船舶特性推定装置、及び自動操舵装置

本発明は、船舶の特性を推定する船舶特性推定装置、及び船舶特性推定装置を有する自動操舵装置に関する。

従来より、船舶の状態(経時的に変化する船舶の特性)を正確に把握するための様々な試みがなされている。例えば、特許文献1には、船舶に取り付けられた各種センサによって検出された運転情報(船舶の主機の温度、圧力、回転数等)に基づいて、船舶の状態を診断可能なシステムが開示されている。

特許文献1:特開2002−316692号公報

ところで、船舶の状態を把握するにあたり、船舶の対水速度(水に対する船舶の速度)に影響を与えるパラメータの値と、各値に対応する実際の船舶の対水速度との関係を把握することは、非常に重要である。この関係性を把握することで、例えば一例として、船舶の航行計画をより正確に立てることができるようになる。しかし、上述した特許文献には、このことについては何ら記載されていない。

例えば、船舶の対水速度に影響を与えるパラメータとして、船舶のプロペラの回転数、及び船舶に対する風力、が挙げられる。そして、ある船舶において、プロペラの回転数と、該回転数に起因する船舶の対水速度との関係性を把握しようとすると、船舶の対水速度に影響を与える他のパラメータ(風力等)を一定に保った状態で実験を行う必要があり、非常に手間がかかる。これは、船舶に対する風力と、該風力に起因する船舶の対水速度との関係性を把握する場合も、同様である。

本発明は、上記課題を解決するためのものであり、その目的は、船舶の対水速度に影響を与えるパラメータの値と、該パラメータに起因する船舶の対水速度との関係性を、容易に把握することである。

(1)上記課題を解決するために、この発明のある局面に係る船舶特性推定装置は、船舶のプロペラの回転数を示すデータである回転数データと、該船舶に作用しうる風力の風速ベクトルを示すデータである風速ベクトルデータと、がそれぞれに含まれる複数のパラメータデータ、を出力するデータ出力部と、前記データ出力部から出力された前記複数のパラメータデータを受け付けるとともに、各前記パラメータデータに対応する値を、前記船舶の対水速度ベクトルと推定し、該対水速度ベクトルを第1出力値として出力するように構成された推定器とを備え、前記複数のパラメータデータのそれぞれに含まれる前記回転数データが示す回転数は、互いに同じであり、前記複数のパラメータデータのそれぞれに含まれる前記風速ベクトルデータが示す風速ベクトルは、互いに異なり、各前記第1出力値は、前記回転数データが示す前記回転数で前記船舶が航行しているときの該船舶の対水速度ベクトルと推定されて出力される。

(2)上記課題を解決するために、この発明のある局面に係る船舶特性推定装置は、船 舶のプロペラの回転数を示すデータである回転数データと、該船舶に作用しうる風力の風速ベクトルを示すデータである風速ベクトルデータと、がそれぞれに含まれる複数のパラメータデータ、を出力するデータ出力部と、前記データ出力部から出力された前記複数のパラメータデータを受け付けるとともに、各前記パラメータデータに対応する値を、前記船舶の対水速度ベクトルと推定し、該対水速度ベクトルを第1出力値として出力するように構成された推定器とを備え、前記複数のパラメータデータのそれぞれに含まれる前記回転数データが示す回転数は、互いに異なり、前記複数のパラメータデータのそれぞれに含まれる前記風速ベクトルデータが示す風速ベクトルは、互いに同じであり、各前記第1出力値は、前記風速ベクトルデータが示す前記風速ベクトルが前記船舶に作用しているときの該船舶の対水速度ベクトルと推定されて出力される。

(3)好ましくは、前記推定器は、ニューラルネットワークを用いて構成され、それぞれに、前記回転数データ及び前記風速ベクトルデータの一方が入力される少なくとも2つの入力ユニットと、前記第1出力値を出力する出力ユニットとを有し、前記ニューラルネットワークにおける入力側のユニットから出力される値には、結合係数が乗算された後、出力側のユニットに伝送される。

(4)更に好ましくは、前記船舶特性推定装置は、海上を航行する前記船舶の対地速度ベクトルを算出する対地速度算出部と、前記プロペラの回転数を検出するプロペラ回転数検出部と、前記船舶に搭載されて該船舶に対する風力の風速ベクトルを計測する風速風向計と、を更に備え、各前記入力ユニットには、前記プロペラ回転数検出部で検出された前記プロペラの回転数、及び前記風速風向計で計測された前記風速ベクトル、の一方が入力され、前記出力ユニットからは、前記プロペラ回転数検出部で検出された前記プロペラの回転数、及び前記風速風向計で計測された前記風速ベクトル、の組み合わせにより特定される各条件に対応する値が、該船舶の対水速度ベクトルと推定されて第2出力値として出力され、前記船舶特性推定装置は、前記第2出力値と、前記対地速度算出部で算出された教師信号としての前記対地速度ベクトルとを比較するとともに、該第2出力値と該教師信号との誤差が少なくなるように、前記結合係数を更新する更新部を更に備えている。

(5)好ましくは、前記推定器は、前記船舶のプロペラの回転数、及び該船舶に対する風力の風速ベクトル、の組み合わせにより特定される各条件のときの前記船舶の対地速度ベクトルを、複数の前記条件毎に記憶する複数のセル部、を含む記憶部を有し、受け付けた各前記パラメータデータに含まれる前記回転数データ及び前記風速ベクトルデータの組み合わせに対応する前記条件で特定される前記セル部、に記憶される前記対地速度ベクトルの平均値を、前記第1出力値として出力する。

(6)更に好ましくは、前記船舶特性推定装置は、海上を航行する前記船舶の対地速度ベクトルを算出する対地速度算出部と、前記プロペラの回転数を検出するプロペラ回転数検出部と、前記船舶に搭載されて該船舶に対する風力の風速ベクトルを計測する風速風向計と、を更に備え、前記記憶部は、前記対地速度算出部で算出された前記対地速度ベクトルを、該対地速度ベクトルの算出に必要なデータが取得されたときに前記プロペラ回転数検出部で検出された前記回転数、及び前記風速風向計で計測された前記風速ベクトル、の組み合わせにより特定される前記セル部に記憶させる更新部、を更に備えている。

(7)好ましくは、前記船舶特性推定装置は、前記推定器から出力される前記第1出力値に基づき、所定時間後において前記船舶が位置すると予測される範囲を表示する表示部、を更に備えている。

(8)上記課題を解決するために、この発明のある局面に係る自動操舵装置は、船舶に搭載され、GNSS信号を受信するGNSS信号受信部と、前記GNSS信号受信部で受 信されたGNSS信号に基づいて算出される前記船舶の位置情報に基づき、該船舶の舵を制御する制御部と、を備えた自動操舵装置であって、上述したいずれか1つの船舶特性推定装置、を更に備え、前記制御部は、前記船舶特性推定装置の推定器から出力される前記第1出力値にも基づいて、前記船舶の舵を制御する。

本発明によれば、船舶の対水速度に影響を与えるパラメータの値と、該パラメータに起因する船舶の対水速度との関係性を、容易に把握できる。

本発明の実施形態に係る推定装置の構成を示すブロック図である。

図1に示す推定器の構成の一例を示す模式図である。

対地速度、対水速度、及び表層流速度の関係を示すベクトル図である。

図1に示す推定器からの第2出力値が、対水速度に収束する理由を説明するための図である。

図1に示すデータ出力部から出力される各パラメータデータと、推定器が各パラメータデータに基づいて推定する各対水速度と、の対応関係について説明するための図である。

図1に示す画像生成部によって生成される風力特性グラフの生成過程を説明するための図である。

画像生成部によって生成された風力特性グラフの一例を示す図である。

変形例に係る推定装置の構成を示すブロック図である。

変形例に係る推定装置の構成を示すブロック図である。

変形例に係る推定装置の構成を示すブロック図である。

図10に示す推定器について詳細に説明するための図である。

変形例に係る推定装置の構成を示すブロック図である。

変形例に係る推定装置の構成を示すブロック図である。

図13に示す学習係数設定処理部の構成を示すブロック図である。

図14に示す記憶部に記憶されるテーブルと、そのテーブルの各セルに対応して記憶される自己組織化マップと、を模式的に示す図である。

変形例に係る推定装置の学習係数設定処理部の構成を示すブロック図である。

図16に示す記憶部に記憶されるテーブルと、そのテーブルの各セル(各エリア)に対応して記憶される学習データとを示す図である。

変形例に係る推定装置の構成を示すブロック図である。

図18に示す画像生成部で生成された風力特性グラフの一例を示す図であって、学習進捗指標の導出過程を説明するための図である。

自動操舵装置の構成を示すブロック図である。

変形例に係る推定装置の構成を示すブロック図である。

図21に示すデータ出力部から出力される各パラメータデータと、推定器が各パラメータデータに基づいて推定する各対水速度の大きさ、の対応関係について説明するための図である。

画像生成部によって生成される主機特性グラフの一例を示す図である。

変形例に係る推定装置の構成を示すブロック図である。

表示部に表示される回転速度計の一例を示す図である。

変形例に係る推定装置の構成を示すブロック図である。

画像生成部で生成された主機特性グラフの一例を示す図であって、学習進捗指標について説明するための図である。

変形例に係る推定装置の表示部で表示される、所定時間後の自船位置を示すマップの一例である。

学習データの補完について説明するための模式図である。

図1は、本発明の実施形態に係る推定装置1の構成を示すブロック図である。推定装置1は、海上を航行する自船(船舶)に搭載されている。

推定装置1は、図1に示すように、表層流推定部8と、風力特性推定部9(船舶特性推定装置)と、を備えている。表層流推定部8は、自船位置における表層流の向き及び大きさ、すなわち自船位置における表層流の速度ベクトルを推定するように構成されている。一方、風力特性推定部9は、自船の風力特性を推定するように構成されている。以下では、表層流推定部8の構成、及び風力特性推定部9の構成を、順に説明する。なお、表層流とは、海面から自船の船底に亘る範囲程度の深さ範囲における流れである。また、風力特性とは、自船に対する風力の方位及び大きさによって、静水中で船が移動する速度がどのように変化するかを示す特性である。

[表層流推定部の構成] 表層流推定部8では、所定のタイミング毎に所定のパラメータ(本実施形態では、自船のプロペラの回転数、船首方向真風速、及び右舷方向真風速)が自動で求められるとともに、各パラメータの値の組み合わせにより特定される条件毎に、自船位置の表層流速度(表層流速度ベクトル)が算出される。表層流推定部8は、GPS信号受信部2と、プロペラ回転数検出部3と、風向風速計4と、演算部10を構成する構成要素の一部(具体的には、対地速度算出部11、推定器12、表層流算出部13、及び結合係数更新部14)と、表示部5と、を備えている。

GPS信号受信部2は、航法衛星(図示省略)から送信される航法信号(GNSS信号)としてのGPS信号を受信するための、GNSS信号受信部として設けられている。GPS信号受信部2は、例えば、GPSアンテナによって構成されている。GPS信号受信部2で受信されたGPS信号(すなわち、自船の位置情報)は、該GPS信号が受信された時刻とともに、演算部10に通知される。

なお、本実施形態では、GNSS信号受信部としてGPS信号受信部2を用いているが、これに限らず、その他のGNSSシステムにおいて用いられる受信部を用いてもよい。ここで、GNSSとは、全地球航法衛星システム(GNSS;Global Navigation Satellite Systems)の略語である。このGNSSは、米国により運営される「GPS」、欧州により運営される「GALILEO」及びロシアにより運営される「GLONASS」等の総称である。

プロペラ回転数検出部3は、自船の推力を発生させるためのプロペラの単位時間当たりの回転数を検出するためのものであって、例えば、回転数を検出可能なセンサによって構成されている。プロペラ回転数検出部3で検出された回転数は、演算部10に通知される。

風向風速計4は、風向及び風速に関する情報として、船首方向真風速及び右舷方向真風速を計測するためのものである。風向風速計4は、本実施形態に係る表層流推定部8が搭載される自船における、周囲に風を遮る障害物がない場所に設置される。風向風速計4で計測された船首方向真風速及び右舷方向真風速は、演算部10に通知される。

演算部10は、GPS信号受信部2、プロペラ回転数検出部3、及び風向風速計4から通知された各種情報に基づき、所定のタイミング毎に、自船位置(対象地点)における表層流を推定するように構成されている。演算部10は、対地速度算出部11と、推定器1 2と、表層流算出部13と、結合係数更新部14と、を備えている。なお、詳しくは後述するが、演算部10は、データ出力部6から出力されたパラメータに基づき、風力特性を推定するようにも構成されている。

対地速度算出部11は、GPS信号受信部2から通知される自船の位置情報、及びその自船位置情報が取得された時刻に基づき、自船の対地速度(対地速度ベクトル)を算出する。具体的には、対地速度算出部11は、少なくとも2つのタイミングにおける自船位置、及び各自船位置の位置情報が取得された時刻に基づき、自船の対地速度を算出する。対地速度算出部11は、このようにして算出した対地速度を、表層流算出部13及び結合係数更新部14に通知する。

推定器12は、自船の対水速度を推定するように構成されている。本実施形態では、推定器12には、プロペラ回転数検出部3で検出された自船のプロペラの回転数、及び風向風速計で計測された船首方向真風速及び右舷方向真風速、が入力される。推定器12は、これらの入力値の組み合わせによって特定される条件(ある回転数、ある船首方向真風速、及びある右舷方向真風速の組み合わせで特定される条件)に対応する値を、対水速度(対水速度ベクトル、本実施形態では、船首方向対水速度及び右舷方向対水速度)として、表層流算出部13に出力する。なお、詳しくは後述するが、推定器12には、データ出力部6から出力されたパラメータデータも入力され、推定器12は、これらに対応する値を対水速度として画像生成部15に出力する。

図2は、推定器12の構成の一例を模式的に示す図である。本実施形態では、推定器12は、一般的に知られているニューラルネットワークを用いて構成されている。具体的には、推定器12は、入力層を構成する複数の入力ユニットU_{IN_1},U_{IN_2},U_{IN_3}と、隠れ層を構成する複数の中間ユニットU_{MID_1},U_{MID_2},U_{MID_3}と、出力層を構成する出力ユニットU_{OUT_1},U_{OUT_2}と、を備えている。なお、図2に示す推定器12の構成はあくまで一例であり、各層におけるユニット数、隠れ層の層数については、図2に示す限りでない。

推定器12では、各入力ユニットU_{IN_1},U_{IN_2},U_{IN_3}に各入力値(プロペラの回転数等)が入力されると、それらの入力値に対して結合係数W_I,Mが乗算されて、隠れ層の中間ユニットU_{MID_1},U_{MID_2},U_{MID_3}に出力される。隠れ層の各中間ユニットU_{MID_1},U_{MID_2},U_{MID_3}は、入力された各値を合計し、その合計値に基づく値に結合係数W_M,Oを乗算して出力ユニットU_{OUT_1},U_{OUT_2}に出力する。出力ユニットU_{OUT_1},U_{OUT_2}は、入力された各値を合計し、その合計値に基づく値を第2出力値として、表層流算出部13及び結合係数更新部14に出力する。なお、上記推定器12に入力される値は、必ずしも、プロペラ回転数等、パラメータの値そのもののでなくてもよく、それらのパラメータと一対一の関係にある数値(例えば一例として、回転数と比例して変化する電圧値)等であってもよい。

推定器12では、初期状態においては、各結合係数Wに適当な初期値が設定されている。そして、各結合係数Wは、結合係数更新部14によって随時、更新される。具体的には、各結合係数Wは、推定器12から出力される第2出力値と、対地速度算出部11で算出された対地速度(教師信号)との誤差が少なくなるように、結合係数更新部14によって更新される。これにより、推定器12から出力される第2出力値は、詳しくは後述するが、結合係数Wが更新される毎に、自船の対水速度に収束していく。

表層流算出部13は、推定器12から出力された対水速度としての第2出力値、及び対地速度算出部11で算出された対地速度に基づき、表層流の速度である表層流速度(表層 流速度ベクトル)を算出する。具体的には、表層流算出部13は、対地速度から対水速度を減算することにより、表層流速度を算出する。

図3は、対地速度ベクトルV_Gと、対水速度ベクトルV_Wと、表層流速度ベクトルV_Tとの関係を示すベクトル図である。対地速度V_Gは、地表に対する速度であり、対水速度V_Wは、水面(海面)に対する速度である。また、表層流は、海の表層の部分における水の流れである。よって、対地速度ベクトルV_G、対水速度ベクトルV_W、及び表層流速度ベクトルV_Tの関係は、図3に示すように表すことができる。よって、表層流算出部13が、上述のように、対地速度V_Gから対水速度V_Wを減算することにより、表層流速度V_Tが算出される。

結合係数更新部14は、推定器12から出力される第2出力値と、対地速度算出部11で算出された対地速度(教師信号)との誤差が少なくなるように、推定器12の結合係数Wを更新する。結合係数更新部14は、例えば一例として、バックプロパゲーション(誤差逆伝播法)を用いて、結合係数Wを更新する。

表示部5には、表層流算出部13で算出された表層流の向き及び大きさが表示される。これにより、ユーザは、自船位置における表層流の速度を知ることができる。

[推定器から出力される第2出力値について] 図4は、推定器12から出力される第2出力値が、該推定器12の結合係数Wが更新される毎に、対水速度に収束していく理由を説明するための図である。上述のように、推定器12に記憶される各結合係数Wは、推定器12から随時出力される値と、随時算出される教師信号としての対地速度との誤差が小さくなるように、結合係数更新部14によって更新される。

表層流は、海域、時刻、気象条件等に起因して、その大きさ及び向きが異なる。よって、対水速度が同じ場合(すなわち、プロペラの回転数、船首方向真風速、及び右舷方向真風速が同じ場合)における対地速度には、あらゆる大きさ及び向きの表層流速度の成分が含まれていると考えられる。よって、これらを平均化すると(図4の場合におけるV_G1〜V_G6を平均化すると)、表層流速度成分が互いに打ち消し合い、対水速度成分が残る。すなわち、推定器12の結合係数Wが、上述のように、推定器12の第2出力値と対地速度との誤差が小さくなるように更新されていくと、対地速度に含まれる表層流速度成分の影響が徐々に小さくなるため、推定器12の第2出力値は、対水速度に収束していく。従って、学習データ(対地速度データ)が十分に得られ、学習が十分進んだ段階においては(すなわち、結合係数が十分な回数、更新された段階においては)、推定器12からの第2出力値を、対水速度と推定することができる。

表層流推定部8では、自船の航行中の所定のタイミング毎に、プロペラ回転数検出部3によって回転数が検出されるとともに、風向風速計4によって船首方向真風速及び右舷方向真風速が計測され、これらの情報は随時、推定器12に出力される。推定器12は、これらに基づき、自船の航行中において随時更新される結合係数Wを用いて、上記第2出力値を生成する。

[風力特性推定部の構成] 風力特性推定部9は、GPS信号受信部2と、プロペラ回転数検出部3と、風向風速計4と、データ出力部6と、演算部10を構成する構成要素の一部(具体的には、対地速度算出部11、推定器12、結合係数更新部14、及び画像生成部15)と、表示部5と、を備えている。GPS信号受信部2、プロペラ回転数検出部3、及び風向風速計4は、上述した表層流推定部8の場合と同様の構成及び動作であるため、その説明を省略する。

データ出力部6は、自船の風力特性を導出させるための信号である指令信号Sを受けると、推定器12に、複数のパラメータデータDn(n=1,2,…)を順次、出力する。各パラメータデータDnには、プロペラの回転数を示すデータである回転数データR₁と、風速ベクトルを示すデータである風速ベクトルデータV_WDn(n=1,2,…)と、が含まれている。各パラメータデータDnの回転数データR₁が示す回転数は互いに同じである一方、各パラメータデータDnの風速ベクトルデータV_WDnが示す風速ベクトルは、互いに異なっている。本実施形態では、データ出力部6は、風速ベクトルデータV_WDnとして、船首方向真風速及び右舷方向真風速を出力する。

なお、上述した指令信号Sは、例えば一例として、ユーザが、推定装置1に設けられた操作パネル(図示省略)を適宜、操作することにより、データ出力部6に送信される。このとき、ユーザは、例えば、所望の回転数R₁の値を操作パネルから入力することができる。

演算部10は、上述のように、データ出力部6から出力されたパラメータデータDnに基づき、風力特性を推定するように構成されている。なお、演算部10の対地速度算出部11及び結合係数更新部14については、上述した表層流推定部8の場合と同様の構成及び動作であるため、その説明を省略する。

上述のように、推定器12は、自船の対水速度を推定するように構成されている。推定器12には、データ出力部6から出力されたパラメータデータDnが入力され、これらに対応する値を対水速度V_WTn(n=1,2,…)(本実施形態の場合、船首方向対水速度及び右舷方向対水速度)と推定し、この対水速度V_WTnを第1出力値として画像生成部15に出力する。

また、推定器12には、上述のように、複数のパラメータデータDnが入力される。そして、各パラメータデータDnの回転数データR₁が示す回転数は、互いに同じであり、各パラメータデータDnの風速ベクトルデータV_WDnが示す風速ベクトルは、互いに異なっている。これにより、推定器12からは、プロペラの回転数が一定であって、且つ異なる方位から異なる大きさの風力が自船に作用する場合の対水速度V_WTnが、第1出力値として出力される。図5は、データ出力部6から出力される各パラメータデータDnと、推定器12が各パラメータデータDnに基づいて推定する各対水速度V_WTn(第1出力値)と、の対応関係について説明するための図である。

図6は、画像生成部15によって生成される風力特性グラフの生成過程を説明するための図である。具体的には、画像生成部15は、例えば一例として、始点位置が揃えられた複数の対水速度V_WTn(n=1,2,…)のうち、各対水速度V_WTnを推定する際に用いられた風速ベクトルV_WDnの大きさが互いに同じ複数の対水速度V_WTnの終点同士を繋いで閉曲線を生成する(図6参照)。なお、図6では、図面が煩雑になるのを避けるため、風速ベクトルV_WDnの大きさが互いに同じ複数の対水速度_WTnのみを図示している。

図7は、画像生成部15によって生成された風力特性グラフの一例を示す図である。図7に示す風力特性グラフより、例えば、自船に対して右方向からV_WD1[m/s]の風が作用している場合の自船の対水速度ベクトルがV_WTAであるため、自船の右舷方向対水速度がV_X1[m/s]、船首方向対水速度がV_Y1[m/s]であることがわかる。また、自船に対して後方からV_WD2[m/s]の風が作用している場合の自船の対水速度ベクトルがV_WTBであるため、自船の右舷方向対水速度がO[m/s]、船首方向対水速度がV_Y2[m/s]であることがわかる。また、自船に対して左方向からV_WD3[m/s]の風が作用している場合の自船の対水速度ベクトルがV_WTCであるため、自船の右舷方向対水速度がV_X1[m/s]、船首方向対水速度がV_Y1[m/s]であることがわかる。

すなわち、この風力特性グラフによれば、自船のプロペラの回転数が一定のときに、風の影響によって自船の対水速度がどの程度になるかを、視覚的に容易に知ることができる。

[効果] 以上のように、本実施形態に係る推定装置1の風力特性推定部9では、自船がある一定の回転数で航行する場合に、該自船の対水速度が、該自船に作用しうる風力によってどれだけ変化するかを推定することができる。

従って、風力特性推定部9によれば、自船の対水速度に影響を与えるパラメータである風速ベクトルと、該風速ベクトルに起因する自船の対水速度との関係性を、容易に把握できる。

また、風力特性推定部9では、推定器12を、ニューラルネットワークを用いて構成している。これにより、対水速度を出力可能な推定器12を適切に構成することができる。

また、風力特性推定部9では、推定器12の第2出力値と、対地速度算出部11で算出された対地速度との誤差が少なくなるように、推定器12を更新している。これにより、学習機能を備えた推定器12を構成することができる。しかも、風力特性推定部9では、正確な対水速度を推定するために必要な多量のデータを航行中に蓄積することができる。よって、これらの多数の学習データ(ある条件時における対地速度のデータ)を予め準備し、且つこれらの学習データに基づいて適切な結合係数を設定しておく手間を省くことができる。

以上、本発明の実施形態について説明したが、本発明はこれらに限定されるものではなく、本発明の趣旨を逸脱しない限りにおいて種々の変更が可能である。

[変形例] (1)図8は、変形例に係る推定装置1aの構成を示すブロック図である。本変形例に係る推定装置1aの演算部10aは、上記実施形態の演算部10と異なり、表層流算出部13が省略された構成となっている。すなわち、本変形例に係る推定装置1aは、表層流推定部8としての機能を有しておらず、風力特性推定部9として設けられている。よって、本変形例に係る推定装置1aによれば、上記実施形態の場合と異なり、自船付近の表層流の推定はできないものの、上記実施形態の場合と同様にして、自船の風力特性を推定することができる。

(2)図9は、変形例に係る推定装置1bの構成を示すブロック図である。本変形例に係る推定装置1bは、図8に示す推定装置1aと異なり、結合係数更新部14が省略された構成となっている。すなわち、本変形例に係る推定装置1bは、学習機能を有さない。また、本変形例に係る推定装置1bは、GPS信号受信部2、対地速度算出部11、プロペラ回転数検出部3、及び風向風速計4も省略された構成となっている。

本変形例に係る推定装置1bでは、予め取得された多くの学習データ(ある条件時における対地速度のデータ)に基づいて結合係数Wが決定された推定器12から出力される対水速度から、風力特性グラフが生成される。このような構成であっても、図8に示す推定装置1aの場合と同様、自船がある一定の回転数で航行する場合に、該自船の対水速度が 、該自船に作用しうる風力によってどれだけ変化するかを容易に推定できる。

(3)図10は、変形例に係る推定装置1cの構成を示すブロック図である。本変形例に係る推定装置1cは、図8に示す推定装置1と比ベて、推定器12cの構成が大きく異なっている。具体的には、推定器12cが、ニューラルネットワークを用いて構成されておらず、記憶部16及び更新部17を備えた構成となっている。

図11は、図10に示す推定器12cについて詳細に説明するための図である。

記憶部16には、図11に示すように、マトリックス状のテーブルが記憶されている。このテーブルには、風速風向の各値(X1,X2,X3,…)及び回転数の各値(R1,R2,R3,…)の組み合わせによって特定される各条件(テーブルの各セル部16aに対応)のときに算出された、対地速度が記憶されている。図11では、1つの対地速度の値が、1つの丸印で示されている。すなわち、記憶部16には、例えば、風速風向の値がX1であり且つ回転数の値がR1のときに算出された対地速度の値が、5つ、記憶されている。

推定器12cに、プロペラ回転数検出部3で検出された回転数(例えばR2)と、風向風速計4で計測された風向風速(例えばX3)と、が入力されると、推定器12cは、回転数がR2であり且つ風向風速がX3であるセル部16aに含まれる対地速度(図11の場合、11個)の平均値を算出する。そして、推定器12cは、その平均値を出力値として出力する。

図4を用いて上述したように、ある条件(ある回転数及びある風向風速の組み合わせで特定される条件)における対地速度を平均化すると、対地速度に含まれる表層流速度成分が互いに相殺されるため、その平均値は、対水速度に近い値になる。従って、本変形例に係る推定器12cによっても、適切に対水速度を推定することができる。

更新部17は、推定器12cに入力された回転数及び風向風速が検出されたタイミングにおいて算出された対地速度を用いて、記憶部16に記憶されているテーブルを更新する。具体的には、所定の回転数(例えばR3)時及び所定の風向風速(例えばX2)時に算出された対地速度を、R3及びX2で特定されるセル部16aに追加する。この動作が随時、行われることにより、航行中であっても学習データが蓄積され、より正確に対水速度を推定することができる。すなわち、本変形例に係る推定器12cも、学習機能を有している。その結果、より正確に風力特性を導出できる。

なお、本変形例において更新部17を省略した構成とすることにより、学習機能を有さない推定装置1dを構成することができる(図12参照)。この場合、記憶部16に、予め所得した複数の学習データ(図11における丸印1つに対応するデータ)を記憶させておく必要がある。

(4)図13は、変形例に係る推定装置1eの構成を示すブロック図である。本変形例に係る推定装置1eは、図8に示す推定装置1aに対して、学習係数設定処理部20を更に設けた構成となっている。

推定器12eは、上記実施形態の場合と同様、ニューラルネットワークを用いて構成されるとともに、いわゆる教師あり学習によって結合係数が随時、更新されるように構成されている。推定装置1eでは、該推定器12eからの出力値と教師信号(対地速度)との誤差が計算される。そして、推定装置1eは、その誤差を学習信号として出力層側のユニットから入力層側のユニットへ伝播させながら、結合係数Wを更新していく。結合係数の 修正量は、次の(1)式で与えられる。

式(1)において、ΔW_i,j^n,n−1(t)は、n−1層のユニットjとn層のユニットiの間の結合の重みに対する修正量、ηは学習係数、δ_iⁿはn層目のユニットiからn−1層の各ユニットへ戻される学習信号、X_jⁿ⁻¹はn−1層のユニットjの出力値、αは安定化係数、ΔW_i,j^n,n−1(t−1)は前回の修正量、を示す。なお、n−1層目の層は、n層目の層よりも1つ、入力側の層である。

図14は、学習係数設定処理部20の構成を示すブロック図である。学習係数設定処理部20は、式(1)における学習係数を随時、設定するためのものである。学習係数設定処理部20は、図14に示すように、記憶部21と、SOM更新部22と、カウント部23と、学習係数算出部24と、学習係数設定部25と、を有している。

図15は、記憶部21に記憶されるテーブルと、そのテーブルの各セルに対応して記憶される自己組織化マップSOMと、を模式的に示す図である。図15に示すように、記憶部21には、所定のプロペラ回転数毎及び所定の風速風向毎にメッシュ状に切られたテーブルが記憶されている。このテーブルの各セルには、対応する自己組織化マップSOMが記憶されている。本変形例の各自己組織化マップSOMは、n×n個のユニットで構成された2次元SOMである。各ユニットには、入力ベクトルと同次元の参照ベクトルが記憶されている。初期状態(学習が行われていない状態)では、各ユニットには、適当な参照ベクトルが設定されている。

SOM更新部22は、入力ベクトル(所定のタイミング毎に入力されるプロペラの回転数、風向風速、対地速度、等で構成されるベクトル)に応じて、SOMを更新する。具体的には、SOM更新部22は、入力された回転数及び風向風速が含まれるセルに記憶されるSOMを、以下のようにして更新する。

具体的には、SOM更新部22は、入力ベクトルとのユークリッド距離が最も近いユニットを勝者ユニットとし、その勝者ユニットに記憶される参照ベクトルと、勝者ユニットの周囲のユニットに記憶される参照ベクトルとを、次の(2)式に基づいて、更新する。

但し、m_iは参照ベクトル、x(t)は入力ベクトル、h_iは、c・exp(−dis²/α²)で表される近傍関数である。近傍関数において、cは学習率係数、dis=|x−m_c|である。ここで、m_cは、x(t)とのユークリッド距離を最小にする参照ベクトルである。

SOM更新部22は、随時入力される入力ベクトルによって、上述した式(2)を用いて、自己組織化マップSOMを随時、更新する。

カウント部23は、入力ベクトルとの差(ユークリッド距離)がある閾値以下となる参照ベクトルを有するユニットの数をカウントする。

学習係数算出部24は、カウント部23でカウントされた値の逆数をとり、その値を学習係数として算出する。すなわち、カウント値が多い場合(類似する入力データが多い場 合)には学習係数が小さくなり、カウント値が少ない場合(類似する入力データが少ない場合)には学習係数が大きくなる。

学習係数設定部25は、学習係数算出部24で算出された値を、推定器12eに通知し、(1)式における学習係数ηとして設定する。推定器12eは、その学習係数ηを用いて、(1)式に基づいて結合係数を更新した後、更新された結合係数に基づいて、対水速度ベクトルを算出する。

本変形例によれば、類似する学習データ(入力ベクトル)が多数、蓄積されている場合には、学習係数が小さくなる。この場合、上述した式(1)より明らかなように、結合係数の修正量ΔW_i,j^n,n−1(t)が小さくなる。一方、類似する学習データが蓄積されていない、又は少ししか蓄積されていない場合には、学習係数が大きくなる。この場合、式(1)より明らかなように、結合係数の修正量が大きくなる。これにより、本変形例によれば、類似する学習データが多く蓄積されることに起因する、推定器からの出力値の偏りを抑制することができる。

(5)図16は、変形例に係る推定装置の学習係数設定処理部26の構成を示すブロック図である。本変形例に係る学習係数設定処理部26は、上述した変形例の学習係数設定処理部20の場合と同様、ニューラルネットワークを用いて構成された推定器で用いられる式(1)の学習係数ηを設定するためのものである。しかし、本変形例に係る学習係数設定処理部26は、上述した変形例の学習係数設定処理部20と構成が異なる。本変形例の学習係数設定処理部26は、図16に示すように、記憶部27と、学習係数算出部28と、学習係数設定部29と、を有している。

図17は、記憶部27に記憶されるテーブルと、そのテーブルの各セル(各エリア)に対応して記憶される学習データとを示す図である。図17に示すように、記憶部27には、上述した変形例の場合と同様、所定のプロペラ回転数毎及び所定の風速風向毎にメッシュ状に切られたテーブルが記憶されている。本変形例では、各エリアに記憶されている学習データが、各学習データの対地速度に応じてマッピングされている。具体的には、図17に示すように、所定の船首方向対地速度毎、及び所定の右舷方向対地速度毎にメッシュ状に切られた複数のサブエリアを有するマップにおいて、各学習データが、対地速度に応じてマッピングされている。

学習係数算出部28は、直近で入力された学習データが含まれるサブエリアに記憶される学習データの数(図17の場合は4)を、該サブエリアが含まれるエリアの全サブエリアのうち最も学習データの数が多いサブエリアに記憶される学習データの数(図17の場合はサブエリアAの10)で除算した値の逆数を正規化した値を、学習係数として設定する。そして、学習係数設定部29は、上記変形例の学習係数設定部25と同様、学習係数算出部28で設定された学習係数を推定器に通知し、(1)式における学習係数ηとして設定する。このような構成であっても、学習係数を適切に設定することができる。

(6)図18は、変形例に係る推定装置1fの構成を示すブロック図である。本変形例に係る推定装置1fは、図8に示す推定装置1aに対して、学習進捗指標導出部18を更に設けた構成となっている。

図19は、画像生成部15で生成された風力特性グラフの一例を示す図であって、学習進捗指標の導出過程を説明するための図である。学習進捗指標導出部18は、図19における右舷方向対水速度が一定のライン(基準ラインL1)に対する、図19に示す対象ラインL2の傾きaを検出する。この対象ラインL2は、自船に対して後方から或る風速の風が作用する場合の対水速度の終点と、自船に対して前方から上記或る風速の風が作用す る場合の対水速度の終点と、を結ぶ直線である。

一般的に、船舶は、左右対称の構造を有している。よって、十分な数の学習データが取得されていれば、風力特性グラフは、左右対称になると考えられる。一方、学習データの数が不十分であれば、風力特性グラフが図19のように傾いて、基準ラインL1に対する対象ラインL2の傾きaが大きくなると考えられる。

これに対して、本実施形態に係る推定装置1fでは、学習進捗指標導出部18が、上述のように傾きaを検出するとともに、その傾きaの大きさに応じて、学習の進捗度合を示す指標としての学習進捗指標を導出する。学習進捗指標としては、例えば一例として、パーセントで表示される数値が挙げられる。学習進捗指標導出部18は、傾きaの大きさに応じた数値を、学習進捗指標として導出する。具体的には、学習進捗指標導出部18は、傾きaが大きい場合(すなわち、十分な学習データが得られていないと考えられる場合)には、学習進捗指標として、低い値を導出する。一方、学習進捗指標導出部18は、傾きaが小さい場合(すなわち、十分な学習データが得られていると考えられる場合)には、学習進捗指標として、高い数値を導出する。このように導出された数値は、表示部5に表示される。ユーザは、当該数値を見て、表示部5に表示される風力特性グラフの信頼度を、定量的に把握することができる。

なお、学習進捗指標は、上述のようなパーセントで表示される数値に限らず、その他の表示形態であってもよい。例えば、学習進捗指標は、複数段階にランク分けされたアルファベット(Aは信頼度が高い、Bは信頼度が中間程度、Cは信頼度が低い)であってもよい。或いは、学習進捗指標は、表示部5に表示される風力特性グラフの色(青は信頼度が高い、黄は信頼度が中間程度、赤は信頼度が低い)であってもよい。

(7)図20は、自動操舵装置30の構成を示すブロック図である。自動操舵装置30は、例えば、自船の舵35を自動で操作することにより、自船の航路を自動制御するように構成されている。自動操舵装置30は、推定装置1gと、制御部31とを備えている。

推定装置1gは、図1に示す推定装置1に対して、外乱計算部19を更に設けた構成となっている。外乱計算部19は、推定装置1gで推定された自船付近の表層流速度、及び風力特性グラフから得られる風力推進速度(自船に対する風力に起因する自船の対水速度)に基づき、自船が受けた外乱(表層流及び風力)に起因する自船の速度(対地速度)を計算する。具体的には、外乱計算部19は、前記表層流速度及び前記風力推進速度を足し合わせることで、前記外乱に起因する自船の速度を計算する。外乱計算部19は、この外乱に起因する自船の速度を、制御部31に通知する。

制御部31は、GPS信号受信部2で受信されたGPS信号に基づいて算出される自船の位置情報に基づき、予め想定した針路に沿って自船が航行するように、舵35の方向を操作する。また、制御部31は、外乱計算部19で計算された、前記外乱に起因する自船の速度にも基づいて、舵35の方向を操作する。

従来の自動操舵装置では、GPS信号から得られる自船位置に基づいて舵の方向を制御していた。これに対して、図20に示す自動操舵装置30では、GPS信号から得られる自船位置だけでなく、自船位置に影響を与える外乱(表層流、風力等)にも基づいて、舵35の方向を制御している。これにより、海況に応じて素早く適切な操舵を行うことが可能になるため、想定した針路に沿ってより正確に航行することができる。

(8)図21は、変形例に係る推定装置1hの構成を示すブロック図である。上述した実施形態及び各変形例では、船舶特性として風力特性を推定可能な推定装置を例に挙げて 説明した。これに対して、本変形例に係る推定装置1hは、船舶特性として主機特性を推定可能に構成されている。ここで、主機特性とは、船舶において推力を発生させるための機構部分の特性のことである。本実施形態に係る推定装置1hでは、プロペラの回転数に対するプロペラ推進速度を主機特性として算出可能である。なお、プロペラ推進速度とは、プロペラの回転に起因する船舶の対水速度である。

本変形例に係る推定装置1hは、表層流推定部8と、主機特性推定部9h(船舶特性推定装置)と、を備えている。表層流推定部8の構成及び動作は、上述した実施形態に係る推定装置1の表層流推定部8と同じであるため、その説明を省略する。

[主機特性推定部の構成] 主機特性推定部9hは、GPS信号受信部2と、プロペラ回転数検出部3と、風向風速計4と、データ出力部6aと、演算部10hを構成する構成要素の一部(具体的には、対地速度算出部11、推定器12h、結合係数更新部14、及び画像生成部15a)と、表示部5と、を備えている。GPS信号受信部2、プロペラ回転数検出部3、及び風向風速計4は、表層流推定部8の場合と同様の構成及び動作であるため、その説明を省略する。

データ出力部6aは、自船の主機特性を導出させるための信号である指令信号Sを受けると、推定器12hに、複数のパラメータデータDn(n=1,2,…)を順次、出力する。各パラメータデータDnには、プロペラの回転数を示すデータである回転数データR_n(n=1,2,…)と、風速ベクトルを示すデータである風速ベクトルデータV_WD1と、が含まれている。

本変形例では、上述した実施形態と異なり、各パラメータデータDnの風速ベクトルデータV_WD1が示す風速ベクトルは互いに同じである一方、各パラメータデータDnの回転数データR_nが示すプロペラの回転数は、互いに異なっている。本実施形態では、データ出力部6は、風速ベクトルV_WD1として、船首方向真風速及び右舷方向真風速を出力する。

なお、上述した指令信号Sは、例えば一例として、ユーザが、推定装置1hに設けられた操作パネル(図示省略)を適宜、操作することにより、データ出力部6aに送信される。このとき、ユーザは、所望の風速ベクトルの値(例えば、O[m/s])を操作パネルから入力することができる。

演算部10hは、上述のように、データ出力部6aから出力されたパラメータデータDnに基づき、主機特性を推定するように構成されている。なお、演算部10hの対地速度算出部11及び結合係数更新部14については、上述した表層流推定部8の場合と同様の構成及び動作であるため、その説明を省略する。

上述のように、推定器12hは、自船の対水速度を推定するように構成されている。推定器12hには、データ出力部6aから出力されたパラメータデータDnが入力され、これらに対応する値が、対水速度V_WTn(n=1,2,…)の大きさ|V_WTn|と推定され、第1出力値として画像生成部15に出力される。

また、推定器12hには、上述のように、複数のパラメータデータDnが入力される。そして、各パラメータデータDnの風速ベクトルデータV_WD1が示す風速ベクトルは、互いに同じであり、各パラメータデータDnの回転数データR_nが示すプロペラの回転数は、互いに異なっている。これにより、推定器12hからは、自船に作用する風力が一定であって、且つプロペラの回転数が異なる場合の対水速度V_WTnの大きさ|V_WTn|が出力される。図22は、データ出力部6aから出力される各パラメータデータDnと、 推定器12hが各パラメータデータDnに基づいて推定する各対水速度V_WTnの大きさ|V_WTn|、の対応関係について説明するための図である。

図23は、画像生成部15aによって生成される主機特性グラフの一例を示す図である。画像生成部15aは、図23の実線に示すような主機特性グラフを生成する。具体的には、画像生成部15aは、図23に示す座標(縦軸が対水速度の大きさ、横軸がプロペラの回転数)に、推定器12hから出力された各対水速度V_WTnの大きさであるプロペラ推進速度|V_WTn|と、該各対水速度V_WTnを推定する際に用いられた回転数Rnとで特定される点を、プロットする。そして、画像生成部15aは、プロットされた複数の点に基づき、回帰分析等によって図23の実線に示すような曲線(主機特性)を算出する。そして、この主機特性グラフが、表示部5に表示される。

一般的に、主機特性は、新艇のトライアル時又は修理直後において、理想的な特性、具体的には、プロペラの回転数に対するプロペラ推進速度が速くなるような特性となる(図23破線参照)。よって、例えば、新艇のトライアル時の主機特性と、現時点での自船の主機特性とを比較することにより、エンジンの劣化状態、船体表面の汚損状態等を推測することができる。ユーザは、これらの状態を知ることにより、より正確な運航計画、異常点検の必要性等を判断することができる。

以上のように、本変形例に係る推定装置1hの主機特性推定部9hでは、自船に一定の風力が作用している場合に、該自船の対水速度が、該自船のプロペラの回転数によってどれだけ変化するかを推定することができる。

従って、主機特性推定部9hによれば、自船の対水速度に影響を与えるパラメータであるプロペラの回転数と、該回転数に起因する自船の対水速度との関係性を、容易に把握できる。

また、主機特性推定部9hでは、推定器12hを、ニューラルネットワークを用いて構成している。これにより、対水速度を出力可能な推定器12を適切に構成することができる。

また、主機特性推定部9hでは、推定器12hの第2出力値と、対地速度算出部11で算出された対地速度との誤差が少なくなるように、推定器12hを更新している。これにより、学習機能を備えた推定器12hを構成することができる。しかも、主機特性推定部9hでは、正確な対水速度を推定するために必要な多量のデータを航行中に蓄積することができる。よって、これらの多数の学習データ(ある条件時における対地速度のデータ)を予め準備し、且つこれらの学習データに基づいて適切な結合係数を設定しておく手間を省くことができる。

(9)図24は、変形例に係る推定装置1iの構成を示すブロック図である。本変形例に係る推定装置1iの演算部10iは、図21に示す演算部10hと異なり、表層流算出部13が省略された構成となっている。すなわち、本変形例に係る推定装置1iは、表層流推定部8としての機能を有しておらず、主機特性推定部9hとして設けられている。よって、本変形例に係る推定装置1iによれば、図21に示す変形例の場合と異なり、自船付近の表層流の推定はできないものの、図21に示す変形例の場合と同様にして、自船の主機特性を推定することができる。

なお、上記実施形態に係る推定装置1における変形例として説明した各変形例は、図21及び図24に示す変形例に適宜、適用することができる。また、上述した実施形態に係る推定装置1と、図21又は図24に示す推定装置を適宜、組み合わせることにより、自 船付近の表層流速度、自船の風力特性、及び自船の主機特性を推定可能な推定装置を構成することもできる。

(10)図21に示す変形例では、表示部5に主機特性グラフを表示することにより、現時点における主機の状態をユーザに通知したが、これに限らない。具体的には、主機の劣化状態を示す指標を、表示部において表示することもできる。

図25は、表示部に表示される回転速度計7の一例を示す図である。回転速度計7には、回転速度の数値が記された目盛部7aが設けられていて、指示針7bがプロペラの回転速度を指し示すように構成されている。

そして、本実施形態では、指示針7bの色が、主機の劣化状態を示す指標として機能する。具体的には、主機特性が劣化していない状態では、指示針7bの色が、図25(A)に示すように、例えば青色(ハッチングなし)で表示される。また、主機特性がやや劣化した状態では、指示針7bの色が、図25(B)に示すように、例えば黄色(間隔が広いハッチング)で表示される。そして、主機特性が大きく劣化し修理が必要な状態になると、指示針7bの色が、図25(C)に示すように、例えば赤色(間隔が狭いハッチング)で表示される。これにより、ユーザは、主機特性の劣化を視覚的に容易に認識することができる。

上述した主機特性の劣化状態は、例えば一例として、新艇のトライアル時又は修理直後の主機の所定回転数時におけるプロペラ推進速度と、現時点での主機の所定回転数時におけるプロペラ推進速度との比に基づいて、判定することができる。

なお、主機の劣化状態を示す指標としては、上述のような色に限らず、例えば、劣化状態に対応する模様とすることもでき、或いは、劣化状態に応じて回転速度計7の明度が徐々に暗くなるようにすることもできる。

(11)図26は、変形例に係る推定装置1jの構成を示すブロック図である。本変形例に係る推定装置1jは、図24に示す推定装置1iに対して、学習進捗指標導出部18aを更に設けた構成となっている。

図27は、画像生成部15aで生成された主機特性グラフの一例を示す図であって、学習進捗指標について説明するための図である。

主機特性グラフは、プロペラの回転数を変化させた場合における、自船のプロペラ推進速度を示すグラフであるため、プロペラの回転数が0のときには、理想的にはプロペラ推進速度は0となるはずである。よって、十分な数の学習データが取得されていれば、主機特性グラフにおいて、プロペラの回転数が0のときのプロペラ推進速度は0に近くなると考えられる。一方、十分な数の学習データが取得されていなければ、プロペラの回転数が0のときのプロペラ推進速度(図27におけるb)の値は大きくなると考えられる。

これに対して、本実施形態に係る推定装置1jでは、学習進捗指標導出部18が、図27に示すプロペラ推進速度bの値を検出するとともに、プロペラ推進速度bの大きさに応じた数値を、学習進捗指標として導出する。具体的には、学習進捗指標導出部18は、例えば一例として、上記プロペラ推進速度bの値を学習進捗指標として導出し、表示部5に表示する。ユーザは、当該数値を見て、表示部5に表示される主機特性グラフの信頼度を、定量的に把握することができる。

なお、学習進捗指標は、上述のようなプロペラ推進速度bに限らず、その他の表示形態 であってもよい。例えば、学習進捗指標は、複数段階にランク分けされたアルファベット(Aは信頼度が高い、Bは信頼度が中間程度、Cは信頼度が低い)であってもよい。或いは、学習進捗指標は、表示部5に表示される主機特性グラフの色(青は信頼度が高い、黄は信頼度が中間程度、赤は信頼度が低い)であってもよい。

(12)上述した実施形態及び各変形例では、表示部5に、風力特性(図7参照)又は主機特性(図27)が表示されたが、これに限らず、例えば、表示部5に、所定時間後の自船位置を表示してもよい。

図28は、本変形例に係る推定装置の表示部5で表示される、所定時間後の自船位置を示すマップの一例である。図28に示すマップには、自船の現在地と、所定時間後の自船の予想位置とが表示される。図28に示す例では、矢印の終点が、自船のプロペラがある回転数で回転し続けた場合の、所定時間後の自船位置Pを示している。また、図28に示す楕円状の閉曲線は、自船に対する風力によって、自船が位置Pからどれだけ流されうるかを示している。例えば、点P1は、自船に対して左側から風速V_WD3[m/s]の風が作用し続けた場合の自船位置を示している。従って、本変形例によれば、自船に作用する風力の風速を考慮して、自船の未来位置を正確に予測することができる。

なお、自船の未来位置を予測するに当たり、上述した風力特性の他に、図1に示す推定装置1によって算出される自船付近の表層流の速度、図21に示す推定装置1hによって推定される主機特性、等を考慮してもよい。これにより、より正確に自船の未来位置予測を行うことができる。

(13)また、上述した実施形態及び各変形例において、学習データの蓄積が十分でない場合に、学習データを補完することもできる。

図29は、学習データの補完について説明するための模式図である。船舶の形状は概ね左右対称であるため、風力特性も、左右対称となることが予想される。具体的には、例えば、ある条件下で航行している船が、左舷後方45度の風を受けた場合と、右舷後方45度の風(風速の大きさは互いに同じ)を受けた場合とでは、その進行方向が左右対称になると予想される。よって、図29を参照して、例えば、プロペラ回転数が所定の回転数、風向が左舷後方45度、風速が所定の大きさ、のときに、対地速度がV_Gであった場合、その学習データに基づいて、以下のようにデータを補完することができる。具体的には、プロペラ回転数及び風速の大きさは上記学習データと同じであり、風向が右舷後方45度、のときの学習データとして、左右反転させたベクトルV’_Gを補完することができる。このように学習データを補完することにより、例えば学習データの蓄積が不十分な初期段階であっても、精度よく表層流、風力特性、主機特性等を推定することができる。

6,6a データ出力部 9,9b,9c,9d,9e,9f 風力特性推定部(船舶特性推定装置) 9h,9j 主機特性推定部(船舶特性推定装置) 12,12c,12d,12h 推定器