本技术属于柴油机状态检测，具体涉及基于深度双向循环回声状态网络的船舶柴油机状态预测方法、装置、电子设备和可读介质。
背景技术：
1、大型无人水面船作为深远海技术的重要发展方向，可用执行于反潜、跟踪、武力打击等任务，由于其长期处于复杂海况与水文环境下航行，船上无人值守，只能远程监控，这对无人船动力系统的自主保障能力提出了更高要求。同时，大型无人艇动力系统形式复杂、设备繁多、耦合性强，尤其是在无人情况下，其安全性、可靠性显得尤为重要，在海上条件恶劣，尤其是战时动力系统容易损坏，而此时对动力系统的实时状态检测及异常预警至关重要，无人船舶机电设备的异常状态检测也必须不依赖人在回路，实现自主式运行，并具备一定时间的预测能力，提前进行设备故障预警，为实现设备的故障隔离与自恢复提供依据，保障机电设备的稳定运行。
2、船用柴油机作为船舶的动力核心，它的运行状态直接决定着船舶的可靠性和安全性。然而由于系统结构复杂，运行环境恶劣，工作过程时变性强等特点，船用柴油机的故障率也是比较高的。日本船级社经过多年不完全统计后发现，近年来船用柴油机的故障发生率大约为每小时发生0.4×10-3次。而故障一旦发生，有极大可能会直接导致动力系统的瘫痪，造成巨大的经济损失。因此对船用柴油机的运行状态进行预测，对于异常检测与预警、避免事故发生、减少维修次数、提高经济效益具有重要意义。
技术实现思路
1、本技术的技术目的在于针对目前缺少对柴油机运行趋势进行准确预测的方案，提供一种基于深度双向循环回声状态网络的船舶柴油机状态预测方法、装置、电子设备和可读介质。
2、为实现上述技术目的，本技术采用以下技术方案。
3、第一方面，本技术实施例提供了一种船舶柴油机状态预测方法，所述船舶柴油机状态预测方法包括：
4、采集所述船舶柴油机于当前时刻之前运行工况下的第一时间序列数据；
5、利用完成训练的深度双向循环回声状态网络，根据所述第一时间序列数据，输出所述船舶柴油机于当前时刻之后所述运行工况下的第二时间序列数据；
6、根据所述第二时间序列数据预测所述船舶柴油机的状态；
7、所述深度双向循环回声状态网络包括依次连接的一个输入层、多个堆叠的保留池以及一个输出层；
8、其中，所述保留池包括多个神经元，多个所述神经元中部分所述神经元被确定为标记神经元；
9、所有所述神经元构成环形网络结构，每一所述神经元均与其相邻两侧的所述神经元之间双向连接，且各所述标记神经元均与其相邻两侧的所述标记神经元之间双向连接。
10、根据本公开实施例的一种具体实现方式，所述保留池包括ntn个神经元；所述环形网络结构中神经元数量ntn设置为d的整数倍，d大于等于2；
11、在所述环形网络结构，任选一个神经元作为起始神经元，将所述起始神经元确定为标记神经元m1；
12、从m1开始，按照顺序每隔d-1个神经元确认下一个标记神经元，重复执行直至所有所述神经元都已经标记完，获得序列的标记神经元m1，m2,...,ml；
13、在每一对相邻的标记神经元之间增加双向连接，即在m1与m2之间、m2与m3之间，…，以及ml-1与ml之间增加双向连接，最终在ml与m1之间也添加双向连接，l为标记神经元的数量。
14、根据本公开实施例的一种具体实现方式，每一所述保留池中的神经元数量相同。
15、根据本公开实施例的一种具体实现方式，所述船舶柴油机状态预测方法还包括：
16、基于所述第一时间序列数据进行变分模态分解，得到多个得到分解子信号；
17、利用对应的完成训练的深度双向循环回声状态网络，根据对应所述分解子信号，得到该所述分解子信号对应的预测结果；
18、将所有所述分解子信号对应的预测结果进行叠加，得到最终的所述第二时间序列数据。
19、根据本公开实施例的一种具体实现方式，基于所述第一时间序列数据进行变分模态分解，包括：
20、利用stl时序分解算法对所述第一时间序列数据中的季节性数据和趋势性变化数据进行提取；
21、基于所述季节性数据和所述趋势性变化数据获得残差数据；
22、基于所述残差数据进行变分模态分解。
23、根据本公开实施例的一种具体实现方式，所述第一时间序列数据包括所述柴油机的负荷、所述柴油机的转速、所述柴油机的温度、所述柴油机的压力或所述柴油机的油耗中的任一种。
24、第二方面，本技术实施例提供了船舶柴油机状态预测装置，用于预测所述船舶柴油机的状态，所述船舶柴油机状态预测装置包括：
25、数据采集模块，所述数据采集模块被配置为采集所述船舶柴油机于当前时刻之前运行工况下的第一时间序列数据；
26、状态预测模块，所述状态预测模块被配置为利用完成训练的深度双向循环回声状态网络根据所述第一时间序列数据，输出所述船舶柴油机于当前时刻之后所述运行工况下的第二时间序列数据；根据所述第二时间序列数据预测所述船舶柴油机的状态；
27、所述深度双向循环回声状态网络包括依次连接的一个输入层、多个堆叠的保留池以及一个输出层；
28、其中，所述保留池包括多个神经元；多个所述神经元中部分所述神经元被确定为标记神经元；
29、所有所述神经元构成环形网络结构，每一所述神经元均与其相邻两侧的所述神经元之间双向连接，且各所述标记神经元均与其相邻两侧的所述标记神经元之间双向连接。
30、根据本公开实施例的一种具体实现方式，包括：所述保留池包括ntn个神经元；所述环形网络结构中神经元数量ntn设置为d的整数倍，d大于等于2；
31、根据本公开实施例的一种具体实现方式，所述船舶柴油机状态预测装置还包括：
32、数据分解模块，所述数据分解模块被配置为基于所述第一时间序列数据进行变分模态分解，得到多个得到分解子信号；
33、所述状态预测模块，被配置为利用对应的完成训练的深度双向循环回声状态网络接收对应所述分解子信号，得到该所述分解子信号对应的预测结果；将所有所述分解子信号对应的预测结果进行叠加，得到最终的所述第二时间序列数据。
34、根据本公开实施例的一种具体实现方式，数据分解模块还被配置为利用stl时序分解算法对所述第一时间序列数据中的季节性数据和趋势性变化数据进行提取；基于所述季节性数据和所述趋势性变化数据获得残差数据；基于所述残差数据进行变分模态分解。
35、第三方面，本技术实施例还提供了一种电子设备，该电子设备包括：
36、至少一个处理器；以及，
37、与所述至少一个处理器通信连接的存储器；其中，
38、所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时，使所述至少一个处理器执行如以上第一方面任一种可能的实施方式所提供的船舶柴油机状态预测方法。
39、第四方面，本技术实施例提供了一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行可实现如以上第一方面任一种可能的实施方式所提供的船舶柴油机状态预测方法。
40、与现有技术相比，本技术实施例公开的船舶柴油机状态预测方法，通过在深度双向循环回声状态网络引入双环双向循环结构，神经元间增设双向连接，网络的双向通信能力得到加强，进一步促进信息在前向和反向间的交互，有利于复杂模式的检测和学习；既保持了原来循环回声状态网络中保留池的随机性，又增加了确定性，具有更好的模拟能力。通过堆叠的保留池形成一个更深的网络架构，堆叠多个保留池结构相当于通过级联方式对特征进行多层次的提取和表示，从而可以更好地捕捉输入数据的复杂模式和特征，这可以提高网络对输入数据中的相关信息的提取能力；通过堆叠多个保留池结构，网络可以更好地学习时间序列数据的长期和短期依赖关系。这可以提高网络在预测任务中的性能，使其能够更准确地预测下一个时间步的输出或序列。
41、本技术实施例公开的船舶柴油机状态预测装置，数据采集模块被配置为采集船舶柴油机于当前时刻之前运行工况下的第一时间序列数据，状态预测模块利用训练的深度双向循环回声状态网络接收第一时间序列数据，并输出船舶柴油机于当前时刻之后运行工况下的第二时间序列数据，根据第二时间序列数据预测船舶柴油机状态，通过在循环回声状态网络中引入双环双向循环结构，在神经元间增设双向连接，网络的双向通信能力得到加强，进一步促进信息在前向和反向间的交互，有利于复杂模式的检测和学习；既保持了原来循环回声状态网络中保留池的随机性，又增加了确定性，具有更好的模拟能力。
1.一种船舶柴油机状态预测方法，用于预测所述船舶柴油机的状态，其特征在于，所述船舶柴油机状态预测方法包括：
2.根据权利要求1所述的船舶柴油机状态预测方法，其特征在于，构建所述保留池的方法，包括：
3.根据权利要求1所述的船舶柴油机状态预测方法，其特征在于，每一所述保留池中的所述神经元数量相同。
4.根据权利要求1所述的船舶柴油机状态预测方法，其特征在于，所述船舶柴油机状态预测方法还包括：
5.根据权利要求4所述的船舶柴油机状态预测方法，其特征在于，基于所述第一时间序列数据进行变分模态分解，包括：
6.根据权利要求1所述的船舶柴油机状态预测方法，其特征在于，
7.船舶柴油机状态预测装置，用于预测所述船舶柴油机的状态，其特征在于，所述船舶柴油机状态预测装置包括：
8.根据权利要求7所述的船舶柴油机状态预测装置，其特征在于，
9.根据权利要求7所述的船舶柴油机状态预测装置，其特征在于，所述船舶柴油机状态预测装置还包括：
10.根据权利要求9所述的船舶柴油机状态预测装置，其特征在于，数据分解模块还被配置为利用stl时序分解算法对所述第一时间序列数据中的季节性数据和趋势性变化数据进行提取；基于所述季节性数据和所述趋势性变化数据获得残差数据；基于所述残差数据进行变分模态分解。
11.一种电子设备，其特征在于，该电子设备包括：
12.一种计算机可读介质，其特征是，其上存储有计算机程序，计算机程序被处理器执行可实现如以上权利要求1～6中任一所述的船舶柴油机状态预测方法。
