Hybrid Diesel-Electric Marine Propulsion Plant Control with
Neural Networks

Μπαχούμας, Στέργιος Ευάγγελος; Bachoumas, Stergios Evangelos

dc.contributor.author	Μπαχούμας, Στέργιος Ευάγγελος	el
dc.contributor.author	Bachoumas, Stergios Evangelos	en
dc.date.accessioned	2020-05-12T19:12:55Z
dc.date.available	2020-05-12T19:12:55Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50513
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18211
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Energy Optimization	en
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Βελτιστωποίηση Κατανάλωσης Ενέργειας	el
dc.subject	Neural Networks	en
dc.subject	Marine Hybrid Power Management	en
dc.subject	Marine Hybrid Propulsion Plant	en
dc.subject	Ναυτική Υβριδική Εγκατάσταση Πρόωσης	en
dc.subject	Machine Learning	en
dc.subject	Artificial Intelligence	en
dc.title	Hybrid Diesel-Electric Marine Propulsion Plant Control with Neural Networks	en
dc.title	Έλεγχος σε Ναυτική Υβριδική Εγκατάσταση Πρόωσης με χρήση Νευρωνικών Δικτύων	el
dc.contributor.department	Laboratory of Marine Engineering	el
heal.type	bachelorThesis
heal.classification	Control Engineering	en
heal.classification	Συστήματα Ελέγχου	el
heal.classification	Ναυτική Μηχανολογία	el
heal.classification	Marine Engineering	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-11-23
heal.abstract	The purpose of this assignment is to develop a machine learning framework (LME-NNPower) based on neural networks that can be used for the online quasi-optimal control of HIPPO-2, the Hybrid Diesel Electric Marine Propulsion Plant of the Laboratory of Marine Engineering (LME). Initially we discuss the inner workings of the predictive stage of the framework. To be more precise in this stage of the assignment a neural network was created for the classification of the near future Cruising Trend (NN-CRT) into six possible classes, by using features from the Pitch Angle Operation Profile. Then another neural network was employed for the prediction of the mid term Pitch Angle Pattern (NN-PAC) into five possible classes (patterns). Yet again this is done by extracting different features from the Pitch Angle Operation Profile. Afterwards we examine the second stage of the framework, the control stage. Here for every pitch pattern we create a set of regression neural networks. One network (NN-ENG) is responsible for the torque command to the diesel engine and the other (NN-MOT) to the electric motor's command. With this approach we are able to emulate the optimal control that is based on a Nonlinear Model Predictive Control scheme that was studied in previous work. Finally a simulation scheme of the developed framework was established in the environment MATLAB Simulink. The simulations cover some crucial operation profiles and the framework was tested for its ability to emulate the original NMPC controller and therefore conduct an effective power split between the two main drivers of a diesel-electric marine power plant.	en
heal.abstract	Ο στόχος της παρούσας εργασίας είναι η ανάπτυξη ενός συστήματος τεχνητής νοημοσύνης (LME-NNPower) βασισμένο σε νευρωνικά δίκτυα, το οποίο θα μπορεί να χρησιμοποιηθεί για τον ημιβέλτιστο έλεγχο του HIPPO-2, της υβριδικής εγκατάστασης πρόωσης του Εργαστηρίου Ναυτικής Μηχανολογίας. Αρχικά θα ασχοληθούμε με τις μεθοδολογίες που χρησιμοποιήθηκαν στο προβλεπτικό στάδιο του εν λόγω συστήματος. Πιό συγκεκριμένα, σε αυτό το τμήμα της εργασίας, χρησιμοποιήθηκε ένα νευρωνικό δίκτυο για τη προβλεπτική ταξινόμηση της βραχυχρόνιας μελλοντικής Τάσεως Πρόωσης (NN-CRT) σε έξι πιθανές κατηγορίες, αυτό επιτυγχάνεται χρησιμοποιώντας στοιχεία που εξάγονται από το προφίλ λειτουργίας του βήματος την προπέλας. Έπειτα ένα ακόμη νευρωνικό δίκτυο χρησιμοποιήθηκε για την προβλεπτική ταξινόμηση της μελλοντικής Κατάστασης Βήματος Προπέλας (NN-PAC) σε πέντε πιθανές κατηγορίες (πρότυπες καταστάσεις). Αυτό πάλι επιτυγχάνεται με τον ίδιο τρόπο, πλην όμως με χρήση διαφορετικών στοιχείων απο το προφίλ λειτουργίας του βήματος την προπέλας. Κατόπιν μελετάμε το δεύτερο στάδιο του συστήματος, το στάδιο του ελέγχου. Έδω για κάθε πρότυπη κατάσταση βήματος προπέλας δημιουργούμε δύο νευρωνικά δίκτυα που χρησιμοποιούνται για προβλήματα στατιστικής παλινδρόμηση. Το ένα ελέγχει την εντολή ρόπης προς τον κινητήρα ντίζελ (NN-ENG) και το άλλο ελέγχει την εντολή ροπής πρός τον ηλεκτροκινητήρα (NN-MOT). Χρησιμοποιόντας αυτή την προσέγγιση μπορούμε να μιμηθούμε τον βέλτιστο έλεγχο που βασίζετα σε χρήση Προβλεπτικού Ελεγκτή Μοντέλου, ο οποίος έχει μελετηθεί σε προηγούμενη εργασία. Τέλος δημιουργήθηκε ένα μοντέλο προσομοίωσης του μελετούμενου συστήματος σε περιβάλλον MATLAB Simulink. Οι προσομοιώσεις καλύπτουν ένα εύρος κρίσιμων προφίλ λειτουργίας και το σύστημα αξιολογήθηκε στο κατά πόσο μπόρεσε να ακολουθήσει τις εντολές του αρχικού Ελεγκτή με στόχο να μπορέσει επιτυχώς να κατανείμει την ζήτηση ισχύος μεταξύ των δύο κινητήριων μηχανών μιας ναυτικής υβριδικής εγκατάστασης πρόωσης.	el
heal.advisorName	Παπαλάμπρου, Γεώργιος	el
heal.advisorName	Papalambrou, George	en
heal.committeeMemberName	Παπαλάμπρου, Γεώργιος	el
heal.committeeMemberName	Κυρτάτος, Νικόλαος	el
heal.committeeMemberName	Παπαδόπουλος, Χρίστος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Ναυτικής Μηχανολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	118 p.	el
heal.fullTextAvailability	false