rostransportТранспорт Российской Федерации. Журнал о науке, практике, экономикеTransport of the Russian Federation1994-831Х2658-3674Российская академия транспортаrostransport-175Research ArticleТРАНСПОРТНЫЕ СРЕДСТВА И ТЕХНИКАМетоды машинного обучения в мониторинге рабочего поведения морского двухтактного дизельного двигателяMachine Learning Methods in Monitoring the Operational Behavior of a Marine Two-Stroke Diesel EngineЕпихинА. И.EpikhinA. I.

Алексей И. Епихин, канд. техн. наук, начальник кафедры эксплуатации судовых энергетических установок

Alexey I. Epikhin, Candidate of Technical Sciences, Head of the Department of Ship Power Plant Operation

bsmbeton@mail.ruКондратьевС. И.KondratievS. I.

Сергей И. Кондратьев, д-р техн. наук, ректор 

Sergey I. Kondratiev, Doctor of Technical Sciences, Rector  

ХекертЕ. В.HeckertE. V.

Евгений В. Хекерт, д-р техн. наук, проректор 

Evgeny V. Heckert, Doctor of Technical Sciences, Vice-Rector  

Государственный морской университет (ГМУ) им. адм. Ф. Ф. УшаковаРоссияState Maritime University named after Admiral F. F. UshakovRussian Federation202418072024035053Copyright © Епихин А.И., Кондратьев С.И., Хекерт Е.В., 20242024Епихин А.И., Кондратьев С.И., Хекерт Е.В.Epikhin A.I., Kondratiev S.I., Heckert E.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://rostransport.elpub.ru/jour/article/view/175

С непрерывным развитием интеллектуального судостроения все больше данных датчиков добавляется к диагностике работы судовых систем. Огромный массив информации и сложная среда эксплуатации судна выдвигают повышенные требования к мониторингу рабочего поведения двигателей. В связи с этим рассмотрены возможности использования методов машинного обучения для определения состояния работы энергетических установок судов.

With the continuous development of intelligent shipbuilding, more sensor data is added to the diagnosis of ship systems. The vast amount of information and the complex operating environment of the vessel impose increased requirements on engine operation monitoring. In this regard, the possibilities of using machine learning methods to determine the operational state of ship power plants are considered.

машинное обучениедвигательалгоритмданныеmachine learningenginealgorithmdataReferencesМухамеджанов А. И., Хабибуллин И. И. Обзор методов машинного обучения для прогнозирования технического состояния газотурбинных двигателей // Вестн. КГТУ им. А. Н. Туполева. 2023. Т. 79, № 3. С. 70–77.Мухамеджанов А. И., Хабибуллин И. И. Обзор методов машинного обучения для прогнозирования технического состояния газотурбинных двигателей // Вестн. КГТУ им. А. Н. Туполева. 2023. Т. 79, № 3. С. 70–77.Астреин В. В., Кондратьев С. И. О проблеме и задачах автоматического мониторинга в СППР безопасности судовождения // Эксплуатация морского транспорта. 2022. № 2 (103). С. 148–153.Астреин В. В., Кондратьев С. И. О проблеме и задачах автоматического мониторинга в СППР безопасности судовождения // Эксплуатация морского транспорта. 2022. № 2 (103). С. 148–153.Stoll A., Benner P. Machine learning for material characterization with an application for predicting mechanical properties // GAMM–Mitteilungen. 2021. Vol. 44, Iss. 1. Р. 112–119.Stoll A., Benner P. Machine learning for material characterization with an application for predicting mechanical properties // GAMM–Mitteilungen. 2021. Vol. 44, Iss. 1. Р. 112–119.Боран-Кешишьян А. Л., Астреин В. В., Кондратьев С. И. Формализация общей стратегии принятия решений для достижения комплексной безопасности судна // Морские интеллектуальные технологии. 2019. № 1–2 (43). С. 127–131.Боран-Кешишьян А. Л., Астреин В. В., Кондратьев С. И. Формализация общей стратегии принятия решений для достижения комплексной безопасности судна // Морские интеллектуальные технологии. 2019. № 1–2 (43). С. 127–131.Colone L., Dimitrov N. Predictive repair scheduling of wind turbine drivetrain components based on machine learning // Wind Energy. 2019. Vol. 22, Iss. 9. Р. 45–52.Colone L., Dimitrov N. Predictive repair scheduling of wind turbine drivetrain components based on machine learning // Wind Energy. 2019. Vol. 22, Iss. 9. Р. 45–52.Епихин А. И., Кондратьев С. И., Хекерт Е. В. Применение нейронных сетей на базе многослойного перцептрона с использованием нечеткой логики для технической диагностики судовых технических средств // Эксплуатация морского транспорта. 2020. № 3 (96). С. 111–119.Епихин А. И., Кондратьев С. И., Хекерт Е. В. Применение нейронных сетей на базе многослойного перцептрона с использованием нечеткой логики для технической диагностики судовых технических средств // Эксплуатация морского транспорта. 2020. № 3 (96). С. 111–119.Chengjin Qin, Yanrui Jin. Anti-noise diesel engine misfire diagnosis using a multi-scale CNN-LSTM neural network with denoising module // CAAI Transactions on Intel. Technol. 2023. Vol. 8, Iss. 3. P. 76–84.Chengjin Qin, Yanrui Jin. Anti-noise diesel engine misfire diagnosis using a multi-scale CNN-LSTM neural network with denoising module // CAAI Transactions on Intel. Technol. 2023. Vol. 8, Iss. 3. P. 76–84.Жуков В. А., Черный С. Г., Соболев А. С. Подход машинного обучения при прогностике состояния дизельного двигателя с использованием данных контроллера двигателя // Морская радиоэлектроника. 2022. № 4. С. 36–41.Жуков В. А., Черный С. Г., Соболев А. С. Подход машинного обучения при прогностике состояния дизельного двигателя с использованием данных контроллера двигателя // Морская радиоэлектроника. 2022. № 4. С. 36–41.Епихин А. И. Использование искусственной нейронной сети для определения уровня износа цилиндропоршневой группы судового двигателя // Морские интеллектуальные технологии. 2023. № 1–1 (59). С. 112–119.Епихин А. И. Использование искусственной нейронной сети для определения уровня износа цилиндропоршневой группы судового двигателя // Морские интеллектуальные технологии. 2023. № 1–1 (59). С. 112–119.Епихин А. И., Фадеев М. И., Васаган И. Ю. Мониторинг и прогнозирование расхода топлива судами с помощью нейронных сетей // Эксплуатация морского транспорта. 2023. № 2 (107). С. 104–107.Епихин А. И., Фадеев М. И., Васаган И. Ю. Мониторинг и прогнозирование расхода топлива судами с помощью нейронных сетей // Эксплуатация морского транспорта. 2023. № 2 (107). С. 104–107.

The authors declare that there are no conflicts of interest present.