TITRE : PROCÉDÉ ET SYSTÈME DE CORRECTION DE DONNÉES ÉMISES PAR DES CAPTEURS POUR L'OPTIMISATION DE NAVIGATION DE NAVIRE

DOMAINE

[0001] La présente technologie concerne l'aide à la navigation d'un navire, et plus particulièrement un procédé et un système de correction de données de capteurs utilisés pour optimiser la navigation d'un navire.

CONTEXTE

[0002] Les navires d'aujourd'hui améliorent leur cap de navigation et économisent de l'énergie en sélectionnant des trajectoires optimisées, et utilisant des outils tels que, par exemple, des applications de navigation intelligente. Une telle optimisation est possible grâce aux calculs de données émises par des capteurs, dont des capteurs embarqués sur le navire, qui mesurent certaines caractéristiques physiques pertinentes pour l'optimisation de la trajectoire. Par exemple, des capteurs peuvent fournir des données relatives à la vitesse sur l’eau du navire. D'autres capteurs peuvent fournir des données relatives au couple de l'arbre des hélices du navire. Cependant, ces capteurs, et les données qu'ils émettent, souffrent généralement de biais et de dérives. Le biais est un écart systématique entre la valeur vraie de la grandeur à mesurer et la valeur donnée par le capteur. La dérive d'un capteur, ou dérive métrologique, est une altération de son comportement physique, qui se traduit par une perte de justesse résultant en des erreurs dans les données mesurées qu’il restitue. Corriger les données des capteurs avant qu'elles ne soient utilisées pour l'optimisation de la navigation, par exemple avant d'être transmises aux applications de navigation intelligentes, devient donc souhaitable.

[0003] La corrélation des données émises par certains capteurs avec des données émises par certains autres capteurs est connue dans l'industrie, comme un moyen de corriger les données des capteurs.

[0004] Le document intitulé « Automatic Sensor drift detection and correction using Spatial Kriging and Kalman filtering », 2013 IEEE International Conference on Distributed Computing in Sensor Systems, décrit un système permettant la détection et la correction des erreurs de dérive et de biais d'un capteur donné appartenant à un réseau de capteurs, mesurant des variables telles que la température, l'humidité et l'intensité lumineuse. Des techniques de prédiction de type Krigeage sont utilisées pour prédire la position réelle au sol du capteur à l'emplacement donné, en utilisant des données émises par des capteurs voisins pour lesquels on suppose une corrélation élevée dans le domaine spatial, tandis qu’un filtre de Kalman est utilisé pour filtrer une valeur corrigée du capteur et obtenir une valeur prédite.

[0005] Le document intitulé « Time series estimation of gas sensor baseline drift using ARMA and Kalman based models », de janvier 2016, Sensor Review, décrit un algorithme de détection et de correction des dérives du capteur, appliqué à un capteur de pression. L'algorithme est basé sur l'estimation des états du processus à partir desquels les mesures du capteur sont effectuées, ainsi que du taux de dérive, à l'aide d'un filtre de Kalman avec un modèle d’état augmenté.

[0006] La demande de brevet PCT WO0146712 publiée le 28 juin 2001, intitulée « Dispositif d’hybridation d’un récepteur de positionnement satellite avec une centrale inertielle » divulgue une hybridation, faisant intervenir un filtre de Kalman, entre des incréments d'angles et de vitesses délivrés par une centrale inertielle ; une position, une vitesse et une orientation du satellite sont calculées par un calculateur de navigation ; et une autre version des mêmes caractéristiques physiques de position et de vitesse sont fournies par un GNSS (Global Navigation Satellite System en langage anglo-saxon).

[0007] Ces solutions ne prévoient cependant pas de procédé et de système de correction des données des capteurs utilisées pour l'optimisation de la navigation d’un navire, où est appliquée une correction des données émises par des capteurs qui mesurent la vitesse sur l’eau du navire, ou des capteurs qui mesurent le couple de l'arbre de l’hélice, et où ladite correction est à la fois une correction du biais additif et multiplicatif et/ou de la dérive additive et multiplicative pour la vitesse sur l’eau, ainsi que du biais et/ou de la dérive additifs pour le couple de l'arbre. Un procédé et un système selon la présente technologie deviennent ainsi souhaitables.

[0008] Les documents évoqués dans cette section ne doivent pas être présumés appartenir à l'état de la technique simplement à raison de leur seule évocation. De même, un problème mentionné dans cette même section ne doit pas être présumé avoir été précédemment identifié dans l'état de la technique à raison de sa seule mention. RÉSUMÉ

[0009] Des modes de réalisation de la présente technologie ont été développés sur la base de la compréhension par les développeurs des lacunes associées à l'art antérieur. La présente technologie comporte ainsi, sous différents mode de réalisation, un procédé de correction de données émises par au moins deux capteurs pour l'optimisation de la navigation d'un navire, ledit procédé comprenant :

- une première étape de recevoir d’un premier capteur parmi les au moins deux capteurs des premières données de mesure parmi des données de mesure relatives à la vitesse sur l'eau du navire, appelées « Log_Speed », et des données de mesure relatives au couple sur l'arbre de l'hélice du navire, appelées « Shaft Torque », et d’au moins un deuxième capteur parmi les au moins deux capteurs des deuxièmes données de mesure parmi des données de mesure relatives à la vitesse par rapport au sol du navire, appelées « GPS_Speed », et des données de mesure relatives à la vitesse de rotation d'une hélice du navire, appelées « Shaft_RPM » ;

- une deuxième étape d’établir une première relation mathématique comprenant des coefficients entre les données de mesure reçues ;

- une troisième étape d’estimer lesdits coefficients en appliquant un filtre de Kalman;

- une quatrième étape de corriger les premières données de mesure reçues en calculant des données de mesure corrigées, à partir des données de mesure reçues et des coefficients estimés ; et

- une cinquième étape de fournir les données de mesure corrigées à un système de navigation du navire.

[0010] Dans un premier mode de réalisation de la présente technologie, les premières données de mesure sont les données de mesure relatives à la vitesse sur l'eau du navire, appelées « Log_Speed », et les deuxièmes données de mesure sont les données de mesure relatives à la vitesse par rapport au sol du navire, appelées « GPS_Speed », la première relation mathématique est Log_Speed = a * GPS_Speed + b, avec a et b étant les coefficients, le filtre de Kalman est défini par :

, — » rai

- un modèle d état : x _t =

- un modèle

- et un modèle de mesure où v est une matrice de covariance de bruit gaussien du modèle de mesure, et w une matrice de covariance de bruit gaussien du modèle d'évolution, A est une matrice identité et B = [(Gps_Speed) 1] ; les premières données de mesure étant corrigées selon la formule: Log_Speedcon- = (Log_Speed - b) / a.

[0011] Dans un second mode de réalisation de la présente technologie, le procédé comprend en outre :

- une étape de recevoir d’un troisième capteur parmi les au moins deux capteurs des troisièmes données de mesure relatives à la vitesse de rotation d'une hélice du navire, appelées « Shaft_RPM » ;

- une étape d’établir une deuxième relation mathématique comprenant des coefficients b et c entre les premières et troisièmes données de mesure reçues telle que Log_Speed = c * Shaft_RPM + b ;

- une étape d’estimer les coefficients a, b et c en appliquant un filtre de Kalman défini par :

- un modèle d'état

- un modèle d'évolution

- et un modèle de mesure où v est une matrice de covariance de bruit gaussien du modèle de mesure, et w une matrice de covariance de bruit gaussien du modèle d'évolution, A est une matrice identité les premières données de mesure étant corrigées selon la formule: Log_Speedcorr= (Log Speed - b) / a.

[0012] Dans un troisième mode de réalisation de la présente technologie, le procédé de correction comprend en outre :

- une étape de recevoir d’un quatrième capteur parmi les au moins deux capteurs des quatrièmes données de mesure relatives au couple sur l'arbre de l'hélice du navire, appelées « Shaft_Torque » ;

- une étape d’établir une troisième relation mathématique comprenant des coefficients d et e entre les troisièmes et quatrièmes données de mesure reçues telle que Shaft_Torque = d * Shaft_RPM ² + e, avec d et e étant les coefficients ; le filtre de Kalman étant défini par :

- un modèle d'état pour les données de mesure relatives à la vitesse sur l'eau du navire:

- un modèle d'état pour les données de mesure relatives au couple sur l'arbre de l'hélice du navire xl = P] :

LeJ

- un modèle

- et un modèle de mesure : yl = B * x^ + v où v est une matrice de covariance de bruit gaussien du modèle de mesure, et w une matrice de covariance de bruit gaussien du modèle d'évolution, A est une matrice identité et le procédé comprenant en outre une étape de correction des quatrièmes données de mesure selon la formule: Shaft_Torquecon-= Shaft_Torque - e.

[0013] Dans un quatrième mode de réalisation de la présente technologie, les premières données de mesure sont les données de mesure relatives au couple sur l'arbre de l'hélice du navire, appelées « Shaft_Torque », et les deuxièmes données de mesure sont les données de mesure relatives à la vitesse de rotation d'une hélice du navire, appelées « Shaft_RPM », la première relation mathématique est

Shaft_Torque = d * Shaft_RPM ² + e, avec d et e étant les coefficients, le filtre de Kalman étant défini par :

- un modèle

- un modèle

- et un modèle de mesure où v est une matrice de covariance de bruit gaussien du modèle de mesure, et w une matrice de covariance de bruit gaussien du modèle d'évolution, A est une matrice identité et

B = [Shaft_RPM ² 1] ; les premières données de mesure étant corrigées selon la formule: Shaft Torqiiccon Shaft_Torque - e.

[0014] Dans un mode particulier de réalisation du premier mode de réalisation de la présente technologie, la matrice v est calibrée en :

- établissant un modèle de régression linéaire de la première relation mathématique pour obtenir une estimation des coefficients a et b ;

- exprimant le bruit blanc gaussien comme : v = — B * T _t et

- injectant l’estimation obtenue des coefficients a et b dans le modèle d'état .

[0015] Dans un mode particulier de réalisation du premier mode de réalisation de la présente technologie, la matrice w est calibrée en :

- établissant un modèle de régression linéaire de la première relation mathématique pour obtenir une estimation des coefficients a et b ;

- calculant une vitesse de variation du coefficient égale à v _x = O.OSx/mois, où x est un des coefficients a ou b, pour chacun (x) des coefficients a et b ; et

- réduisant la matrice w à une diagonale et estimant chaque élément de la diagonale comme égal à (y _x * dt) ² , où x est un coefficient choisi parmi a ou b, et où dt est l’intervalle de temps entre deux mesures de données de mesure.

[0016] Dans un mode particulier de réalisation du premier mode de réalisation de la présente technologie, les valeurs initiales des coefficients a et b sont établies en :

- établissant un modèle de régression linéaire de la première relation mathématique pour obtenir une estimation des coefficients a et b ;

- utilisant l’estimation obtenue comme valeur initiale du modèle d'état x^; et

- utilisant l’inverse de la matrice d’information de Fisher comme covariance initiale de x^ dans le filtre de Kalman.

[0017] Dans un mode particulier de réalisation du second mode de réalisation de la présente technologie, la matrice v est calibrée en :

- établissant un modèle de régression linéaire des première et deuxième relations mathématiques pour obtenir une estimation des coefficients a, b et c ;

- exprimant le bruit blanc gaussien comme : v = — B * x^ ; et

- injectant l’estimation obtenue des coefficients a, b et c dans le modèle d'état x^.

[0018] Dans un mode particulier de réalisation du second mode de réalisation de la présente technologie, la matrice w est calibrée en :

- établissant un modèle de régression linéaire des première et deuxième relations mathématiques pour obtenir une estimation des coefficients a, b et c;

- calculant une vitesse de variation du coefficient égale à v _x = O.OSx/mois, où x est un coefficient parmi les coefficients a, b ou c, pour chacun (x) des coefficients a, b et c ; et - réduisant la matrice w à une diagonale et estimant chaque élément de la diagonale comme égal à (v _x * dt) ² , où x est un coefficient choisi parmi a, b ou c ; et où dt est l’intervalle de temps entre deux mesures de données de mesure.

[0019] Dans un mode particulier de réalisation du second mode de réalisation de la présente technologie, les valeurs initiales des coefficients a, b et c sont établies en :

- établissant un modèle de régression linéaire des première et deuxième relations mathématiques pour obtenir une estimation des coefficients a, b et c ;

- utilisant l’estimation obtenue comme valeur initiale du modèle d'état x^,- et

- utilisant l’inverse de la matrice d’information de Fisher comme covariance initiale dans le filtre de Kalman.

[0020] Dans un mode particulier de réalisation du troisième mode de réalisation de la présente technologie, la matrice v est calibrée en :

- établissant un modèle de régression linéaire des première, deuxième et troisième relations mathématiques pour obtenir une estimation des coefficients a, b, c, d et e ;

- exprimant le bruit blanc gaussien comme : v = — B * x^ ; et

- injectant l’estimation obtenue des coefficients a, b, c, d et e dans le modèle d’état iq.

[0021] Dans un mode particulier de réalisation du troisième mode de réalisation de la présente technologie, la matrice w est calibrée en :

- établissant un modèle de régression linéaire des première, deuxième et troisième relations mathématiques pour obtenir une estimation des coefficients a, b, c, d et e;

- calculant une vitesse de variation du coefficient égale à v _x = 0.05x/mois, où x est un coefficient choisi parmi les coefficients a, b, c, d ou e pour chacun (%) desdits coefficients a, b, c, d et e et

- réduisant la matrice w à une diagonale et estimant chaque élément de la diagonale comme égal à (y _x * dt) ² , où x est un coefficient choisi parmi les coefficients a, b, c, d et e et ; où dt est l’intervalle de temps entre deux mesures de données de mesure.

[0022] Dans un mode particulier de réalisation du troisième mode de réalisation de la présente technologie, les valeurs initiales des coefficients a, b, c, d et e sont établies en :

- établissant un modèle de régression linéaire des première, deuxième et troisième relations mathématiques pour obtenir une estimation des coefficients a, b, c, d et e ;

- utilisant l’estimation obtenue comme valeur initiale du modèle d'état xp, et - utilisant l’inverse de la matrice d’information de Fisher comme covariance initiale dans le filtre de Kalman.

[0023] La présente technologie comporte en outre un support lisible par ordinateur, comportant des instructions pour exécuter le procédé selon l’un des modes de réalisation ci-dessus.

[0024] La présente technologie comporte enfin un système de correction de données émises par au moins deux capteurs pour l'optimisation de la navigation d'un navire, comprenant :

- les au moins deux capteurs aptes à émettre des données de mesure ;

- un processeur configuré pour mettre en œuvre le procédé selon l’un des modes de réalisation ci-dessus.

[0025] Dans un mode de réalisation du système de la présente technologie, le processeur comprend :

- un correcteur de données de capteur configuré pour recevoir des au moins deux capteurs les données de mesure, et fournir les données de mesure corrigées au système de navigation du navire, et

- un serveur configuré pour établir la, respectivement les, relation(s) entre les données de mesure, estimer les coefficients de la, respectivement les, relation(s) mathématique(s) en appliquant ledit filtre de Kalman, et corriger les données de mesure reçues des au moins deux capteurs, le correcteur de données de capteur étant configuré pour envoyer les données de mesure reçues des au moins deux capteurs au serveur, et recevoir les données de mesure corrigées du serveur, préférentiellement via une connexion sans fil.

[0026] Dans ce qui suit, des données de mesure émises par un capteur sont à comprendre comme un ensemble d’une pluralité de données de mesure émises par ledit capteur.

[0027] Dans le cadre de la présente description, sauf disposition expresse contraire, un « processeur » peut faire référence, mais sans s'y limiter, à tout type de « système informatique », « dispositif électronique », « système informatisé », « unité de contrôle », « dispositif de surveillance », « serveur » et/ou toutes combinaisons de ceux-ci appropriées à la tâche concernée, en relation avec la réception, le stockage, le traitement et/ou la transmission de données. [0028] Dans le cadre de la présente description, l'expression « FPGA » vise à inclure les systèmes de type Field Programmable Gate Array (en langage anglo-saxon), disponibles sur le marché au moment du dépôt de la présente demande de brevet, tels que les références Xilinx VU9P, ou Intel Stratix V, et toutes les technologies équivalentes ultérieures devenues disponibles, quel que soit leur nom, consistant en un matériel de système informatique programmable avec un logiciel.

[0029] Dans le cadre de la présente description, un « processeur » peut comprendre un seul processeur dédié, un seul processeur partagé, ou une pluralité de processeurs individuels, dont certains peuvent être partagés. Un « processeur » peut être un processeur à usage général, tel qu'une unité centrale de traitement (CPU), un processeur dédié à un objectif spécifique ou un processeur implémenté dans un FPGA. D'autres matériels et logiciels, conventionnels et/ou personnalisés, peuvent également être inclus dans un « processeur ».

[0030] Dans le cadre de la présente description, sauf disposition expresse contraire, l'expression "mémoire" inclut les systèmes de stockage à accès aléatoire, disponibles sur le marché au moment du dépôt de la présente demande de brevet, et toutes les technologies équivalentes ultérieures devenant disponibles, quelle que soit leur dénomination, consistant en des supports de systèmes informatiques pour le stockage d'informations numériques. Un exemple d'une telle mémoire peut être une mémoire vive statique (SRAM).

[0031] Dans le cadre de la présente description, les étapes fonctionnelles représentées sur les figures peuvent être assurées grâce à l'utilisation de matériel dédié, ainsi que de matériel capable d'exécuter un logiciel approprié.

[0032] Dans le cadre de la présente description, sauf disposition expresse contraire, les mots "premier", "deuxième", "troisième", etc... n'ont été utilisés comme adjectifs qu'aux seules fins de permettre de distinguer les noms qu'ils accompagnent les uns des autres, et non dans le but de décrire une relation particulière entre ces noms.

[0033] Les mises en œuvre de la présente technologie ont chacune au moins un des objets et/ou aspects mentionnés ci-dessus, mais ne les ont pas nécessairement tous.

[0034] Des caractéristiques, aspects et avantages supplémentaires et/ou alternatifs des mises en œuvre de la présente technologie ressortiront de la description suivante, des dessins joints et des revendications annexées. DESCRIPTION BRÈVE DES DESSINS

[0035] Pour une meilleure compréhension de la présente technologie, il est fait référence à la description suivante qui doit être utilisée conjointement avec les dessins ci-joints, où :

[Fig. la] : est la représentation de la présente technologie appliquée à l'optimisation de la navigation d'un navire, grâce à la correction de la mesure de la vitesse sur l’eau ;

[Fig.lb] : est la représentation de la présente technologie appliquée à l'optimisation de la navigation d'un navire, grâce à une correction de la mesure de vitesse sur l’eau améliorée ;

[Fig. le] : est la représentation de la présente technologie appliquée à l'optimisation de la navigation d'un navire, grâce à une correction combinée des données de mesure de la vitesse sur l’eau et du couple de l'arbre ;

[Fig.ld] : est la représentation de la présente technologie appliquée à l'optimisation de la navigation d'un navire, par la seule correction de la mesure du couple de l’arbre ;

[Fig.2a] : détaille les étapes d’un premier mode de réalisation du procédé selon la présente technologie ;

[Fig.2b] : détaille les étapes d’un second mode de réalisation du procédé selon la présente technologie ;

[Fig.2c] : détaille les étapes d’un troisième mode de réalisation du procédé selon la présente technologie ;

[Fig.2d] : détaille les étapes d’un quatrième mode de réalisation du procédé selon la présente technologie ;

[Fig.3] : illustre une correction appliquée à la mesure de la vitesse sur l’eau d’un navire conformément à la présente technologie ;

[Fig.4] : illustre une correction appliquée à la mesure du couple de l’arbre de l’hélice d’un navire conformément à la présente technologie ; et

[Fig.5] : illustre un système informatique qui peut être utilisé dans la présente technologie.

[0036] Il convient de noter que, sauf indication contraire explicite dans les présentes, les dessins ne sont pas à l'échelle. Enfin, les éléments identiques d'un dessin à l'autre portent la même référence numérique. DESCRIPTION DÉTAILLÉE

[0037] Les exemples et les conditions associées détaillés ici sont principalement destinés à aider le lecteur à comprendre les principes de la présente technologie et non à limiter sa portée à ces exemples et conditions spécifiques. On comprendra que l'homme du métier peut concevoir divers agencements qui, bien qu'ils ne soient pas explicitement décrits ou représentés ici, incarnent néanmoins les principes de la présente technologie et sont inclus dans son esprit et sa portée.

[0038] En outre, pour faciliter la compréhension, la description suivante peut décrire des mises en œuvre relativement simplifiées de la présente technologie. Comme l’homme du métier le comprend, d’autres mises en œuvre de la présente technologie peuvent être d'une plus grande complexité.

[0039] Dans certains cas, des exemples de modifications de la présente technologie peuvent également être présentés. Ceci est fait simplement comme une aide à la compréhension, et, à nouveau pas pour définir la portée ou établir les limites de la présente technologie. Ces modifications ne sont pas une liste exhaustive, et l'homme du métier pourra apporter d'autres modifications tout en restant dans le cadre de la présente technologie.

[0040] En outre, toutes les déclarations ci-après relatives aux principes, aspects et mises en œuvre de la présente technologie, ainsi que les exemples spécifiques de celle-ci, visent à englober à la fois les équivalents structurels et fonctionnels de celle- ci, qu'ils soient actuellement connus ou développés à l'avenir. Ainsi, par exemple, il sera compris par l’homme du métier que tous les schémas fonctionnels représentent des vues conceptuelles d’exemples de circuits incorporant les principes de la présente technologie. De même, il sera bien compris que tous les organigrammes, diagrammes de transition d'état, pseudo-code, et similaires, représentent divers processus qui peuvent être implémentés sur des supports lisibles par ordinateur, et ainsi être exécutés par un ordinateur ou un processeur, qu'un tel l'ordinateur ou processeur soit montré sur les figures ou non.

[0041] Les fonctions des divers éléments représentés sur les figures, y compris tout bloc fonctionnel, peuvent être assurées par l'utilisation de matériel dédié ainsi que de matériel capable d'exécuter un logiciel approprié. Elles peuvent également être exécutées par un processeur. D'autres matériels, conventionnels et/ou personnalisés, peuvent également être utilisés.

[0042] Les modules logiciels, ou les modules supposés être des logiciels, peuvent être représentés ici comme une combinaison d'éléments d'organigramme, ou d'autres éléments indiquant l'exécution des étapes d’un processus, et/ou comme une description textuelle. De tels modules peuvent être exécutés par un matériel qui est expressément représenté ou pas. De plus, il doit être entendu que « module » peut inclure, par exemple, mais sans s'y limiter, une logique de programme informatique, des instructions de programme informatique, un logiciel, une pile logicielle, un micrologiciel, un circuit matériel, ou une combinaison de ces différents éléments qui fournit les capacités requises.

[0043] Avec ces fondamentaux en place, nous allons maintenant considérer quelques exemples non limitatifs pour illustrer diverses mises en œuvre de la présente technologie.

[0044] La figure la fournit une représentation de la présente technologie appliquée à l'optimisation de la navigation d'un navire grâce à la correction de la vitesse sur l’eau. Un navire 100 peut être équipé d'un système de navigation 101, chargé notamment d'optimiser la navigation du navire 100. Le système de navigation 101 peut recevoir des données de deux capteurs (104, 106), éventuellement corrigées comme décrit ci-dessous, d'un correcteur de données de capteur 108, au travers des connexions 109. Le correcteur de données de capteur 108 peut communiquer avec un serveur 103 via une connexion 102 _a ou alternativement une connexion 102b (représentées simultanément sur la figure la). La connexion 102 _a peut être aérienne, de type 3G, 4G, 5G, satellitaire, Wifi, Bluetooth, etc... ou tout autre moyen de transmission de données sans fil permettant au correcteur de données de capteur 108 et au serveur 103 de communiquer. La connexion 102b peut être filaire, de type ethemet, RS-232, CAN, etc... ou tout autre moyen de transmission filaire permettant au correcteur de données de capteur 108 et au serveur 103 de communiquer (dans ce cas, le serveur 103 est physiquement localisé à bord du navire 100).

[0045] Le système de navigation 101, le correcteur de données de capteur 108 et le serveur 103 sont des processeurs. Bien qu'ils soient représentés comme des entités distinctes sur la figure la, et que ces entités peuvent être embarquées ou non à bord du navire, l'homme du métier comprendra qu'il s'agit simplement d'une représentation fonctionnelle, ne reflétant pas nécessairement une réalité physique. Par exemple, les trois entités peuvent correspondre à trois entités physiques distinctes, ou une ou deux de ces entités peuvent être intégrées dans une seule entité physique. Par exemple, le correcteur de données de capteur 108 peut être intégré dans le système de navigation 101. Par exemple, le système de navigation 101, le correcteur de données de capteur 108 et le serveur 103 peuvent former une seule entité physique. En outre, le système de navigation 101, le correcteur de données de capteur 108 et le serveur 103 peuvent chacun être embarqués ou non à bord du navire 100.

[0046] À bord du navire 100, les capteurs transmettent les données de mesure brutes 104 et 106 au correcteur de données de capteur 108. Les données de mesure 104 peuvent fournir la vitesse sur l'eau du navire 100. Ces données de mesure 104 sont appelées « Log_speed » ci-après et dans les figures. Un tel capteur peut être par exemple un équipement de mesure de vitesse et de distance utilisant le principe de l’effet Doppler, DS-85 de la société FURUNO, disponible dans le commerce, ou le speedomètre pour navire série JLN-740 de la société JRC, etc... Les données de mesure 106 fournissent une indication de vitesse par rapport au sol pour le navire 100. Ces données de mesure 106 sont appelées « GPS_speed » ci-après et dans les figures.

À titre d’exemple non-limitatif, un tel capteur peut être le navigateur GPS GP-39 de la société FURUNO disponible dans le commerce, ou le GPS JLR-8400 de la société JRC également disponible dans le commerce, etc...

[0047] Il est démontré empiriquement que les données de mesure 104

(« Log_speed ») sont très sensibles au biais et/ou à la dérive, quel que soit le capteur adopté parmi ceux disponibles dans le commerce. Cela affecte fortement la fiabilité du calcul d'optimisation de la navigation du navire 100, lorsqu'il est basé sur de telles données de mesure. Au contraire, les données de mesure 106 de type GPS

(« GPS_Speed ») sont manifestement beaucoup moins susceptibles de biais et/ou de dérive, du fait de la technologie utilisée par les capteurs disponibles dans le commerce, et/ou des caractéristiques physiques mesurées.

[0048] Des relations physiques et statistiques entre les données de mesure 104 et 106 peuvent cependant être exploitées pour calculer des données de mesure corrigées, c'est-à-dire exemptes de biais et/ou de dérive significatifs, à partir des données de mesure 104 (« Log_Speed »). La relation suivante entre les données de mesure 104 (« Log_Speed ») et 106 (« GPS_Speed ») peut être utilisée, en supposant que la différence entre les deux données de vitesse est égale aux courants marins, et doit être moyennée sur une fenêtre de temps suffisamment grande :

(Relation 1) Log_Speed = a * GPS_Speed + b où a est le biais multiplicatif et b est le biais additif des données de mesure 104 (« Log_Speed »).

[0049] Pour estimer de manière fiable les coefficients a et b (et l'évolution de leurs valeurs dans le temps), un filtre de Kalman peut être appliqué permettant ensuite d'estimer le biais et la dérive des données de mesure 104 (« Log_Speed »).

Un filtre de Kalman selon la présente technologie est entièrement défini par :

- un modèle d'état qui représente comment le système a-b est décrit quantitativement à chaque instant. Il est décrit mathématiquement par un vecteur de taille finie dont les entrées portent des informations quantitatives sur le système. Pour les données de mesure 104 (« Log_Speed »), le modèle d'état du filtre de Kalman peut être :

— » 1“1

^Xt ~ ïb J

[0050] - un modèle d'évolution qui représente comment le vecteur x^, de composantes a et b, évolue dans le temps, c'est-à-dire comment s'exprime en fonction de x^. Les hypothèses du filtre de Kalman sont que l'évolution est linéaire et que l'incertitude associée à cette évolution est un bruit blanc gaussien (l'incertitude peut être causée par des événements aléatoires imprévisibles ou par des phénomènes sortant du cadre de description du modèle d'état). Avec la présente technologie, une loi d'évolution spécifique n'est pas connue pour les coefficients a et b. On peut faire l'hypothèse qu'ils restent constants dans le temps avec une incertitude donnée (cette incertitude décrit le fait que les coefficients peuvent évoluer dans le temps en raison de facteurs externes aléatoires tels que l'encrassement de la coque, l'encrassement des hélices ou la dérive des capteurs, etc...). Pour les données de mesure 104

(« Log_Speed »), le modèle d'évolution du filtre de Kalman peut être exprimé comme suit : où A est une matrice carrée codant la relation linéaire entre les états du système entre deux pas de temps successifs et w est le bruit blanc gaussien propre à chaque vaisseau. Pour les données de mesure 104 (« Log_Speed »), A peut être une matrice identité.

[0051] - un modèle de mesure qui représente les informations disponibles à travers les mesures. Les hypothèses du filtre de Kalman sont que les mesures sont des combinaisons linéaires de x _t * et que l'incertitude associée aux mesures est un bruit blanc gaussien : JÇ = B * T _t + v où B est une matrice rectangulaire codant la relation linéaire des mesures avec l'état du système et v est le bruit blanc gaussien propre à chaque navire. Pour les données de mesure 104 (« Log_Speed »), le modèle de mesure du filtre de Kalman peut être exprimé avec : ÿÇ = Log _Speed et B = [(GpS-Speed) 1]

[0052] Sur la base de la connaissance de ces trois éléments (le modèle d'état, le modèle d'évolution et le modèle de mesure), le filtre de Kalman fournit une formule exacte et explicite de la probabilité P(iq) que le système soit dans l'état 5q à l'instant t, connaissant les mesures ÿq, ... jq. Étant donné que toutes les équations impliquées dans le processus sont linéaires et que toutes les incertitudes sont gaussiennes, la probabilité P(iq) est également gaussienne, et est complètement définie par sa valeur moyenne et sa matrice de covariance. Le filtre de Kalman fournit ainsi une formule de récurrence explicite qui décrit comment la valeur moyenne et la matrice de covariance de P( x() évoluent avec le temps, sur la base des mesures observées jq.

[0053] Les matrices de covariance de bruit gaussien w et v des modèles d'évolution et des modèles de mesure sont optimisées pour une bonne performance du filtre de Kalman, et calibrées pour chaque navire 100 différent.

Par exemple, la matrice de covariance du bruit blanc gaussien v peut, pour un navire 100 donné être calibrée en :

- établissant un modèle de régression linéaire de la relation 1 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients a et b;

- exprimant le bruit blanc gaussien comme : - injectant l’estimation obtenue des coefficients a et b dans le modèle d'état jq de la relation précédente.

[0054] Par exemple, la matrice de covariance du bruit blanc gaussien w peut, pour un navire 100 donné, être calibrée en :

- établissant un modèle de régression linéaire de la relation 1 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients a et b;

- pour chacun (%) des coefficients a et b, calculant une vitesse de variation du coefficient égale à v _x = 0.05x/mois (où x = a ou b) (autrement dit, la vitesse de variation du coefficient a est 0,05*a/mois, soit 0,05*a par mois ou encore 5% par mois ); et

- réduisant la matrice de covariance du bruit blanc gaussien w à une diagonale (i.e. : supposant que les variations des coefficients a et b dans le temps ne sont pas corrélées) et estimant chaque élément de la diagonale comme égal à (y _x * dt~) ² (où x = a ou b) où dt est l’intervalle de temps, exprimé en mois, entre deux mesures.

[0055] Par exemple, pour les données de mesure 104 (« Log_Speed ») et un porte- conteneurs "typique", les matrices suivantes peuvent être utilisées (en supposant que les données de mesure 104 (« Log_Speed ») et 106 (« GPS_Speed ») sont exprimées en nœuds, et que le pas de temps des mesures relevées par les différents capteurs est de 15 minutes) :

- [10~ ⁸ 0

"H o io-d

Il apparaîtra à l'homme du métier que d'autres valeurs de matrices de covariance pour w et v peuvent être choisies en fonction du navire 100 et du mécanisme d'étalonnage ci-dessus.

[0056] Il apparaîtra en outre à l'homme du métier que les valeurs initiales des coefficients a et b peuvent être établies de différentes façons.

Par exemple, elles peuvent être établies en :

- établissant un modèle de régression linéaire de la relation 1 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients a et b ;

- utilisant ces estimations comme valeur initiale du modèle d'état et

- utilisant l’inverse de la matrice d’information de Fisher comme covariance initiale de xl dans le fdtre de Kalman.

Par exemple, les valeurs initiales suivantes peuvent être choisies : a = 1 (biais multiplicatif), b = 0 (biais additif).

[0057] Une fois que les coefficients a et b sont estimés de manière fiable par une application du filtre de Kalman comme décrit ci-dessus, le biais additif et le biais multiplicatif des données de mesure 104 (« Log_Speed ») peuvent être corrigés à l'aide de la formule, en calculant des données de mesure 104 corrigées, appelées « Log_Speedcorr » ci-après et dans les figures :

(Relation 4) Log_Speedc _O n- = (Log_Speed - b) / a

[0058] Les données de mesure brutes 104 et 106 reçues par le correcteur de données de capteur 108 peuvent être transmises au serveur 103 via la connexion 102 _a ou 102b. Les calculs du filtre de Kalman ci-dessus peuvent être effectués par le serveur 103. Les calculs ci-dessus pour les données de mesure corrigées

(« Log_Speedcorr») (relation 4) peuvent également être effectués par le serveur 103 et renvoyés au correcteur de données de capteur 108 via la connexion 102 _a et/ou 102b (de manière alternative, ils peuvent être effectués par le correcteur de données de capteur 108). Les valeurs des données de mesure 104 corrigées (« LogJSpeedcon- ») peuvent ensuite être fournies par le correcteur de données de capteur 108 au système de navigation 101 via les connexions 109, pour être utilisées pour l'optimisation de la navigation du navire 100 selon le cas. Même si les valeurs des données de mesure 104 corrigées (« Log_Speedc _O n- ») peuvent être les paramètres les plus importants pour l'optimisation de la navigation du navire 100, car étant directement liées à la consommation d'énergie du moteur et donc à l'optimisation économique et écologique, d'autres données peuvent également être fournies par le correcteur de données de capteur 108 au système de navigation 101 via les connexions 109, telles que l’une ou plusieurs parmi les données brutes de mesure 104, 106.

[0059] La figure 1b fournit une représentation de la présente technologie appliquée à l'optimisation de la navigation d'un navire grâce à une correction améliorée de la vitesse sur l’eau. À bord du navire 100, les capteurs transmettent les données de mesure brutes 104 et 106, mais également 107 au correcteur de données de capteur 108. Les données de mesure 107 peuvent fournir la vitesse de rotation de l’arbre d’hélice pour le navire 100. Ces données de mesure 107 sont appelées

« Shaft_RPM » ci-après et dans les figures. Un tel capteur peut être par exemple un autre compteur de puissance d'arbre disponible dans le commerce fourni par la société KYMA, etc...

[0060] Des relations physiques et statistiques entre les données de mesure 104,

106 et 107 peuvent être exploitées pour calculer des données de mesure corrigées améliorées, c'est-à-dire exemptes de biais et/ou de dérive significatifs, à partir des données de mesure 104 (« Log_Speed »). En plus de la relation 1 ci-dessus, la relation suivante entre les données de mesure 104 (« Log_Speed ») et les données de mesure

107 (« Shaft_RPM ») peut être utilisée, en supposant que, pour une hélice à pas fixe en régime permanent (en éliminant les phases d’accélération et de décélération), les données de mesure 104 (« Log_Speed ») doivent être proportionnelles aux données de mesure 107 (« Shaft_RPM ») en moyenne sur une fenêtre suffisamment grande :

(Relation 2) Log_Speed = c * Shaft_RPM + b où c est un coefficient de proportionnalité (englobant à la fois la proportionnalité physique entre les données de mesure 104 (« Log_Speed ») et les données de mesure 107 (« Shaft_RPM »), ainsi que le biais multiplicatif des données de mesure 104 (« Log_Speed »)) et b est le biais additif des données de mesure 104 (« Log_Speed ») (le même que dans la relation 1 ci-dessus).

Pour estimer de manière fiable les coefficients a, b et c (et l'évolution de leurs valeurs dans le temps), un filtre de Kalman peut être appliqué permettant ensuite d’obtenir une estimation améliorée du biais et de la dérive des données de mesure 104

(« Log_Speed »).

Un filtre de Kalman selon la présente technologie est entièrement défini par :

-a-

- un modèle d'état x^. Pour les données de mesure Log_Speed : x^ b c-

- un modèle d'évolution exprimé par :

Pour les données de mesure 104 (« Log_Speed »), A peut être une matrice identité.

- un modèle de mesure exprimé par : y _t = B * x _t + v

Pour les données de mesure 104 (« Log_Speed »), le modèle de mesure du filtre de

Kalman peut être exprimé avec :

[0061] Les matrices de covariance de bruit gaussien w et v des modèles d'évolution et des modèles de mesure sont optimisées pour une bonne performance du filtre de Kalman, et calibrées pour chaque navire 100 différent.

Par exemple, la matrice de covariance du bruit blanc gaussien v peut, pour un navire 100 donné, être calibrée en :

- établissant un modèle de régression linéaire des relations 1 et 3 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients a, b et c ;

- exprimant le bruit blanc gaussien comme :

- et injectant l’estimation obtenue des coefficients a, b et c dans le modèle d'état x( de la relation précédente.

Par exemple, la matrice de covariance du bruit blanc gaussien w peut, pour un navire 100 donné, être calibrée en :

- établissant un modèle de régression linéaire des relations 1 et 3 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients a, b et c ;

- supposant que la dérive typique des coefficients a, b et c est de l’ordre de 10% de variation sur une période de 2 mois ;

- pour chacun (x) des coefficients a, b et c calculant une vitesse de variation du coefficient égale à v _x = 0.05x/mois (où x = a, b ou c) ; et

- réduisant la matrice de covariance du bruit blanc gaussien w à une diagonale (i.e. : supposant que les variations des coefficients a, b et c dans le temps ne sont pas corrélées) et estimant chaque élément de la diagonale comme égal à (y _x * dt) ² (x = a, b ou c ; et où dt est l’intervalle de temps, exprimé en mois, entre deux mesures).

Par exemple, pour les données de mesure 104 (« Log_Speed ») et un porte-conteneurs "typique", les matrices suivantes peuvent être utilisées (en supposant que les données de mesure 104 (« Log_Speed ») et les données de mesure 106 (« GPS_Speed ») sont exprimées en nœuds, les données de mesure 107 (« Shaft RPM ») sont exprimées en rotations par minute, et que le pas de temps des mesures relevées par les différents capteurs est de 15 minutes) :

°]

IJ

Il apparaîtra à l'homme du métier que d'autres valeurs des matrices de covariance de w et v peuvent être choisies, en fonction du navire 100 et du mécanisme d'étalonnage ci-dessus.

[0062] Il apparaîtra en outre à l'homme du métier que les valeurs initiales des coefficients a, b et c peuvent être établies de différentes façons.

Par exemple, elles peuvent être établies en :

- établissant un modèle de régression linéaire des relations 1 et 3 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients a, b et c ;

- utilisant ces estimations comme valeur initiale du modèle d'état et

- utilisant l’inverse de la matrice d’information de Fisher comme covariance initiale dans le filtre de Kalman.

Par exemple, les valeurs initiales suivantes peuvent être choisies : a = 1 (biais multiplicatil), b = 0 (biais additif) et c = 0,25 pour un porte-conteneur typique, tandis que d'autres valeurs peuvent être choisies pour un autre navire 100, en utilisant un mécanisme d'étalonnage consistant à effectuer une analyse de régression des relations 1 et 3 ci-dessus.

[0063] Une fois que les coefficients a, b et c sont estimés de manière fiable par une application du filtre de Kalman comme décrit ci-dessus, le biais additif et le biais multiplicatif des données de mesure 104 (« Log_Speed ») peuvent être corrigés en utilisant la relation 4 ci-dessus.

[0064] Les valeurs des données de mesure 104 corrigées (« Log_Speedc _O rr ») peuvent ensuite être fournies par le correcteur de données de capteur 108 au système de navigation 101 via les connexions 109, pour être utilisées pour l'optimisation de la navigation du navire 100 selon le cas. Même si les valeurs des données de mesure 104 corrigées (« Log_Speedc _O n- ») peuvent être les paramètres les plus importants pour l'optimisation de la navigation du navire 100, d'autres données peuvent également être fournies par le correcteur de données de capteur 108 au système de navigation 101 via les connexions 109, telles que l'une ou plusieurs parmi les données de mesure brutes 104, 106, 107.

[0065] La figure le fournit une représentation de la présente technologie appliquée à l'optimisation de la navigation d'un navire, grâce à une correction combinée de la vitesse sur l’eau et du couple de l'arbre. À bord du navire 100, les capteurs transmettent les données de mesure brutes 104, 105, 106 et 107 au correcteur de données de capteur 108. Les données de mesure 105 peuvent fournir le couple de l'arbre d'hélice pour le navire 100. Ces données de mesure 105 sont appelées « Shaft_Torque » ci-après et dans les figures. Un tel capteur peut être un compteur de puissance d'arbre disponible dans le commerce fourni par la société KYMA, un système de mesure de couple optique T-Sense fourni par la société VAF Instruments, le système de mesure de couple d'arbre Datum Torque, etc...

[0066] Les données de mesure 105 (« Shaft_Torque ») se sont avérées empiriquement très sensibles au biais et/ou à la dérive, quel que soit le capteur du commerce adopté. Cela affecte fortement la fiabilité du calcul d'optimisation de la navigation du navire 100, lorsqu'il est basé sur de telles données de mesure. Au contraire, les données de mesure 107 (« Shaft_RPM ») sont manifestement beaucoup moins susceptibles de biais et de dérive, du fait de la technologie utilisée par les capteurs disponibles dans le commerce, et/ou des caractéristiques physiques mesurées.

[0067] Des relations physiques et statistiques entre les données de mesure 105 et 107 peuvent cependant être exploitées pour calculer des données de mesure corrigées, c'est-à-dire exemptes de biais et/ou de dérive significatifs, de la mesure 105 (« Shaft Torque »).

[0068] La relation suivante entre les données de mesure (105) (« Shaft_Torque ») et (107) (« Shaft_RPM ») peut être utilisée, en supposant que les données de mesure (105) (« Shaft_Torque ») sont, en moyenne, proportionnelles au carré des données de mesure (107) (« Shaft_RPM ») :

(Relation 3) Shaft_Torque = d * Shaft_RPM ² + e où d est un coefficient de proportionnalité (englobant à la fois la proportionnalité physique entre les données de mesure (105) (« Shaft_Torque ») et les données de mesure (107) au carré (« Shaft_RPM ² ») et également le biais multiplicatif des données de mesure 105 (« Shaft_Torque ») et e est le biais additif des données de mesure 105 (« Shaft_Torque »)).

[0069] Pour estimer de manière fiable les coefficients a, b, c, d et e (et l'évolution de leurs valeurs dans le temps), un filtre de Kalman peut être appliqué permettant ensuite d'estimer le biais et/ou la dérive des données de mesure 104 (« Log_Speed ») et 105 (« Shaft_Torque »).

Un filtre de Kalman selon la présente technologie est entièrement défini par :

- un modèle d'état x _t . Pour les données de mesure Log_Speed : x _t =

Pour les données de mesure 105 (« Shaft_Torque »), le modèle d'état du filtre de

Kalman peut être

- un modèle d'évolution exprimé par :

Pour les données de mesure 104 (« Log_Speed »), et les données de mesure 105 (« Shaft_Torque »), A peut être une matrice identité.

- un modèle de mesure exprimé par :

Pour les données de mesure 104 (« Log_Speed »), le modèle de mesure du filtre de

Kalman peut être exprimé avec :

Pour les données de mesure 105 (« Shaft_Torque »), le modèle de mesure du filtre de

Kalman peut être exprimé avec : ÿt = Shaft_T orque et B = [Shaft_RPM ² 1]

[0070] Les matrices de covariance de bruit gaussien w et v des modèles d'évolution et des modèles de mesure sont optimisées pour une bonne performance du filtre de Kalman, et calibrées pour chaque navire 100 différent.

Par exemple, la matrice de covariance du bruit blanc gaussien v peut, pour un navire 100 donné être calibrée en :

- établissant un modèle de régression linéaire des relations 1, 2 et 3 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients a, b, c, d et e ;

- exprimant le bruit blanc gaussien comme : v = ÿ/ — B * T _t

- et injectant l’estimation obtenue des coefficients a, b, c, d et e dans le modèle d'état x( de la relation précédente.

Par exemple, la matrice de covariance du bruit blanc gaussien w peut, pour un navire 100 donné, être calibrée en :

- établissant un modèle de régression linéaire des relations 1, 2 et 3 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients a, b, c, d et e ;

- supposant que la dérive typique des coefficients a, b, c, d et e est de l’ordre de 10% de variation sur une période de 2 mois ;

- pour chacun (x) des coefficients a, b, c, d et e, calculant une vitesse de variation du coefficient égale à v _x = 0.05% /mois (où x = a, b, c, d ou e) ; et

- réduisant la matrice de covariance du bruit blanc gaussien w à une diagonale (i.e. : supposant que les variations des coefficients a, b, c, d et e dans le temps ne sont pas corrélées) et estimant chaque élément de la diagonale comme égal à (y _x * dt) ² (où x

= a, b, c, d ou e ; et où dt est l’intervalle de temps, exprimé en mois, entre deux mesures).

Par exemple, pour les données de mesure 104 (« Log_Speed ») et un porte-conteneurs "typique", les matrices suivantes peuvent être utilisées (en supposant que données de mesure 104 (« Log_Speed ») et 106 (« GPS_Speed ») sont exprimées en nœuds, les données de mesure 107 (« Shaft_RPM ») sont exprimées en rotations par minute, et que le pas de temps des mesures relevées par les différents capteurs est de 15 min) :

Pour les données de mesure 105 (« Shaft_Torque »), les matrices suivantes peuvent être utilisées (en supposant que les données de mesure 105 (« Shaft_Torque ») sont exprimées en Newton.mètres, les données de mesure 107 (« Shaft_RPM ») sont exprimées en rotations par minute, et que le pas de temps des mesures relevées par les , rio~ ⁹ o i différents capteurs est de 15 min) : w = | 10“ ³ J ^{et V =}

Il apparaîtra à l'homme du métier que d'autres valeurs de matrices de covariance peuvent être choisies pour w et v, en fonction du navire 100 et du mécanisme d'étalonnage ci-dessus.

[0071] Il apparaîtra en outre à l'homme du métier que les valeurs initiales des coefficients a, b, c, d et e peuvent être établies de différentes façons.

Par exemple, elles peuvent être établies en :

- établissant un modèle de régression linéaire des relations 1, 2 et 3 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients a, b, c, d et e ;

- utilisant ces estimations comme valeur initiale du modèle d'état et

- utilisant l’inverse de la matrice d’information de Fisher comme covariance initiale dans le filtre de Kalman.

Par exemple, les valeurs initiales suivantes peuvent être choisies : a = 1 (biais multiplicatif), b = 0 (biais additif), e = 0 (biais additif) ;

Par exemple, les valeurs initiales suivantes peuvent être choisies : c=l et d=0,9 pour un porte-conteneurs "typique", tandis que d'autres valeurs peuvent être choisies pour un navire 100 différent, en utilisant un mécanisme de calibrage consistant à effectuer une analyse de régression des relations 2 et 3 ci-dessus.

[0072] Une fois que les coefficients a, b, c, d et e sont estimés de manière fiable par une application du filtre de Kalman comme décrit ci-dessus, le biais additif et/ou le biais multiplicatif des données de mesure 104 (« Log_Speed ») peuvent être corrigés en utilisant la relation 4 ci-dessus, tandis que le biais additif des données de mesure 105 (« Shaft_Torque ») peut être corrigé, en calculant des mesures de données corrigées, appelées (« Shaft_Torquec _O rr ») ci-après et dans les figures :

(Relation 5) Shaft Torquccon = Shaft_Torque - e

[0073] L'une des deux, ou les deux valeurs des données de mesure 104, 105 corrigées (« Log_Speedcorr » et « Shaft Torq uccon ») peuvent ensuite être fournies par le correcteur de données de capteur 108 au système de navigation 101 via les connexions 109, à utiliser pour l'optimisation de la navigation du navire 100, selon les cas. Alors que lesdites valeurs des données de mesure 104, 105 corrigées

(« Log_Speedcorr » et « Shaft_Torquecon- ») peuvent être les paramètres les plus importants pour l'optimisation de la navigation du navire 100, d'autres données peuvent également être fournies par le correcteur de données de capteur 108 au système de navigation 101 via les connexions 109, telles que l'une ou plusieurs parmi les données de mesure brutes 104, 105, 106, 107.

[0074] La figure Id donne une représentation de la présente technologie appliquée à l'optimisation de la navigation d'un navire, par la seule correction du couple d'arbre. À bord du navire 100, les capteurs transmettent les données de mesure brutes 105 et 107 au correcteur de données de capteur 108.

Des relations physiques et statistiques entre les données de mesure 105 et 107 peuvent cependant être exploitées pour calculer des données de mesure corrigées, c'est-à-dire exemptes de biais et/ou de dérive significatifs, des données de mesure de mesure 105 (« Shaft_Torque »), comme la Relation 3 ci-dessus.

[0075] Pour estimer de manière fiable les coefficients d et e (et l'évolution de leurs valeurs dans le temps), un filtre de Kalman peut être appliqué permettant ensuite d'estimer le biais et/ou la dérive des données de mesure 105 (« Shaft Torquc »).

Un filtre de Kalman selon la présente technologie est entièrement défini par :

- un modèle

- un modèle d'évolution : xT+i = A * ^ + w

Pour les données de mesure 105 (« Shaft_Torque »), A peut être une matrice identité.

- un modèle de mesure : ÿî = B * xq + v

Pour les données de mesure 105 (« Shaft Torque ») le modèle de mesure du filtre de Kalman peut être exprimé avec : yl = Shaft_Torque et B = [Shaft_RPM ² 1]

[0076] Les matrices de covariance de bruit gaussien w et v des modèles d'évolution et de mesure sont optimisées pour une bonne performance du filtre de Kalman, et calibrées pour chaque navire 100 différent.

Par exemple, la matrice de covariance du bruit blanc gaussien v peut, pour un navire 100 donné, être calibrée en :

- établissant un modèle de régression linéaire de la Relation 3 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients d et e ;

- exprimant le bruit blanc gaussien comme :

- et injectant l’estimation obtenue des coefficients d et e dans le modèle d'état x( de la relation précédente.

Par exemple, la matrice de covariance du bruit blanc gaussien w peut, pour un navire 100 donné être calibrée en :

- établissant un modèle de régression linéaire de la Relation 3 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients d et e ;

- supposant que la dérive typique des coefficients d et e est de l’ordre de 10% de variation sur une période de 2 mois ;

- pour chacun (%) des coefficients d et e, calculant une vitesse de variation du coefficient égale à v _x = 0.05x/mois (où x = d ou e) ; et

- réduisant la matrice de covariance du bruit blanc gaussien w à une diagonale (i.e. : supposant que les variations des coefficients d et e dans le temps ne sont pas corrélées) et estimant chaque élément de la diagonale comme égal à (y _x . dt) ² (où x = d ou e ; et où dt est l’intervalle de temps, exprimé en mois, entre deux mesures).

Par exemple, pour les données de mesure 105 (« Shaft_Torque ») et pour un porte- conteneurs "typique", les matrices suivantes peuvent être utilisées (en supposant que les données de mesure 105 (« Shaft_Torque ») sont exprimées en Newton. mètres, les données de mesure 107 (« Shaft_RPM ») exprimées en rotations par minute, et que le pas de temps des mesures relevées par les différents capteurs est de 15 minutes) : w = F ^{10 9 0} J et v = 1000

L o 10“ ³ J

Il apparaîtra à l'homme du métier que d'autres valeurs de matrices de covariance de w et v peuvent être obtenues, en fonction du navire 100 et du mécanisme d'étalonnage ci-dessus.

[0077] Il apparaîtra en outre à l'homme du métier que les valeurs initiales des coefficients d et e peuvent être établies de différentes façons.

Par exemple, elles peuvent être établies en :

- établissant un modèle de régression linéaire de la Relation 3 ci-dessus, par exemple au travers d’un estimateur des moindres carrés, pour obtenir une estimation des coefficients d et e ;

- utilisant ces estimations comme valeur initiale du modèle d'état x^,- et

- utilisant l’inverse de la matrice d’information de Fisher comme covariance initiale de x _t * dans le filtre de Kalman.

Par exemple, les valeurs initiales suivantes peuvent être choisies : d = 0,9, e = 0 (biais additif) pour un porte-conteneurs "typique", tandis que d'autres valeurs peuvent être choisies pour un navire 100 différent, en utilisant un mécanisme d'étalonnage impliquant effectuer une analyse de régression de la Relation 3 ci-dessus.

[0078] Une fois que les coefficients d et e sont estimés de manière fiable par une application du filtre de Kalman comme décrit ci-dessus, le biais additif des données de mesure 105 (« Shaft_Torque ») peut être corrigé en utilisant la relation 5 ci-dessus.

[0079] Les données de mesure brutes 105 et 107 reçues par le correcteur de données de capteur 108 peuvent être transmises au serveur 103 via la connexion 102 _a et/ou 102b. Les calculs du filtre de Kalman ci-dessus peuvent être effectués par le serveur 103. Les calculs ci-dessus pour les données de mesure 105 corrigées (« Shaft_Torquecon- ») (relation 5) peuvent également être effectués par le serveur 103 et renvoyés au correcteur de données de capteur 108 via la connexion 102 _a et/ou 102b (alternativement, ils peuvent être effectués par le correcteur de données de capteur 108). Les valeurs des données de mesure 105 corrigées (« Shaft JTorquecon- ») peuvent ensuite être fournies par le correcteur de données de capteur 108 au système de navigation 101 via les connexions 109, pour être utilisées pour l'optimisation de la navigation du navire 100 selon le cas. Même si les valeurs des données de mesure 105 corrigées (« Shaft Torquccon ») peuvent être les paramètres les plus importants pour l'optimisation de la navigation du navire 100, d'autres données peuvent également être fournies par le correcteur de données de capteur 108 au système de navigation 101 via les connexions 109, telles que l'une ou plusieurs parmi les données de mesure brutes 105, 107.

[0080] L'homme du métier comprendra que le navire 100 puisse être équipé de deux hélices ou plus, avec des capacités de données de mesure 105

(« Shaft_Torque ») et 107 (« Shaft_RPM ») sur chacune des hélices, qui sont utilisées pour l'optimisation de la navigation du navire 100. Dans un tel cas, les principes ci- dessus peuvent également s'appliquer : la Relation 3 ci-dessus peut s'appliquer pour chacune des hélices, tandis que les données de mesure 107 (« Shaft_RPM ») dans la Relation 2 ci-dessus peuvent être dérivées (par exemple moyermé) des valeurs des données de mesure 107 (« Shaft_RPM ») pour chacune des hélices.

[0081] La figure 2a détaille les étapes d’un premier mode de réalisation du procédé selon la présente technologie. Le procédé comprend :

- à l’étape 201a, de recevoir de capteurs respectifs, tels qu’illustrés en figure la, les données de mesure 104 (« Log_Speed ») relatives à la vitesse sur l'eau du navire (100), et les données de mesure 106 (« GPS Speed ») relatives à la vitesse par rapport au sol du navire (100) ;

- à l’étape 202a, d’établir une relation (relation 1 ci-dessus) entre les données de mesure 104 (« Log_Speed ») et les données de mesure 106 (« GPS Speed ») : Log_Speed = a * GPS_Speed + b ;

- à l’étape 203a, d’estimer les coefficients a et b en appliquant un filtre de Kalman tel que défini ci-dessus ;

- à l’étape 204a, de corriger les données de mesure 104 (« Log_Speed ») en calculant (relation 4 ci-dessus) des données de mesure 104 corrigées (« Log_Speedc _O rr ») : Log_Speedcorr = (Log_Speed - b) / a ; et

- à l’étape 205a, de fournir (via les connexions 109, figure la) les données de mesure 104 corrigées (« Log_Speedc _O rr ») au système de navigation (101) du navire (100).

[0082] La figure 2b détaille les étapes d’un second mode de réalisation du procédé selon la présente technologie. Le procédé comprend :

- à l’étape 201b, de recevoir de capteurs respectifs, tels qu’illustrés en figure 1b, les données de mesure 104 (« Log_Speed ») relatives à la vitesse sur l'eau du navire (100), les données de mesure 106 (« GPS_Speed ») relatives à la vitesse par rapport au sol du navire (100), et les données de mesure 107 (« Shaft_RPM ») relatives à la vitesse de rotation d'une hélice du navire (100) ;

- à l’étape 202b, d’établir une relation (relation 1 ci-dessus) entre les données de mesure 104 (« Log_Speed ») et les données de mesure 106 (« GPS_Speed ») : Log_Speed = a * GPS_Speed + b , et une relation (Relation 2 ci-dessus) entre les données de mesure 104 (« Log_Speed ») et les données de mesure 107

(« Shaft_RPM ») : Log_Speed = c * Shaft RPM + b ;

- à l’étape 203b, d’estimer les coefficients a, b et c en appliquant un filtre de Kalman tel que défini ci-dessus ;

- à l’étape 204b, de corriger les données de mesure 104 (« Log_Speed ») en calculant (relation 4 ci-dessus) des données de mesure 104 corrigées (« Log_Speedc _O rr ») : Log_Speedcon- = (Log_Speed - b) / a ; et

- à l’étape 205b, de fournir (via les connexions 109, figure 1b) les données de mesure 104 corrigées (« Log_Speedcorr ») au système de navigation (101) du navire (100).

[0083] La figure 2c détaille les étapes d’un troisième mode de réalisation du procédé selon la présente technologie. Le procédé comprend :

- à l’étape 201c, de recevoir de capteurs respectifs, tels qu’illustrés en figure le, les données de mesure 104 (« Log_Speed ») relatives à la vitesse sur l'eau du navire (100), les données de mesure 106 (« GPS Speed ») relatives à la vitesse par rapport au sol du navire (100), les données de mesure 107 (« Shaft_RPM ») relatives à la vitesse de rotation d'une hélice du navire (100), et les données de mesure 105

(« Shaft_Torque ») relatives au couple sur l'arbre de l'hélice du navire (100) ;

- à l’étape 202c, d’établir une relation (relation 1 ci-dessus) entre les données de mesure 104 (« Log_Speed ») et les données de mesure 106 (« GPS_Speed ») : Log_Speed = a * GPS_Speed + b , une relation (Relation 2 ci-dessus) entre les données de mesure 104 (« Log_Speed ») et les données de mesure 107

(« Shaft_RPM ») : Log_Speed = c * Shaft_RPM + b, et une relation (Relation 3 ci- dessus) entre les données de mesure 105 (« Shaft_Torque ») et les données de mesure 107 (« Shaft RPM ») : Shaft_Torque = d * Shaft RPM ² + e ;

- à l’étape 203c, d’estimer les coefficients a, b, c, d et e en appliquant un filtre de Kalman tel que défini ci-dessus ;

- à l’étape 204c, de corriger les données de mesure 104 (« Log_Speed ») en calculant (relation 4 ci-dessus) des données de mesure 104 corrigées (« Log_Speedc _O rr ») : Log_Speedcon- = (Log_Speed - b) / a, et les données de mesure 105

(« Shaft_Torque ») en calculant (relation 5 ci-dessus) des données de mesure 105 corrigées (« Shaft_Torquecorr ») : Shaft_Torquecorr = Shaft_Torque - e; et

- à l’étape 205c, de fournir (via les connexions 109, figure le) au moins l’une desdites données de mesure 104, 105 corrigées (« Log_Speedc _O n- ») ou (« Shaft_Torquecon- ») au système de navigation (101) du navire (100).

[0084] La figure 2d détaille les étapes d’un quatrième mode de réalisation du procédé selon la présente technologie. Le procédé comprend :

- à l’étape 201d, de recevoir de capteurs respectifs, tels qu’illustrés en figure Id, les données de mesure 105 (« Shaft_Torque ») relatives au couple sur l'arbre de l'hélice du navire (100), et les données de mesure 107 (« Shaft_RPM ») relatives à la vitesse de rotation d'une hélice du navire (100);

- à l’étape 202d, d’établir une relation (Relation 3 ci-dessus) entre les données de mesure 105 (« Shaft_Torque ») et les données de mesure 107 (« Shaft_RPM ») : Shaft_Torque = d * Shaft RPM ² + e ;

- à l’étape 203d, d’estimer les coefficients d et e en appliquant un filtre de Kalman tel que défini ci-dessus ;

- à l’étape 204d, de corriger les données de mesure 105 (« Shaft_Torque ») en calculant (relation 5 ci-dessus) des données de mesure 105 corrigées

(« Shaft_Torquecon- ») : Shaft_Torquecon- = Shaft_Torque - e ; et

- à l’étape 205d, de fournir (via les connexions 109, figure Id) les données de mesure 105 corrigées (« Shaft_Torquecon- ») au système de navigation (101) du navire (100).

[0085] Dans chacun des aspects de la présente technologie décrits ci-dessus, l’homme du métier comprend que le filtrage des données de mesure est un moyen de faciliter la convergence du filtre de Kalman, et d’augmenter la qualité de son estimation.

Par exemple, en fonction des capteurs présents suivant la figure la-ld, et du procédé (figure 2a-2d) de correction des données de mesure (émises par ces capteurs), tout ou partie des filtres suivants peuvent être appliqués sur les données de mesure comme particulièrement efficaces :

- ne prendre en compte les données de mesure 104 et 106 (« Log_Speed » et « GPS_Speed ») que si elles sont supérieures ou égales à 5 nœuds ;

- ne prendre en compte les données de mesure 107 (« Shaft_RPM ») que si elles sont supérieures ou égales à 5 rotations par minute ;

- ne prendre en compte les données de mesure 105 (« Shaft Torque ») que si elles sont supérieures ou égales à 100 N.m ; et/ou

- ne prendre en compte les données de mesure 106 (« GPS_Speed ») que si leur variation est inférieure à 2 nœuds/heure.

[0086] Avec un tel filtrage de données, un journal des valeurs réelles reçues des capteurs comme corrigées suivant la présente technologie a été établi pour un navire 100 naviguant aux dates et heures indiquées en l ^ere colonne à partir de la gauche, les données de mesure reçues de capteurs se trouvant en colonnes 2 à 5, et les données de mesure corrigées fournies au système de navigation 101 du navire 100 se trouvant colonnes 6 (« Log_Speedcorr ») et 7 (« Shaft_Torquecon- ») :

[0087] La figure 3 illustre une correction appliquée à la mesure de la vitesse sur l’eau d’un navire conformément à la présente technologie. Plus particulièrement, elle présente l'histogramme normalisé (densité de probabilité) de la différence entre les données de mesure 104 (« Log_Speed ») et les données de mesure 106

(« GPS_Speed ») d'une part (histogramme clair), et de la différence entre les données de mesure 104 corrigées (« Log_Speedcorr ») et les données de mesure 106

(« GPS_Speed ») d'autre part (histogramme foncé). La différence entre les données de mesure 104 (« Log_Speed ») et les données de mesure 106 (« GPS_Speed ») est la vitesse (algébrique) des courants marins et doit être théoriquement symétrique et centrée autour de zéro. On remarque que l'histogramme avant correction a une moyenne non nulle et n'est pas symétrique. La correction sur les données de mesure 104 (« Log_Speedcorr ») permet d'obtenir un histogramme de moyenne nulle et symétrique, comme une illustration de la pertinence et de l'efficacité de la correction.

[0088] La figure 4 illustre une correction appliquée à la mesure du couple de l’arbre de l’hélice d’un navire conformément à la présente technologie. Le tracé de courbe en pointillé représente la valeur des données de mesure 105

(« Shaft_Torque ») reçue du capteur correspondant (figures le et Id) en fonction de la vitesse de la rotation de l’hélice du navire 100, tandis que le tracé de courbe en continu représente la valeur corrigée des données de mesure 105

(«Shaft_TorquecoiT ») en fonction de la vitesse de la rotation de l’hélice du navire (100).

[0089] La figure 5 illustre un système informatique qui peut être utilisé dans la présente technologie, par exemple dans l'un ou tous les processeurs du système de navigation 101, du correcteur de données de capteur 108 et/ou du serveur 103.

Comme le comprendra l'homme du métier, un tel système informatique peut être implémenté dans tout autre matériel, logiciel et/ou micrologiciel approprié, ou une combinaison de ceux-ci, et peut être une entité physique unique, ou plusieurs entités physiques séparées avec une fonctionnalité distribuée.

[0090] Dans certains aspects de la présente technologie, le système informatique

500 peut comprendre divers composants matériels, y compris un ou plusieurs processeurs simples ou multicœurs représentés collectivement par un processeur 501, une mémoire 503 et une interface d'entrée/sortie 504. Dans ce contexte, le processeur

501 peut ou non être inclus dans un FPGA. Dans un autre aspect, le système informatique 500 peut être un système informatique générique "prêt à l'emploi". Dans certains aspects, le système informatique 500 peut également être réparti entre plusieurs systèmes. Le système informatique 500 peut également être spécifiquement dédié à la mise en œuvre de la présente technologie. Comme l'homme du métier de la présente technologie peut le comprendre, de multiples variantes quant à la façon dont le système informatique 500 est mis en œuvre peuvent être envisagées sans s'écarter de la portée de la présente technologie.

La communication entre les différents composants du système informatique 500 peut être activée par un ou plusieurs bus internes et/ou externes 505 (par exemple un bus PCI, un bus série universel, un bus IEEE 1394 "Firewire", un bus SCSI, un bus Serial- ATA bus, bus ARINC, etc...), auquel les différents composants matériels sont couplés électroniquement.

[0091] L'interface d'entrée/sortie 504 peut permettre des capacités de mise en réseau telles qu'un accès filaire ou sans fil. A titre d'exemple, l'interface d'entrée/sortie 504 peut comprendre une interface réseau telle que, mais sans s'y limiter, un port réseau, une prise réseau, un contrôleur d'interface réseau et similaire. De multiples exemples de la façon dont l'interface de mise en réseau peut être mise en œuvre deviendront apparents à l'homme du métier de la présente technologie.

[0092] La mémoire 503 peut stocker des instructions de code 508, telles que celles faisant partie, par exemple, d'une bibliothèque, d'une application, etc... pouvant être chargées dans la mémoire 503 et exécutées par le processeur 501 pour mettre en œuvre le procédé et les étapes du processus selon la présente technologie. La mémoire 503 peut également stocker une base de données 509. L'homme du métier comprendra que la base de données 509, les instructions de code 508 et généralement la mémoire 503 peuvent également résider physiquement à l'extérieur du système informatique 500, toujours dans le cadre de la présente technologie.

[0093] L'interface d'entrée/sortie 504 peut permettre au système informatique 500 d'être mis en communication avec d'autres processeurs via une connexion 510. Par exemple, si le système informatique 500 est mis en œuvre dans le correcteur de données de capteur 108, la connexion 510 peut permettre de recevoir des données de mesure 104-107, d’échanger avec le serveur 103 sur le lien 102 _a ou 102b, et/ou de fournir des données de mesure corrigées (« Log_Speedcorr » et/ou « Shaft_Torquecorr») au système de navigation 101. [0094] Bien que les mises en œuvre décrites ci-dessus aient été décrites et représentées en référence à des étapes particulières exécutées dans un ordre particulier, il sera entendu que ces étapes peuvent être combinées, subdivisées ou réordonnées sans s'écarter des enseignements de la présente divulgation. Au moins certaines des étapes peuvent être exécutées en parallèle ou en série. Par conséquent, l'ordre et le regroupement des étapes ne constituent pas une limitation de la présente technologie.

[0095] Des modifications et des améliorations aux mises en œuvre décrites ci- dessus de la présente technologie peuvent apparaître à l’homme du métier. La description ci-dessus est illustrative au travers d’exemples plutôt que limitative. La portée de la présente technologie est donc limitée uniquement par la portée des revendications ci-dessous.