저작자표시-비영리-변경금지 2.0 대한민국 ... - KMOU Repository

서 론

연구의 배경

가장 기본적이고 효과적인 방법은 선박의 운항 속도를 줄이는 것입니다. 이처럼 다양한 운항 조건에 맞춰 최적의 속도로 선박을 운항하는 것은 에너지 효율 측면에서 매우 효과적인 방법이다.

선행 연구 고찰

2017)은 컨테이너선에 장착된 센서를 통해 수집된 운항 데이터를 활용하여 선박의 연료 소비에 영향을 미치는 변수를 식별하고 예측 모델 개발을 시도했다. 2018)은 k-means 클러스터링 알고리즘을 적용하여 항해 구간에 따른 최적의 선박 속도를 결정함으로써 선박의 항로를 구분하였다.

Table 1.1 Previous studies on the prediction of ship energy efficiency

연구의 목적 및 기대효과

또한, 여행 중 새롭게 업데이트되는 정보를 반영하고 변화하는 상황에 따른 실시간 예측을 제공하여 내비게이션을 최적화할 수 있습니다. 또한, 예측 모델에 대한 기기 입력 센서에 이상이 있는 경우 예측 결과가 다르기 때문에 이상 상태를 감지할 수 있습니다.

논문의 구성

데이터 소개

2 Speed of land node 3 Speed through water node 4 Land rate path 5 Heading rate.

Fig. 2.1 General arrangement of the target ship

연구 방법

주성분 분석을 통해 파악된 변수들 간의 관계는 다음과 같습니다. 이 주성분 분석은 다변량 데이터에 존재하는 비정규성 또는 이상치를 찾는 데 사용됩니다. 도출된 주성분은 서로 상관관계가 없는 독립적인 관계를 가지므로 변수 간의 상관관계로 인해 다중공선성이 의심되는 회귀모형에도 활용될 수 있다.

데이터 수집 및 전처리

데이터 수집

또한, 선박의 입출항에 해당하는 항내 조선소 부분은 엔진의 잦은 사용과 다양한 변수의 운용으로 인해 불안정한 데이터가 많이 포함되어 있어 분석에서 제외하였다. 대상 선박이 전진할 때 주엔진 M/E RPM이 50 미만으로 정박/도착/출발 구간으로 취급되었다.

데이터 통합

데이터 정제

결측값
이상값

본 연구에서는 선박 운항 데이터의 이상값을 처리하기 위해 다음과 같은 방법을 적용하였다. 따라서 본 연구에서는 Median Filter 방식을 적용하여 데이터의 노이즈 및 불안정한 추세 문제를 보완하고자 하였다.

Fig. 3.2는 수집한 선박 운항데이터의 결측 구간 예시를 보여준다. 2014년 2월 8일부터 2월 14일간 수집한 선박의 대지속력 데이터이며 점선으로 표시한 2월 9일 00시부터 2월 14일 00시까지의 데이터가 결측된 것을 알 수 있다

데이터 변환

변수 변환
표준화

기존 진풍향 및 진풍속 데이터를 상대풍향 및 상대풍속으로 대체하고, 선수방향 및 선수방향 데이터를 상대풍향 및 상대풍속 계산에 반영하였고, 각 변수는 분석에서 제외하였다. 연료 소비와는 관련이 없었습니다. 따라서 변수의 중복을 방지하기 위해 엔진 출력 및 시간당 엔진 회전수에 대한 데이터 중 하나를 제외하는 것이 바람직합니다. 분석할 변수로부터 분. 이는 1인당 연료 소비량을 나누어 계산한 것입니다. 당 항해 거리를 포함한 시간 단위 시간 단위로 기존 연료 소비량을 대체했습니다. 시간 단위 변수.

Table 3.2 Descriptive statistics of operational variables

데이터 축소

상관 분석 및 분산팽창지수에 의한 변수 선택
주성분 분석에 의한 특징 추출
라소 정규화에 의한 변수 선택
경험적인 판단에 의한 변수 선택

비행변수 간 다중공선성 가능성은 앞 절에서 설명한 상관계수와 분산팽창지수를 통해 확인하였다. 상대풍향 및 단축의 경우 회귀계수를 0으로 감소시켜 변수선택에서 제외하였다. 본 절에서 선정된 연산변수에 대하여 상관분석 및 다중공선성 진단을 수행하였다.

예측 모델의 입력값이 된 독립변수들은 3.4절의 데이터 축소 방법을 통해 선정되었으며 Table 4.1에 나타내었다. 주성분 분석은 종속변수와의 관계가 아닌 대상과의 관계를 고려합니다.

Fig. 3.10 Correlation analysis of operational variables

예측모델 개발 및 평가

예측모델 개발

데이터 구분
평가 기준
다중선형 회귀 기반의 예측모델 개발
인공 신경망 기반의 예측모델 개발

본 연구에서는 연료 소비 예측 모델을 학습하기 위해 전체 비행 데이터 세트를 훈련 데이터 세트와 테스트 데이터 세트로 구분하였다. 선정된 변수들로 구성된 학습 데이터에 다중선형회귀분석과 인공신경망 기법을 적용하여 예측모델을 학습하였으며, 그 구성은 Table 4.2와 같다. 표에 나타난 제곱평균제곱오차와 수정된 결정계수 값은 훈련 데이터에 대한 예측 모델의 정확도를 나타내며, 평가 데이터에 대한 예측 모델의 성능은 아래 4.2절에서 논의한다.

Table 4.1 Definition of variables for prediction models Method of selecting

예측모델 평가

평가 결과

인공 신경망의 경우 변수 간에 비선형성이 있습니다. 모델의 예측력은 다소 낮았지만 추정된 회귀계수로부터 비행변수의 영향을 직관적으로 이해할 수 있다는 장점이 있었다. C.2는 선박의 수속과 육상 속도의 차이에 따른 연료 소비율을 보여주는 그래프입니다.

Fig. 4.2(c) Prediction accuracy of case 3 for 10 days of test data

결론 및 제언

결론

본 논문에서는 13,000 TEU 컨테이너선에서 수집한 운항 데이터를 활용하여 선박 연료소모 예측 모델 개발을 시도하였다. 그러나 이 경우 변수들 사이에 존재하는 상관관계로 인해 다중공선성, 과적합 등의 문제가 발생할 수 있다. 따라서 본 논문에서는 상관분석, 분산팽창지수, 주성분분석, Lasso 정규화 등의 차원축소 기법을 이용하여 연비에 중요한 변수를 선정하고자 하였다. 그 결과, 라소정규화, 상관분석, 분산팽창지수, 주성분분석, 실증적 방법 순으로 변수선택의 효과가 우수한 것으로 나타났다.

제언

본 연구에서는 컨테이너선에서 수집된 데이터의 특성과 운영변수를 고려하여 미디안 필터(median filter)를 적용하였다. 상관분석은 두 변수 사이의 관계를 분석하는 통계기법이다. 상관 계수가 클수록 관계가 더 가까워집니다. 일반적으로 통계에서의 관계는 상관계수의 크기에 따라 다음과 같이 정의할 수 있다.

A.3은 Lasso 회귀 모델을 그래픽으로 표현한 것입니다. Lasso의 경우 직사각형과 경계면이 만나는 지점에서 추정된 회귀계수가 0으로 수렴하는데, 이는 변수선택의 효과를 가질 수 있다.