[发明专利]航线航速多目标联合优化模型建立方法和系统

权利要求书

1.一种航线航速多目标联合优化模型建立方法，其特征在于，包括：

建立船舶数据库；所述船舶数据库包括船型数据、静水下的航速吃水-阻力表、波浪增阻传递函数表、风阻力系数表、螺旋桨推力扭矩系数表、轮机舵机性能参数表和潜水增阻系数表；

基于所述船舶数据库，建立船舶操纵模型；所述船舶操纵模型为船舶航行所需要的推力、扭矩与船舶操纵指令之间的关系模型；

基于预设船舶AIS数据库和所述船舶操纵模型，建立不同船型对应不同航线数据的数据集，得到目标数据集；其中，一种船型对应多个航线数据，每个航线数据包括：航线，航速，水深，航洋环境参数，船舶操纵指令，航行总能耗和航行总时间；

将所述目标数据集作为训练集，利用机器学习的方法对预设智能预报模型进行训练，得到航线航速多目标联合优化模型。

2.根据权利要求1所述的方法，其特征在于，基于所述船舶数据库，建立船舶操纵模型，包括：

基于所述船舶数据库，建立船舶航行所需要的推力、扭矩与船舶螺旋桨转速、舵角之间的初始关系模型；

基于所述初始关系模型，和所述船舶螺旋桨转速、舵角与船舶操纵指令之间的关系，建立所述船舶操纵模型。

3.根据权利要求2所述的方法，其特征在于，所述初始关系模型，包括：

T_p＝ρn²D²K_T(V，n)，N_R＝-(1+α_H)x_RF_Ncosδ；

其中，T_p为船舶航行所需要的推力，N_R船舶航行所需要的扭矩，n为船舶螺旋桨转速，δ为船舶的舵角，K_T(V，n)为船舶螺旋桨推力系数，V为船舶的航速，ρ为水的密度，D为螺旋桨直径，α_H为舵的水动力比例系数，λ为舵的展舷比，x_R为舵机到船重心的距离，F_N为中间参数，A_R为入流面积，α_R为入流角。

4.根据权利要求1所述的方法，其特征在于，基于预设船舶AIS数据库和所述船舶操纵模型，建立不同船型对应不同航线数据的数据集，得到目标数据集，包括：

从所述预设船舶AIS数据库中提取不同船型对应的航线；一种船型对应多条航线；

对不同船型对应的每条航线进行分段处理，并对每个航线段设置初始航线数据；

基于所述船舶操纵模型和预设优化阈值，对所述初始航线数据进行优化，得到不同船型对应的每条航线的航线数据；

将不同船型对应的每条航线的航线数据，作为所述目标数据集。

5.根据权利要求1所述的方法，其特征在于，利用机器学习的方法对预设智能预报模型进行训练，得到航线航速多目标联合优化模型，包括：

利用机器学习的方法对预设智能预报模型进行训练，得到训练之后的智能预报模型；所述机器学习的方法包括以下任一项：深度神经网络算法，强化学习算法；所述预设智能预报模型的自变量包括：船型，航线起始点，海洋环境参数；所述预设智能预报模型的应变量包括：航线，航速，航行路程，航行时间，操纵指令和能耗；

在所述训练之后的智能预报模型上设置预设寻优算法，得到航线航速多目标联合优化模型；所述航线航速多目标联合优化模型为基于目标寻优目标确定优化之后的航线航速的模型；所述目标寻优目标包括以下至少之一：速度最快，路程最短，能耗最低，操纵最稳定。

6.根据权利要求1所述的方法，其特征在于，在得到航线航速多目标联合优化模型之后，所述方法还包括：

获取目标船舶在航行过程中的初始参数；所述初始参数包括：所述目标船舶的船型，航线起始点和所述目标船舶在航行过程中的海洋环境参数；

获取所述目标船舶在航行过程中的目标寻优目标；所述目标寻优目标包括以下至少之一：速度最快，路程最短，能耗最低，操纵最稳定；

基于所述初始参数和所述目标寻优目标，利用所述航线航速多目标联合优化模型对所述目标船舶的航速航线进行优化，得到优化之后的航速航线。