基于改进GWOLSTM的船舶主机性能预测模型

来源:用户上传      作者:石彪　王海燕　焦品博

　　摘要：为提高船舶主机性能预测的精度，更好地帮助轮机员制定主机的维修保养计划，提出一N利用改进灰狼优化算法（grey wolf optimizer， GWO）对长短期记忆网络（long shortterm memory network， LSTM）进行优化的船舶主机性能预测模型，简称为改进的GWOLSTM模型。基于Metropolis接受准则的思想，在传统GWO中引入一种随机搜索机制来解决传统GWO前期收敛速度慢和后期易陷入局部最优的问题。分别建立单步预测模型和多步预测模型。与GWOLSTM和传统LSTM的预测结果进行对比，结果表明，改进GWOLSTM单步预测的均方根误差分别降低了3236%和5038%，多步预测的均方根误差分别降低了2616%和3557%。
　　关键词： Metropolis接受准则; 长短期记忆网络（LSTM）; 灰狼优化算法（GWO）; 性能预测
　　中图分类号： U6641211文献标志码： A
　　Prediction model of marine main engine performance
　　based on improved GWOLSTM
　　Abstract： In order to improve the prediction accuracy of marine main engine performance and help engineers make better maintenance plan of main engines， a prediction model of marine main engine performance is proposed， where the improved grey wolf optimizer （GWO） is used to optimize the long shortterm memory network （LSTM）. The model is called a modified GWOLSTM for short. Based on the idea of Metropolis acceptance criterion， a random search mechanism is introduced to the traditional GWO to solve the problem of slow convergence speed in the early stage and being easy to fall into the local optimum in the later stage of the traditional GWO. The onestep prediction model and the multistep prediction model are established， respectively. Compared with the GWOLSTM and the traditional LSTM， the results show that， the root mean square error of the onestep prediction of the improved GWOLSTM is reduced by 3236% and 5038%， respectively， and the root mean square error of the multistep prediction of the improved GWOLSTM is reduced by 2616% and 3557%， respectively.
　　Key words： Metropolis acceptance criterion; long shortterm memory network （LSTM）; grey wolf optimizer （GWO）; performance prediction
　　引言
　　船舶主机作为船舶的心脏，长期处于复杂多变的工作环境中，运行时间越长其工作性能就越差。掌握主机性能变化趋势，有助于轮机员制订维修保养计划[1]，不仅可以预防故障的发生，还能减少停机、停航时间，节约成本。
　　船舶主机性能受多种因素影响，对船舶主机性能变化的预测是一种复杂且不稳定的非线性问题。目前，主机性能趋势的预测方法由基于模型驱动逐渐转变为基于数据驱动。基于模型驱动的方法过于复杂，且泛化性能较差，很难处理非线性问题。在基于数据驱动的方法中，循环神经网络（recurrent neural network，RNN）因其具有特殊的网络结构而适合处理这种非线性问题，并且由于RNN还引入了时序的概念，它能更好地分析主机性能变化趋势。1997年HOCHREITER等[2]对RNN的结构做了进一步的改进，提出了长短期记忆网络（long shortterm memory，LSTM），不仅有效地缓解了RNN中梯度爆炸和梯度消失的问题，而且解决了RNN的长时依赖的问题。
　　近年来，LSTM在船舶设备性能、寿命等方面的评估中得到了广泛的应用。王子铭等[3]使用LSTM建立了船舶主机油耗实时预测模型，结果表明该模型预测结果可靠、误差较小。易文海等[4]使用LSTM建立波浪与船舶的因果关系模型，对随机横浪中船舶的横摇运动进行短期预测，结果表明此方法可行。QIAO等[5]使用LSTM实时预测动态系泊线响应，结果表明该方法预测精度较高。SHI等[6]利用LSTM对船舶柴油机的整体性能做了预测，结果表明该方法可以用于船舶性能的短期预测和长期预测。
　　LSTM在训练数据时普遍使用随时间反向传播（back propogation through time，BPTT）算法，但该算法因复杂度较高、学习效率低而效率低下。灰狼优化算法（grey wolf optimizer，GWO）作为启发式算法的一种，相比于其他启发式算法具有结构简单、容易实现和需要人为调整的超参数较少的优点[78]，适合用于本文的研究。基于此，本文提出用GWO代替BPTT算法寻优的思路，针对传统GWO前期收敛速度慢和后期易陷入局部最优的缺点，利用Metropolis接受准则思想提出随机搜索机制，对GWO的结构进行改进。使用改进后的GWO来优化LSTM，提高船舶主机性能预测精度。

nlc202206292034

转载注明来源:https://www.xzbu.com/4/view-15435004.htm