船舶属于海上主要交通工具，随着国际贸易的不断发展，大量船舶投入到海上运输中，因此船舶能源消耗也随之增长^[1]。船舶的能耗成本在总运行成本中的占据比例较高，为达到节约能耗的目的^[2]，需设计能耗监测系统。其中，船舶机械设备启动过程中的能源消耗波动性最大，监测难度最高^[3].为最大程度地降低船舶能耗，需设计机械设备启动过程的能耗监测系统。杨作明等^[4]以节能降耗为目的，以物联网为技术架构，设计船舶机械设备启动过程能耗在线监测系统，实现能耗数据的采集、监测与分析。经过实验验证后，该系统可有效监测船舶机械设备启动过程能耗，为制定节能降耗方案提供参考。胡智辉等^[5]为提升船舶能耗监测精度，设计船舶机械设备启动过程能耗实时监测系统，令传感器采集船舶能耗数据，通过新兴XGBoost算法，预处理采集的能耗数据，完成船舶机械设备启动过程能耗监测。该系统可有效监测船舶机械设备启动过程能耗，且系统响应时间可达到秒级响应，具备较优的能耗监测实时性。但这2个系统在数据传输过程中，均易出现数据丢失情况，导致船舶机械设备启动过程能耗监测精度下降。为提升能耗监测效果，本文基于ZigBee技术设计一种新型船舶机械设备启动过程的能耗监测系统。

船舶机械设备启动过程是通过主机、发电机与锅炉，将石油的化学能变更为船舶航行需要的机械能，电能与热能等。因此，船舶机械设备启动过程的能耗主要是燃油消耗量。为避免船舶机械设备启动过程能耗数据传输时，出现数据丢失情况，利用ZigBee技术，传输船舶机械设备启动过程能耗数据，提升数据传输稳定性与可靠性。为此，以ZigBee技术为基础，设计船舶机械设备启动过程的能耗监测系统，该系统的整体结构如图1所示。

图 1 船舶机械设备启动过程的能耗监测系统 Fig. 1 Energy consumption monitoring system of ship mechanical equipment during startup

采集层利用采集器控制质量流量计，采集船舶机械设备启动过程的能耗数据；控制转速传感器、流向传感器、风向传感器，采集船舶机械设备启动过程相关的设备运行数据与船舶运行环境数据。

网络层将FPGA控制器与ZigBee技术结合到一起，传输采集层采集的船舶机械设备启动过程的相关数据与环境数据，至数据存储层。网络层利用ZigBee模块接收采集层传输的数据，经过A/D转换电路进行模数转换，转换后的数据，进入FPGA控制器内，进行数据处理，剔除明显错误与不合理的数据，提升采集数据的可靠性^[6]。

数据存储层通过数据库服务器，存储网络层传输预处理后船舶机械设备启动过程的相关数据与环境数据。

应用层利用船舶启动数据管理模块，管理数据存储层内存储的数据。能耗监测模块通过调用数据存储层内存储的船舶机械设备启动过程能耗数据，实时呈现能耗监测结果。能耗预测模块利用灰色径向基函数（radical basis function，RBF）神经网络，依据数据存储层内存储的数据，得到船舶机械设备启动过程的能耗预测结果。能耗超标预警模块负责对超标的能耗数据进行预警，及时提醒船员变更机械设备启动方式，达到节能降耗的目的。

采集器结构如图2所示。

图 2 采集器的结构图 Fig. 2 Structure of the collector

采集器控制质量流量计与风向传感器等，采集船舶机械设备启动的相关数据后，经过定时器分检后，传输至PSOC内进行处理。PSOC还能够提升信号功率，利于数据传输与相关参数计算^[5]。通过UART将采集的数据传输至网络层。利用充电管理单元，对外接电源进行管理，经过升压与降压转换电路，持续为采集器提供合适的电源^[6]。利用状态指示灯实时呈现采集器的运行状态。

应用层能耗预测模块，利用灰色RBF网络，预测船舶机械设备启动过程的能耗。在该网络内输入数据存储层内，存储预处理后的船舶机械设备启动相关数据，输出能耗预测结果。利用灰色RBF网络，预测能耗的具体步骤如下：

步骤1　灰化。将数据存储层存储的船舶机械设备启动过程能耗数据，以及设备运行数据与环境数据等，看成时间序列，对其实施一次累加，得到累加序列。

步骤2　网络训练。利用错位滑动法，依据船舶机械设备启动过程相关数据的累加序列，建立能耗预测的训练样本与测试样本。利用RBF网络构造非线性映射关系。通过RBF网络训练，确定最佳的网络参数，构造船舶机械设备启动过程能耗预测模型。RBF网络最佳参数确定共包含2个环节。

第一个环节是利用K-means聚类算法，得到RBF网络内高斯函数的宽度。 $ g $ 次迭代后，聚类中心是 $ {z_1}\left( g \right), {z_2}\left( g \right), \cdots ,{z_n}\left( g \right) $ ，对应的聚类域是 $ {q_1}\left( g \right),{q_2}\left( g \right), \cdots , {q_n}\left( g \right) $ ；聚类中心数量是 $ n $ 。

求解全部输入样本 $ {x_i} $ 和聚类中心 $ {z_k}\left( g \right) $ 的距离 $ {d_{ik}} $ ，公式如下：

式中： $ m $ 为输入样本数量， $ i = 1,2, \cdots ,m $ ； $ n $ 为RBF网络隐层节点数量， $ k = 1,2, \cdots ,n $ 。

依据最小距离对 $ {x_i} $ 进行分类，公式如下：

如果式(2)成立，则 $ {x_i} $ 归入第 $ k $ 类，即 $ {x_i} \in {q_k}\left( g \right) $ 。

求解各类的新聚类中心，公式如下：

式中， $ {m_k} $ 为第 $ k $ 个聚类域 $ {q_k}\left( g \right) $ 内的样本数。

当 $ {z_k}\left( {g + 1} \right) = {z_k}\left( g \right) $ 时，聚类结束。

按照各聚类中心间的距离 $ {d_k} $ ，得到高斯函数的宽度 $ {\delta _k} = \gamma {d_k} $ ；其中，重叠系数是 $ \gamma $ 。

第二环节是利用最小二乘法，确定RBF网络隐层的最佳权重 $ {w^*} $ 。令RBF网络隐层的输出矩阵是 $ R $ ， $ {w^*} $ 的计算公式如下：

式中： $ T $ 为转置符号； $ \hat y $ 为RBF网络隐层输出结果的期望值。

步骤3　网络预测。在构造的船舶机械设备启动过程能耗预测模型内，输入测试样本，输出预测值 $ y $ ，公式如下：

其中， $ {z_k} $ 为高斯函数的中心。

步骤4　白化。对式(5)的网络输出结果进行累减生成，获取船舶机械设备启动过程能耗相应的预测值。

以某公司的船舶为实验对象，该公司内的船舶结构中均包含推进系统、电站系统与锅炉系统。其中，推进系统中包含4个主要机械设备，分别是主机、传动设备、轴系与推进器；电站系统内包含的机械设备有发电机、配电装置与负载设备等；锅炉系统为燃油辅锅炉。该公司内船舶的平均启动时间为10 min，每日的平均油耗是30 t。

随机选择一艘舶，利用本文系统采集该舶机械设备启动过程的相关数据，以主机油耗量为例，主机的油耗量采集结果如图3所示。可知，本文系统可有效采集主机启动过程的油耗量，随着启动时间的延长，该主机的油耗量整体呈上升趋势，最高主机油耗量接近0.50 t。实验证明，本文系统可有效采集船舶机械设备启动过程相关数据。

图 3 主机油耗量采集结果 Fig. 3 Oil consumption collection results of main engine

利用本文系统对采集的机械设备启动过程相关数据进行预处理，以机械设备启动过程能耗数据为例，预处理效果如图4所示。可知，预处理前的能耗数据分布较为分散，经过预处理后的能耗数据分布更为集中，利于后续船舶机械设备启动过程能耗监测。实验证明，本文系统可有效预处理能耗数据。

图 4 能耗数据预处理结果 Fig. 4 Pre processing results of energy consumption data

利用本文系统监测该舶机械设备启动过程的能耗，并预测机械设备启动过程能耗，监测与预测结果如图5所示。可知，本文系统可有效监测机械设备启动过程能耗，其中主机启动过程能耗最高，其次是发电机，启动能耗最低的机械设备是锅炉。可知，本文系统可有效预测船舶机械设备启动过程能耗，且预测结果与实际结果非常接近，说明本文系统能耗预测精度较高。实验证明，本文系统具备机械设备启动能耗监测的有效性，可有效帮助船员实时了解启动能耗，及时发现能耗较高的设备，并更改启动方式，达到节能降耗目的。

图 5 船舶机械设备启动过程能耗监测与预测结果 Fig. 5 Monitoring and prediction results of energy consumption of marine mechanical equipment during startup

在智能船舶时代，对船舶实施远程监测属于行业发展的大趋势，其中能耗监测非常重要。为此设计船舶机械设备启动过程能耗监测系统，有效采集并稳定传输能耗数据，提升能耗监测效果。应用本文系统可帮助船员实时了解船舶的启动能耗，发现启动方式的不足，并加以改进，降低船舶启动能耗。