Diagnóstico de fallas en motores diésel de barcos utilizando ciencia de datos y aprendizaje automático
Autores: Pajk, Micha; Kluczyk, Marcin; Mulewski, ukasz; Lisjak, Dragutin; Kolar, Davor
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Subsystem de energía
Motor
Diagnóstico de fallas
Vibración
Señales de ruido
Estado de confiabilidad
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 58
Citaciones: Sin citaciones
Uno de los elementos más importantes de la estructura de confiabilidad de un buque motor es su subsistema de energía, siendo el componente más crucial el motor. Una falla del motor excluye al barco de la operación o limita significativamente su funcionamiento. Por lo tanto, el diagnóstico preciso de fallas debería ser un tema crucial para las estrategias modernas de mantenimiento. En ingeniería mecánica, las señales de vibración y acústicas registradas durante el funcionamiento del dispositivo son los datos más significativos utilizados para identificar el estado de confiabilidad. En este documento, se propone un novedoso método orientado al sistema de identificación del estado de confiabilidad. El método consiste en el análisis de las señales de vibración y ruido recopiladas en cada uno de los cilindros del motor utilizando aprendizaje automático supervisado. La principal novedad de este método es la aplicación de aumento de datos e implementación de clasificador SVM. Debido a estos aspectos, el método se vuelve robusto en caso de datos de baja calidad o un conjunto de datos de aprendizaje limitado e incompleto. La calidad del método de identificación propuesto fue evaluada abordando un nuevo problema industrial (identificación del estado de confiabilidad del motor marino Sulzer 6AL20/24). Durante las pruebas, se analizó la eficiencia del método en el caso de un conjunto de datos de aprendizaje completo (todos los tipos de estados de incapacidad se presentaron en el conjunto de datos de aprendizaje) y un conjunto de datos de aprendizaje incompleto (en el conjunto de datos de prueba, se presentaban nuevos tipos de estados de incapacidad). Como resultado, en ambos casos, se obtuvo una precisión de identificación del estado de confiabilidad y el tipo de estado de incapacidad muy alta (100%). Esto representa un aumento significativo en la precisión (4.6% para el conjunto de datos de aprendizaje completo y 22% para el conjunto de datos de aprendizaje incompleto) en comparación con la eficiencia del mismo método sin el uso de aprendizaje automático y ciencia de datos.
Descripción
Uno de los elementos más importantes de la estructura de confiabilidad de un buque motor es su subsistema de energía, siendo el componente más crucial el motor. Una falla del motor excluye al barco de la operación o limita significativamente su funcionamiento. Por lo tanto, el diagnóstico preciso de fallas debería ser un tema crucial para las estrategias modernas de mantenimiento. En ingeniería mecánica, las señales de vibración y acústicas registradas durante el funcionamiento del dispositivo son los datos más significativos utilizados para identificar el estado de confiabilidad. En este documento, se propone un novedoso método orientado al sistema de identificación del estado de confiabilidad. El método consiste en el análisis de las señales de vibración y ruido recopiladas en cada uno de los cilindros del motor utilizando aprendizaje automático supervisado. La principal novedad de este método es la aplicación de aumento de datos e implementación de clasificador SVM. Debido a estos aspectos, el método se vuelve robusto en caso de datos de baja calidad o un conjunto de datos de aprendizaje limitado e incompleto. La calidad del método de identificación propuesto fue evaluada abordando un nuevo problema industrial (identificación del estado de confiabilidad del motor marino Sulzer 6AL20/24). Durante las pruebas, se analizó la eficiencia del método en el caso de un conjunto de datos de aprendizaje completo (todos los tipos de estados de incapacidad se presentaron en el conjunto de datos de aprendizaje) y un conjunto de datos de aprendizaje incompleto (en el conjunto de datos de prueba, se presentaban nuevos tipos de estados de incapacidad). Como resultado, en ambos casos, se obtuvo una precisión de identificación del estado de confiabilidad y el tipo de estado de incapacidad muy alta (100%). Esto representa un aumento significativo en la precisión (4.6% para el conjunto de datos de aprendizaje completo y 22% para el conjunto de datos de aprendizaje incompleto) en comparación con la eficiencia del mismo método sin el uso de aprendizaje automático y ciencia de datos.