Методы машинного обучения в мониторинге рабочего поведения морского двухтактного дизельного двигателя
Аннотация
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.
Об авторах
А. И. Епихин
Государственный морской университет (ГМУ) им. адм. Ф. Ф. Ушакова
Россия
Россия
Алексей И. Епихин, канд. техн. наук, начальник кафедры эксплуатации судовых энергетических установок
С. И. Кондратьев
Государственный морской университет (ГМУ) им. адм. Ф. Ф. Ушакова
Россия
Россия
Сергей И. Кондратьев, д-р техн. наук, ректор
Е. В. Хекерт
Государственный морской университет (ГМУ) им. адм. Ф. Ф. Ушакова
Россия
Россия
Евгений В. Хекерт, д-р техн. наук, проректор
Список литературы
1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. 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.
9. 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.
10. 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.
Рецензия
Для цитирования:
Епихин А.И., Кондратьев С.И., Хекерт Е.В. Методы машинного обучения в мониторинге рабочего поведения морского двухтактного дизельного двигателя. Транспорт Российской Федерации. Журнал о науке, практике, экономике. 2024;(3):50-53.
For citation:
Epikhin A.I., Kondratiev S.I., Heckert E.V. Machine Learning Methods in Monitoring the Operational Behavior of a Marine Two-Stroke Diesel Engine. Transport of the Russian Federation. 2024;(3):50-53. (In Russ.)
Просмотров:
57
Послать статью по эл. почте 