航運作為世界貿(mào)易的主要載體,承擔(dān)了全球80%以上的貿(mào)易量,是經(jīng)濟全球化的主要驅(qū)動因素。人類經(jīng)濟活動及商業(yè)發(fā)展對海洋健康構(gòu)成了嚴(yán)重影響,引起了世界的廣泛關(guān)注。其中,海洋能源的可持續(xù)發(fā)展是航運當(dāng)前和未來面臨的一項長期任務(wù)。在航行中節(jié)約能源、減少污染,對船舶進行準(zhǔn)確的故障預(yù)測、智能的故障診斷等,都是船舶能源可持續(xù)發(fā)展的有效手段。船舶推進裝置的溫度變化通�？梢苑从吃撓到y(tǒng)本身是否存在故障。為此,本文研究基于時間序列的船舶推進裝置溫度預(yù)測,旨在利用數(shù)據(jù)驅(qū)動的方式通過對得到的傳感器數(shù)據(jù)來預(yù)測船舶推進裝置的未來時刻溫度,以便及時發(fā)現(xiàn)潛在的故障,從而促進船舶節(jié)能。主要的內(nèi)容和工作歸納如下:(1)考慮到本文所用數(shù)據(jù)是從船舶各類傳感器收集到的時間序列數(shù)據(jù),構(gòu)建了自回歸分布式滯后(ARDL)時間序列預(yù)測模型。從不同滯后步數(shù)中找到具有最佳滯后步數(shù)的ARDL模型。針對船舶推進裝置的性質(zhì)不同,分別對可能影響壓縮機和渦輪機出口溫度的所有數(shù)據(jù)進行了去除冗余及歸一化等處理,并對所有特征進行了特征選擇。構(gòu)建了時間序列預(yù)測模型并得到了預(yù)測結(jié)果。通過與實際數(shù)據(jù)進行誤差對比分析,得到具有最佳滯后步數(shù)和相應(yīng)系數(shù)的ARDL模型。(2)...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．２文章組織結(jié)構(gòu)圖??Ｆｉｇ．?１．２?Ｏｒｇａｎｉｚａｔｉｏｎ?ｃｈａｎ?ｏｆ?ｔｈｅｓｉｓ??－９?－??

?大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文???１．３．２論文的組織結(jié)構(gòu)??論文共分為五個章節(jié)，文章的組織結(jié)構(gòu)圖如圖１．２所示：??１．緒論?＜?研宂背崠及：Ｓ義?國內(nèi)外研究現(xiàn)狀?論文ｉ要研究內(nèi)容?論文組織結(jié)構(gòu)ｊ??狀態(tài)預(yù)測方法?時間序列模型??ｉ?ｉ－??｜?支持向量機預(yù)測?｜?｜?Ａ....

圖２．３?ＲＮＮ結(jié)構(gòu)圖??Ｆｉｇ．?２．３?ＲＮＮ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??

?大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文???和參數(shù)的［５５］，循環(huán)次數(shù)要求與輸入序列長度保持一致，且在序列中相鄰網(wǎng)絡(luò)的隱層之??間互聯(lián)。ＲＮＮ網(wǎng)絡(luò)結(jié)構(gòu)圖如圖２．３所示。??６?〇？?．??ｖ?＼廣?ｖ‘??Ｓ?廣一＇＼?＾Ｓｔ－ｉ?Ｓｔ－ｉ??＇〇３＾－〇－ｒ〇－〇－??Ｕｎｆｏｌｄ....

圖２．４?ＬＳＴＭ循環(huán)神經(jīng)網(wǎng)絡(luò)模型流程圖??Ｆｉｇ．?２．４?ＬＳＴＭ?ｒｅｃｕｉｒｅｎｔ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ?ｆｌｏｗ?ｃｌｉａｒｔ??－１８?－??

?基于時間序列的船舶推進裝置溫度預(yù)測???２＿２．５?ＬＳＴＭ循環(huán)神經(jīng)網(wǎng)絡(luò)模型??ＬＳＴＭ?（Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ?Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）是長短期記憶網(wǎng)絡(luò)，通??過相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)改變來避免長期依賴問題。ＬＳＴＭ模型延續(xù)了與ＲＮＮ....

圖３．１?ＡＲＤＬ不同滯后步數(shù)對Ｇ數(shù)據(jù)集溫度預(yù)測的實際誤差圖??Ｆｉｇ．?３．１?Ａｃａｉａｌ?ｅｉＴｏｒ?ｇｒａｐｈ?ｏｆ?ＡＲＤＬ?ｄｉｆｆ?

?Ｇ?ｄａｔａ?ｓｅｔ?ｗｉｔｈ?ｄｉｆｆｅｒｅｎｔ?ｌａｇ?ｓｔｅｐｓ?ｏｆ?ＡＲＤＬ??數(shù)據(jù)集?評價指標(biāo)????ＬＲＯ?ＬＲ１?ＬＲ５?ＬＲ１０?ＬＲ１５??ＧＴＣＯＡＴ?２．７５４９?２．５３８３?１．６１５０?１．２３５２?Ｌ２２６３???ＭＲＥ?０．００４２?０．００３....

本文編號：4036094