基于时间序列的船舶推进装置温度预测

发布时间：2025-03-18 05:45

　　航运作为世界贸易的主要载体,承担了全球80%以上的贸易量,是经济全球化的主要驱动因素。人类经济活动及商业发展对海洋健康构成了严重影响,引起了世界的广泛关注。其中,海洋能源的可持续发展是航运当前和未来面临的一项长期任务。在航行中节约能源、减少污染,对船舶进行准确的故障预测、智能的故障诊断等,都是船舶能源可持续发展的有效手段。船舶推进装置的温度变化通常可以反映该系统本身是否存在故障。为此,本文研究基于时间序列的船舶推进装置温度预测,旨在利用数据驱动的方式通过对得到的传感器数据来预测船舶推进装置的未来时刻温度,以便及时发现潜在的故障,从而促进船舶节能。主要的内容和工作归纳如下:(1)考虑到本文所用数据是从船舶各类传感器收集到的时间序列数据,构建了自回归分布式滞后(ARDL)时间序列预测模型。从不同滞后步数中找到具有最佳滞后步数的ARDL模型。针对船舶推进装置的性质不同,分别对可能影响压缩机和涡轮机出口温度的所有数据进行了去除冗余及归一化等处理,并对所有特征进行了特征选择。构建了时间序列预测模型并得到了预测结果。通过与实际数据进行误差对比分析,得到具有最佳滞后步数和相应系数的ARDL模型。(2)...

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图１．２文章组织结构图??Ｆｉｇ．?１．２?Ｏｒｇａｎｉｚａｔｉｏｎ?ｃｈａｎ?ｏｆ?ｔｈｅｓｉｓ??－９?－??

?大连海事大学专业学位硕士学位论文???１．３．２论文的组织结构??论文共分为五个章节，文章的组织结构图如图１．２所示：??１．绪论?＜?研宂背岽及：Ｓ义?国内外研究现状?论文ｉ要研究内容?论文组织结构ｊ??状态预测方法?时间序列模型??ｉ?ｉ－??｜?支持向量机预测?｜?｜?Ａ....

图２．３?ＲＮＮ结构图??Ｆｉｇ．?２．３?ＲＮＮ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??

?大连海事大学专业学位硕士学位论文???和参数的［５５］，循环次数要求与输入序列长度保持一致，且在序列中相邻网络的隐层之??间互联。ＲＮＮ网络结构图如图２．３所示。??６?〇？?．??ｖ?＼广?ｖ‘??Ｓ?广一＇＼?＾Ｓｔ－ｉ?Ｓｔ－ｉ??＇〇３＾－〇－ｒ〇－〇－??Ｕｎｆｏｌｄ....

图２．４?ＬＳＴＭ循环神经网络模型流程图??Ｆｉｇ．?２．４?ＬＳＴＭ?ｒｅｃｕｉｒｅｎｔ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ?ｆｌｏｗ?ｃｌｉａｒｔ??－１８?－??

?基于时间序列的船舶推进装置温度预测???２＿２．５?ＬＳＴＭ循环神经网络模型??ＬＳＴＭ?（Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ?Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）是长短期记忆网络，通??过相应的网络结构改变来避免长期依赖问题。ＬＳＴＭ模型延续了与ＲＮＮ....

图３．１?ＡＲＤＬ不同滞后步数对Ｇ数据集温度预测的实际误差图??Ｆｉｇ．?３．１?Ａｃａｉａｌ?ｅｉＴｏｒ?ｇｒａｐｈ?ｏｆ?ＡＲＤＬ?ｄｉｆｆ?

?Ｇ?ｄａｔａ?ｓｅｔ?ｗｉｔｈ?ｄｉｆｆｅｒｅｎｔ?ｌａｇ?ｓｔｅｐｓ?ｏｆ?ＡＲＤＬ??数据集?评价指标????ＬＲＯ?ＬＲ１?ＬＲ５?ＬＲ１０?ＬＲ１５??ＧＴＣＯＡＴ?２．７５４９?２．５３８３?１．６１５０?１．２３５２?Ｌ２２６３???ＭＲＥ?０．００４２?０．００３....

本文编号：4036094