Machine Learning Methods in Monitoring the Operational Behavior of a Marine Two-Stroke Diesel Engine
Abstract
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.
About the Authors
A. I. Epikhin
State Maritime University named after Admiral F. F. Ushakov
Russian Federation
Russian Federation
Alexey I. Epikhin, Candidate of Technical Sciences, Head of the Department of Ship Power Plant Operation
S. I. Kondratiev
State Maritime University named after Admiral F. F. Ushakov
Russian Federation
Russian Federation
Sergey I. Kondratiev, Doctor of Technical Sciences, Rector
E. V. Heckert
State Maritime University named after Admiral F. F. Ushakov
Russian Federation
Russian Federation
Evgeny V. Heckert, Doctor of Technical Sciences, Vice-Rector
References
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.
Review
For citations:
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.)
Views:
58
Email this article 