FTRG-Net：基于频率感知趋势-残差学习的船用柴油机排气温度多步预测方法

《Journal of Marine Science and Engineering》：FTRG-Net: A Multi-Step Forecasting Method for Exhaust Gas Temperature of Marine Diesel Engines Based on Frequency-Aware Trend-Residual Learning

　　

船用柴油机的排气温度（Exhaust Gas Temperature，EGT）是反映发动机运行状态的重要参数，其变化受燃烧波动和热惯性效应等复杂热力学过程影响，表现出显著的非平稳性和多尺度波动特征，给多步预测带来了相当大的挑战。为解决这一问题，本文提出了一种基于频率感知趋势-残差学习的船用柴油机EGT多步预测方法。该方法首先从EGT序列中提取长期变化信息，然后采用频域分析增强并表征短期波动分量，并应用时序特征学习与自适应融合策略，有效整合不同时间尺度的信息，从而提高EGT多步预测的精度。基于实船运行数据，研究人员建立了不同预测跨度的多步EGT预测任务，并将所提方法与若干典型深度学习模型进行了比较。实验结果表明，所提方法在所有预测跨度上均取得了具有竞争力和一致性的性能。对于一步至四步预测任务，平均绝对误差分别为0.3078、0.5037、0.6835和0.8312，均低于对比模型。此外，所提方法在均方误差等评价指标上表现出稳定的性能。这些结果验证了所提方法的有效性。

论文解读：基于频率感知趋势-残差学习的船用柴油机排气温度多步预测方法

一、研究背景与问题

全球海运贸易承担了超过80%的国际贸易运输量，船舶运行效率与安全性对全球海运系统稳定至关重要。随着船舶数字化与智能化发展，船载运行数据量激增，为数据驱动方法在船舶动力系统中的应用奠定了基础。船用柴油机作为远洋船舶的主要动力装置，长期连续运行，其工作参数受燃烧、扫气、传热等过程共同作用，呈现显著的非线性和非平稳特征。排气温度（Exhaust Gas Temperature，EGT）是反映柴油机运行状态的关键热力参数，能够有效表征燃烧效率、进气供给等运行信息，被广泛用于发动机健康监测与诊断分析。然而，EGT变化受燃烧放热、进排气过程、涡轮增压器能量转换以及系统热惯性等多因素综合控制，导致EGT序列同时包含长期趋势变化与短期波动，且变量间存在复杂耦合关系，增加了预测难度。单步预测信息量有限，难以满足连续状态监测与趋势分析需求；多步预测能够提供更长预测跨度的未来状态演化信息，但预测误差会随跨度增加而累积。现有模型难以有效分离并联合利用序列中的长期趋势信息与短期波动信息，导致多步预测精度下降。因此，如何捕捉复杂时序模式与变量间依赖关系，并协同多尺度序列成分以缓解误差传播，成为船用柴油机EGT多步预测的关键瓶颈。

二、研究内容与主要方法

针对上述挑战，论文提出了频率感知趋势-残差图神经网络（Frequency-Aware Trend-Residual Graph Neural Network，FTRG-Net），用于船用柴油机EGT多步预测。该框架聚焦于趋势与残差信息的有效整合：首先将历史多变量序列分解为多尺度趋势与残差成分；低频宏观趋势通过多尺度线性映射分支拟合；残差分支中，频率感知提取机制将时序残差映射至谱域，通过可微滤波分离并放大高频波动成分，再由现代时间卷积网络（ModernTCN）模块学习局部动态波动；为重建动态变量间关系，引入自适应图融合残差学习模块，通过滑动窗口互信息（Mutual Information，MI）估计统计先验图，同时生成数据驱动的可学习邻接矩阵以揭示潜在隐式依赖，利用门控融合系数动态混合双图，并通过图卷积传播空间特征；最后设计自适应融合机制协调时序与图特征，采用门控策略调整残差信息对趋势修正的贡献。实验数据来自一艘45,000吨级远洋船舶的实船监测系统，研究对象为MAN B&W S50MC-C船用二冲程柴油机，采样间隔20秒，共86,400个有效样本，按时间顺序70%、15%、15%划分为训练集、验证集和测试集。选取7个关键运行参数，其中EGT为预测目标，其余作为输入特征。采用直接多步预测策略，输入窗口长度24，预测跨度1至4。对比模型包括Persistence、MLP、LSTM、GRU、TCN、CNN-LSTM-Attention、CNN-BiLSTM-Attention、Multilayer-Attention-CNN-LSTM、PCA-CNN-BiLSTM-Lite、Attention-LSTM、Transformer、DLinear、iTransformer-target、PatchTST-target等14种基线模型。

三、研究结果

4.1 总体预测性能比较：在预测跨度为4时，FTRG-Net在MAE、MSE、RMSE、MAPE和R2五项指标上均取得最优结果。MAE为0.5825，比最优基线GRU降低约1.27%；RMSE为0.8248，分别比GRU、DLinear和iTransformer降低0.48%、1.98%和2.17%；MAPE为0.1940，R2为0.9655。结果表明多尺度趋势表示与频率感知残差学习结合有助于降低平均误差和峰值误差。

4.2 多步预测性能分析：随着预测跨度从1增加到4，所有模型误差逐渐增大，R2逐渐下降。FTRG-Net在四个预测跨度下均取得最佳性能。在跨度1时RMSE仅为0.4346，R2达0.9904；跨度4时RMSE增至1.0986，R2降至0.9388，但误差增长率始终低于对比模型。与DLinear相比，跨度4下RMSE降低1.85%，表明模型具有较好的长期预测稳定性。

4.3 消融实验：分别移除频率感知残差分支、自适应图融合模块、预测门控融合模块，并将多尺度趋势表示替换为单尺度DLinear。结果显示，完整模型在所有指标上最优。将多尺度趋势结构替换为单尺度时性能下降最显著，RMSE增至0.8415，MSE增加4.10%，RMSE增加2.02%，R2下降0.15%；移除频率感知残差分支后MSE和RMSE分别增加1.38%和1.41%；移除门控融合或自适应图融合也导致误差指标上升。这说明多尺度趋势表示、频率感知残差学习、变量依赖表示以及自适应融合机制均对预测精度有正向贡献。

4.4 可视化分析：对预测结果进行多角度可视化。在总体预测曲线中，FTRG-Net与真实EGT变化高度一致，在温度峰值、谷值和趋势反转区域偏差更小。局部动态放大图显示，在EGT快速变化阶段FTRG-Net能及时响应，预测滞后和幅值衰减程度低于对比模型。密度散点图表明，FTRG-Net的散点更集中于1:1参考线附近，高密度区域呈紧凑椭圆分布，异常点较少。误差分布核密度估计显示，FTRG-Net中位误差为0.013，四分位距为1.332，偏度绝对值为0.341，均优于对比模型，误差分布更集中、对称。统计稳定性分析中，FTRG-Net的预测误差及绝对误差分布范围更窄，95%置信区间显著窄于其他模型。残差密度散点图显示，FTRG-Net残差集中于零附近，离散程度低，且在高低温区域均无明显系统性偏差。残差统计表明，FTRG-Net残差均值最小为0.0219°C，标准差最低为1.0865°C，优于GRU、DLinear和iTransformer-target。

四、讨论与结论

讨论部分指出，FTRG-Net通过显式分离低频热演化与高频瞬态波动，并融合互信息统计依赖与可学习图结构，能够有效捕捉EGT序列中的长期趋势、局部动态变化及变量间动态耦合关系。与通用时序模型相比，该框架针对船用柴油机运行特性进行任务导向设计，在多个预测跨度上均保持较低误差增长率和较高拟合能力，验证了联合建模时间尺度信息与变量依赖关系对船舶发动机状态监测的有效性。研究结论部分总结：本文提出了基于频率感知趋势残差学习的多步预测模型FTRG-Net，通过多尺度趋势分解提取长期变化信息，在残差分支引入频率感知学习增强局部波动表征，并基于滑动窗口互信息和可学习图结构构建图卷积网络以利用变量间统计依赖关系，同时设计自适应融合机制实现时序特征与图特征的有效整合。基于实船运行数据的一步至四步预测任务中，FTRG-Net均取得最优性能，相比最优基线模型，MAE降低约1.17%~2.07%，RMSE降低0.48%~2.17%，MSE降低0.96%~4.29%，MAPE降低1.12%~2.07%，R2提升约0.13%~0.16%。随着预测跨度增加，FTRG-Net保持较低预测误差和较高拟合能力，有效提高了船用柴油机EGT多步预测的精度和可靠性。研究局限性包括：实验数据来自单艘船舶，跨船型与设备配置的泛化能力有待验证；数据集主要包含正常运行工况参数，尚未考虑典型故障状态和异常演化过程，模型在故障预警、异常检测和故障原因分析等智能维护任务中的应用需进一步验证。未来研究将扩展多源船舶运行数据集，纳入不同船型和多状态工况数据，并探索基于预测结果的异常识别与故障诊断方法，以拓展模型在智能船舶健康管理系统中的应用。该论文发表于《Journal of Marine Science and Engineering》。