航運作為世界貿易的主要載體,承擔了全球80%以上的貿易量,是經濟全球化的主要驅動因素。人類經濟活動及商業發展對海洋健康構成了嚴重影響,引起了世界的廣泛關注。其中,海洋能源的可持續發展是航運當前和未來面臨的一項長期任務。在航行中節約能源、減少污染,對船舶進行準確的故障預測、智能的故障診斷等,都是船舶能源可持續發展的有效手段。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測,旨在利用數據驅動的方式通過對得到的傳感器數據來預測船舶推進裝置的未來時刻溫度,以便及時發現潛在的故障,從而促進船舶節能。主要的內容和工作歸納如下:(1)考慮到本文所用數據是從船舶各類傳感器收集到的時間序列數據,構建了自回歸分布式滯后(ARDL)時間序列預測模型。從不同滯后步數中找到具有最佳滯后步數的ARDL模型。針對船舶推進裝置的性質不同,分別對可能影響壓縮機和渦輪機出口溫度的所有數據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。構建了時間序列預測模型并得到了預測結果。通過與實際數據進行誤差對比分析,得到具有最佳滯后步數和相應系數的ARDL模型。(2)...

【文章頁數】：71 頁

【學位級別】：碩士

【部分圖文】：

圖１．２文章組織結構圖??Ｆｉｇ．?１．２?Ｏｒｇａｎｉｚａｔｉｏｎ?ｃｈａｎ?ｏｆ?ｔｈｅｓｉｓ??－９?－??

?大連海事大學專業學位碩士學位論文???１．３．２論文的組織結構??論文共分為五個章節，文章的組織結構圖如圖１．２所示：??１．緒論?＜?研宂背崠及：Ｓ義?國內外研究現狀?論文ｉ要研究內容?論文組織結構ｊ??狀態預測方法?時間序列模型??ｉ?ｉ－??｜?支持向量機預測?｜?｜?Ａ....

圖２．３?ＲＮＮ結構圖??Ｆｉｇ．?２．３?ＲＮＮ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??

?大連海事大學專業學位碩士學位論文???和參數的［５５］，循環次數要求與輸入序列長度保持一致，且在序列中相鄰網絡的隱層之??間互聯。ＲＮＮ網絡結構圖如圖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循環神經網絡模型流程圖??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測???２＿２．５?ＬＳＴＭ循環神經網絡模型??ＬＳＴＭ?（Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ?Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）是長短期記憶網絡，通??過相應的網絡結構改變來避免長期依賴問題。ＬＳＴＭ模型延續了與ＲＮＮ....

圖３．１?ＡＲＤＬ不同滯后步數對Ｇ數據集溫度預測的實際誤差圖??Ｆｉｇ．?３．１?Ａｃａｉａｌ?ｅｉＴｏｒ?ｇｒａｐｈ?ｏｆ?ＡＲＤＬ?ｄｉｆｆ?

?Ｇ?ｄａｔａ?ｓｅｔ?ｗｉｔｈ?ｄｉｆｆｅｒｅｎｔ?ｌａｇ?ｓｔｅｐｓ?ｏｆ?ＡＲＤＬ??數據集?評價指標????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