Ανίχνευση και διάγνωση βλαβών δίχρονων αργόστροφων ναυτικών κινητήρων με χρήση αλγορίθμων μηχανικής μάθησης

Τσαγκανός, Γεώργιος

Fault detection and diagnosis of two-stroke low speed marine engine with machine learning algorithms

Μεταπτυχιακή εργασία

Author

Τσαγκανός, Γεώργιος

Date

2017-10

Abstract

ανίχνευση βλαβών ναυτικού κινητήρα είναι εξαιρετικά σημαντικές στη μεταφορά των αγαθών, το θαλάσσιο περιβάλλον και στον ανταγωνισμό των ναυτιλιακών εταιριών γενικότερα. Η έγκαιρη ανίχνευση βλαβών, οδηγούν στη βελτίωση της αξιοπιστίας του κινητήρα, στις μειωμένες εμφανίσεις βλαβών του κινητήρα και στην μη διακοπή της λειτουργίας του. Η παρούσα διπλωματική εργασία περιγράφει και αξιολογεί την ανάπτυξη και εφαρμογή ευφυών διαγνωστικών μεθόδων, που βασίζονται στην χρήση αλγορίθμων μηχανικής μάθησης, επιτρέποντας την αποτελεσματική ανίχνευση και διάγνωση βλαβών ενός δίχρονου αργόστροφου ναυτικού κινητήρα diesel. Η έρευνα υλοποιήθηκε με το ελεύθερο εργαλείο εξόρυξης δεδομένων Weka το οποίο αναλύει τα δεδομένα των λειτουργικών παραμέτρων του κινητήρα που είναι εκτός ορίων, χρησιμοποιώντας την τεχνική ταξινόμησης για να προβλέψει με ακρίβεια την τάξη στόχο κάθε περίπτωσης. Στόχος μας είναι η διερεύνηση επίδοσης διαφορετικών μεθόδων ταξινόμησης, συγκεκριμένα υλοποιήθηκαν και αξιολογήθηκαν επτά βασικοί αλγόριθμοι ταξινόμησης που είναι αντιπροσωπευτικοί των σημαντικότερων τεχνικών ταξινόμησης, επίσης, υλοποιήθηκαν και τρεις συνδυαστικές (ensemble) μέθοδοι με στόχο την βελτίωση της απόδοσης των βασικών αλγορίθμων ταξινόμησης. Για την τελική επιλογή του αλγορίθμου πραγματοποιήθηκαν πειράματα σύγκρισης αξιολογούμενα από τις μετρικές αξιολόγησης, της ακρίβεια (Accuracy), και του F-Μeasure ο αρμονικός μέσος όρος της ορθότητας (Precision) και της ανάκλησης (Recall). Τέλος, προτείνεται μια μέθοδος η οποία στηρίζεται στην κατασκευή ενός συνδυαστικού μοντέλου ταξινόμησης AdaBoost, ο οποίος βελτιώνει την απόδοση του βασικού ταξινομητή Simple Cart, αφού τα πειραματικά διαγνωστικά αποτελέσματα τον κατέταξαν με την υψηλότερη απόδοση στην ανίχνευση βλαβών ίση με 96,5%. Συνεπώς η προτεινόμενη μέθοδος είναι εφικτή για τη ανίχνευση και διάγνωση βλαβών δίχρονων αργόστροφων ναυτικών κινητήρων diesel.

Abstract

The detection of faults marine engine is extremely important in the transport of the goods, the marine environment and in the competition of shipping companies in general. The early detection of faults, leads to improvement of the reliability of the engine, reduced incidents of engine breakdowns and the non-interruption of the operation of the. This thesis describes and evaluates the development and implementation of intelligent diagnostic methods based on the use of algorithms machine learning, allowing the effective detection and diagnosis of faults of a two-stroke slow speed marine diesel engine. The research was implemented with the free Weka data mining tool, which analyzes the data of the operating parameters of the engine that are out of bounds, using the technique of classification to predict with accuracy the class objective each case. Our aim is to investigate the performance of different classification methods, in particular seven basic classification algorithms that are representative of the most important classification techniques were implemented and evaluated, also and three ensemble methods were developed, with the aim of improving the performance of the basic algorithms of classification. For the final selection of the algorithm were performed experiments for comparison evaluated by the evaluation metrics, the Accuracy, and the F-measure is the harmonic average of the Precision and the Recall. Finally, a method is proposed which is based on the construction of an ensemble classification model AdaBoost, which improves the performance of the basic classifier Simple Cart, after the experimental diagnostic results the ranked with the highest performance in the detection of faults equal to 96,5%. Consequently, the proposed method is feasible for the detection and diagnosis of faults of two-stroke slow speed marine diesel engines.

Number of pages

160

Post-graduate Program

Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές

Language

Greek

URI

http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/3872

Collections

Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές

Show full item record

The following license files are associated with this item:

Creative Commons

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα