考。

參考文獻

[1]余秋林，張引.基于供應鏈管理的港口物流運營模式研究[J]. 工程技術研究，2020，5（4）：275-276.

[2]鄭錄巖，駱義，李坤，等.海洋石油支持船向海上油田設施供油作業的屬性和管理部門界定[J].水運管理，2018，40（5）：29-30.

[3]李莉，史焰青.改進蟻群算法的船舶物流配送模型[J].艦船科學技術，2020，42（24）：190-192.

[4]郭延海.中海油海洋船舶運行數據管理芻議[J].無線互聯科技，2014（6）：214.

[5]鄭齊清，林金海，趙澤楷，等.基于聚類分析的船舶主機頻繁工作區性能評估[J].泉州師范學院學報，2021，39（2）：34-39.

[6]魏振生，黃騫，車桂璠，等.基于北斗的動態船舶油耗監控應用研究[J].信息技術與標準化，2014（11）：75-78.

[7]覃志成.船舶物流最佳航線智能選擇算法研究[J].艦船科學技術，2018，40（10）：172-174.

[8]王冀.動態規劃和模糊算法在船舶航速最優調度中的應用[J]. 艦船科學技術，2016，38（18）：136-138.

[9]封岳.模塊化技術在船舶建造中的發展趨勢及應用[J].中國設備工程，2018（16）：183-184.

[10]劉興，段俊利，韓懿.船舶營運油耗考核指標評估[J].上海船舶運輸科學研究所學報，2023，46（1）：30-33.

作者簡介：王愛民（1982—），男，碩士，高級工程師，研究方向為海洋油氣田生產數字化應用系統的設計與應用。

收稿日期：2023-11-28 修回日期：2023-12-26