王海燕，公众号：petrel王基于长短期记忆网络的船舶主柴油机性能预测（2-1）
4 性能预测实例
柴油机的性能预测流程如下图。
步骤1. 确定性能参数。选取共20个性能参数描述柴油机的整体性能。
步骤2. 数据预处理。原样本集中各温度参数的变化曲线见下图。裁剪负荷波动较平稳的后1009个样本构成样本集Xn。
步骤3. 计算不同时刻柴油机性能的马氏距离(MD)，如下图。随着运行时间的推移柴油机的性能退化越严重。
步骤4. 计算性能指标PI。根据初始性能空间确定ɑ值为1.2。将不同时刻观测样本到初始性能空间的MD归一化为PI序列，见下图。柴油机运行时间越长，PI值越接近0，整体上呈逐渐下降趋势，符合一般柴油机性能退化的经验规律。
步骤5. 建立LSTM网络预测模型。采用MATLAB的Deep Learning Box工具箱建立3层LSTM网络预测模型。
为保证网络预测时间步与柴油机实际时间尺度保持一致，将连续等时间间隔的1009个PI构成等时间步长的PI序列。将PI序列的前80%共807个样本划分为训练集，用于模型训练和调整模型参数；剩下的20%共202个样本作为模型测试集，用于对预测结果进行误差估计和模型评估。步骤6. 预测柴油机的整体性能。分别采用单步法和多步法预测PI序列。(1)单步预测。以训练集中前806个连续历史时刻的性能指标PIt-1, PIt-2,…,PIt-806作为LSTM网络的输入序列，以比输入序列延后一个时刻的性能指标序列PIt-2, PIt-3,…, PIt-807作为网络的目标输出序列。网络训练250次、迭代100次后，MSE几乎不再减小。单步预测曲线如下图。
相关文献（CNKI）：
焦品博，王海燕，孙超，等. 基于长短期记忆网络的船舶主柴油机性能预测[J]. 内燃机学报. 2021, 39(3): 250-256.
— END —
