航运作为世界贸易的主要载体,承担了全球80%以上的贸易量,是经济全球化的主要驱动因素。人类经济活动及商业发展对海洋健康构成了严重影响,引起了世界的广泛关注。其中,海洋能源的可持续发展是航运当前和未来面临的一项长期任务。在航行中节约能源、减少污染,对船舶进行准确的故障预测、智能的故障诊断等,都是船舶能源可持续发展的有效手段。船舶推进装置的温度变化通常可以反映该系统本身是否存在故障。为此,本文研究基于时间序列的船舶推进装置温度预测,旨在利用数据驱动的方式通过对得到的传感器数据来预测船舶推进装置的未来时刻温度,以便及时发现潜在的故障,从而促进船舶节能。主要的内容和工作归纳如下:(1)考虑到本文所用数据是从船舶各类传感器收集到的时间序列数据,构建了自回归分布式滞后(ARDL)时间序列预测模型。从不同滞后步数中找到具有最佳滞后步数的ARDL模型。针对船舶推进装置的性质不同,分别对可能影响压缩机和涡轮机出口温度的所有数据进行了去除冗余及归一化等处理,并对所有特征进行了特征选择。构建了时间序列预测模型并得到了预测结果。通过与实际数据进行误差对比分析,得到具有最佳滞后步数和相应系数的ARDL模型。(2)为了有效地利用历史数据预测出装置即将出现的温度变化趋势,本文提出了一种基于ARDL-LSTM(长短期记忆)循环神经网络的预测模型。给出了模型的具体步骤,包括数据准备,网络输入层构建,输入输出向量的选择,网络层数的选取,隐含层神经元个数的选取,激励函数的选取,初始权值和阈值的选取,学习速率的选取等。基于此,分别对压缩机出风口和涡轮机出口的未来温度进行网络的训练和测试,得到温度预测结果。(3)为了验证本文所提ARDL-LSTM预测模型的有效性,将多种模型进行了对比实验。利用单一的LSTM预测模型对涡轮机出风口温度和压缩机出口温度进行预测,并将两种模型得到的预测结果进行了误差比较分析。通过对比分析可知,ARDL-LSTM循环神经网络模型具有更加良好的预测效果。