Εφαρμογή τεχνητής νοημοσύνης σε μετρήσεις λειτουργίας μηχανής WIN GD XDF-72
Intelligence artificial’s application in performance of engine WIN GD XDF-72
Θεματική επικεφαλίδα
TPSH::ΤεχνολογίαΛέξεις κλειδιά
Τεχνητή νοημοσύνη ; Νευρωνικά δίκτυα ; SPSSΠερίληψη
Σκοπός της παρούσας διατριβής είναι η δημιουργία ενός μοντέλου πρόβλεψης καλής ή κακής λειτουργίας της μηχανής Win GD XDF-72, το οποίο θα βασίζεται στην μηχανική μάθηση με ταξινόμηση χρησιμοποιώντας τους αλγορίθμους Exhaustive CHAID και τα νευρωνικά δίκτυα. Η έρευνα καλείται να απαντήσει τα εξής ερευνητικά ερωτήματα «Είναι εφικτή η εφαρμογή αλγορίθμων τεχνητής νοημοσύνης για πρόβλεψη καλής λειτουργίας της μηχανής Win GD XDF-72;» και «υπάρχει η δυνατότητα πρόβλεψης συγκεκριμένης μέτρησης για την λειτουργία της παραπάνω μηχανής;». Τα δεδομένα εκπαίδευσης αντλήθηκαν από 301 δείγματα μετρήσεων πετρελαίου (Diesel mode) και από 318 δείγματα μετρήσεων φυσικού αερίου (Gas mode) κατά την λειτουργία της μηχανής Win GD XDF-72 για το χρονικό διάστημα Απριλίου 2017 έως Μαΐου 2019. Τα αποτελέσματα της έρευνας μέσω του προγράμματος SPSS και συγκεκριμένα χρησιμοποιώντας τις μεθόδους Exhaustive CHAID με split-validation, Exhaustive CHAID με Cross validation και MLP με νευρωνικό δίκτυο, έδειξαν ότι είναι εφικτή η δημιουργία ενός τέτοιου μοντέλου πρόβλεψης στο οποίο οι παράμετροι tc_rpm και fuel αποτελούν καθοριστικούς παράγοντες για την καλή ή κακή λειτουργία της συγκεκριμένης μηχανής.
Περίληψη
The purpose of this thesis is to create a prediction model for good or fault operation of vessels main engine Win GD XDF-72, based on mechanical learning with classification using the Exhaustive CHAID, algorithms and neural networks. The research is asked to answer the following research questions: “Is there a possibility of creating a prediction model for good or fault operation of vessels main engine Win GD XDF-72 through supervised mechanical learning?” And “is it feasible a certain parameter/measurement to be predicted through the operation of the above engine?”. Training data was drawn from 301 samples of performance data of diesel (Diesel mode) and 318 samples of performance data of natural gas (Gas mode) of the subject engine. The results of the research through SPSS program and more specifically using Exhaustive CHAID with split-validation, Exhaustive CHAID with Crossvalidation and MLP with neural network have shown that it is possible to create such a prediction model in which the tc_ rpm and fuel parameters are the determining factors for the good or fault operation of the subject engine.