原文传递
基于深度学习的船舶主机排烟温度基线模型与预测模型研究
| 论文题名： | 基于深度学习的船舶主机排烟温度基线模型与预测模型研究 |
| 关键词： | 船舶主机;深度学习;排烟温度;基线模型;预测模型 |
| 摘要： | 船舶主机作为机舱机械设备的心脏，其工作状态直接关系到船舶营运的安全性和经济性。而船舶主机经常会在极度恶劣的环境下工作，因此发展有关船舶主机的健康管理技术十分关键。为保证柴油机的安全运行，船舶主机热工参数的基线模型和预测模型可为船舶主机整体性能的状态监测和健康管理提供更好的技术支持。由于船舶主机运行时受很多复杂时变因素和自身性能衰退的影响，很难用一个确定的数学模型对其变化规律进行描述。随着大数据时代的到来，基于数据的设备健康管理技术对描述这一变化规律提供了可能，也为船舶智能运维提供了一种新思路。因此，开展基于船舶主机历史监测数据的相关研究具有一定的意义。本文将以校实习船“育鲲”轮监控系统采集到的数据为样本，深度提取数据的内部信息，建立船舶主机排烟温度的基线模型和预测模型，从而实现船舶主机状态监测与预警功能。本文的主要研究内容包含以下三个方面： （1）首先，对于监控系统收集的数据中包含的粗大异常值和噪声干扰等影响，开展了数据预处理的研究。利用差分阈值法筛选出船舶定速航行的数据；利用拉依达准则对数据中的粗大误差进行检测和处理；利用滑动窗口滤波算法对信号中的噪声进行处理；利用皮尔逊（Pearson）相关性分析法筛选出与船舶主机排烟温度相关的其它重要参数；利用滑动窗口算法筛选出各航段的稳定特征点，用来表征这段时间主机运行时的性能状态；利用Min-Max准则对数据进行归一化，解决不同量纲数据覆盖的问题。 （2）其次，船舶主机热工参数受多种因素的影响，传统的学习模型又很难达到预测精度，故提出了一种基于深度置信网络（DeepBeliefNetwork，DBN）和支持向量回归机（SupportVectorRegression，SVR）相结合的船舶主机排烟温度基线模型。利用DBN网络对样本数据进行特征提取，随后将提取的信息作为输入向量传送到SVR中进行回归预测。实验结果表明，基于参数调优的DBN-SVR模型充分发挥了各自优势，相比BP模型、DBN模型和SVR模型能更准确地预测状态参数，拥有优良的稳定性。 （3）最后，针对传统的时间序列自相关性导致的预测滞后问题，提出了基于经验模态分解（EmpiricalModeDecomposition，EMD）和双向长短期记忆网络（Bi-LongShort-TermMemory，BiLSTM）相结合的排烟温度预测模型。利用EMD将时间序列进行分解，建立若干子序列的预测模型，然后对各预测输出值线性重组。实验结果表明，基于参数调优的EMD-BiLSTM预测模型，不但解决了参数预测滞后的问题，还提高了预测精度。 |
| 作者： | 董建伟 |
| 专业： | 轮机工程 |
| 导师： | 曾鸿 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
