Operational state assessment of a marine propulsion system with machine learning

Μπαρδαβίλλια, Παρασκευή; Bardavillia, Paraskefi

dc.contributor.author	Μπαρδαβίλλια, Παρασκευή	el
dc.contributor.author	Bardavillia, Paraskefi	en
dc.date.accessioned	2023-12-08T11:51:26Z
dc.date.available	2023-12-08T11:51:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58419
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26115
dc.rights	Default License
dc.subject	Αξονικό σύστημα	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Shaft alignment	en
dc.subject	Neural networks	en
dc.subject	Propulsion system	en
dc.subject	Ευθυγράμμιση του άξονα	el
dc.title	Operational state assessment of a marine propulsion system with machine learning	en
heal.type	bachelorThesis
heal.secondaryTitle	Αξιολόγηση κατάστασης λειτουργίας αξονικού συστήματος με χρήση μηχανικής μάθησης	el
heal.classification	Ναυτική Μηχανολογία	el
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-13
heal.abstract	Κατά τη λειτουργία ενός πλοίου, το σύστημα πρόωσής του είναι επιρρεπές σε διάφορες αστοχίες, που συνήθως συμβαίνουν στον άξονα ή στα εδρανα, είτε λόγω άσκησης υπερβολικών φορτίων είτε λόγω αποφόρτισης κάποιων εκ των εδράνων. Η διασφάλιση σωστής ευθυγράμμισης του άξονα παίζει κρίσιμο ρόλο στην επίτευξη ομοιόμορφης κατανομής των φορτίων στα έδρανα και ομαλής ελαστικής γραμμής στο αξονικό σύστημα. Ωστόσο, ο προσδιορισμός της κατάστασης του άξονα κατά τη λειτουργία του είναι δυσχερής, δεδομένου ότι είναι δύσκολη η τοποθέτηση των απαιτούμενων αισθητήρων, αλλά και η αξιολόγηση της κατάστασης του ολικού συστήματος. Ως εκ τούτου, ο άξονας μπορεί να εργάζεται, πιθανώς για παρατεταμένες περιόδους, υπό δυσμενείς ή επικίνδυνες συνθήκες, πριν από την έναρξη ή την εξέλιξη μιας αστοχίας. Επομένως, η επιχειρησιακή αξιολόγηση του αξονικού συστήματος είναι ιδιαίτερα σημαντική για την έγκαιρη διάγνωση επικείμενων βλαβών και την επιλογή των κατάλληλων διορθωτικών ενεργειών. Επιπλέον, η αποτελεσματική επιχειρησιακή αξιολόγηση του αξονικού συστήματος έχει ευρύτερες εφαρμογές, όπως η βελτιστοποίηση της απόδοσης, η διασφάλιση της ασφάλειας και αξιοπιστίας, η διευκόλυνση του σχεδιασμού συντήρησης, η συμμόρφωση με τους κανονισμούς και η επίτευξη οικονομικής αποδοτικότητας. Με τη συνεχή παρακολούθηση και αξιολόγηση της λειτουργίας του συστήματος, οι χειριστές μπορούν να λαμβάνουν τεκμηριωμένες αποφάσεις και να εφαρμόζουν προληπτικά μέτρα για τη βελτίωση της απόδοσης, τη μείωση των κινδύνων και τη δημιουργία βιώσιμων και αποτελεσματικών λειτουργιών του συστήματος πρόωσης. Ο στόχος της παρούσας μελέτης είναι να διερευνήσει την επίδραση αλγορίθμων μηχανικής μάθησης στη λειτουργική αξιολόγηση του αξονικού συστήματος και των τμημάτων του. Τα δεδομένα που δημιουργήθηκαν από ένα πρόγραμμα ανάλυσης στοιχείων δοκού, στο οποίο μοντελοποίηθηκε το αξονικό σύστημα ενός πλοίου μεταφοράς φορτίου, υποβλήθηκαν σε εκτενή επεξεργασία και έλεγχο. Δύο κρίσιμες παράμετροι, δηλαδή οι καμπύλες της ελαστικής γραμμής του άξονα και οι αντιδράσεις στα σημεία στήριξής του επιλέχθηκαν για περαιτέρω ανάλυση. Εφαρμόστηκαν διαδικασίες προεπεξεργασίας, συμπεριλαμβανομένης της κανονικοποίησης και της διαίρεσης σε ξεχωριστά σετ εκπαίδευσης, δοκιμής και επικύρωσης. Στην παρούσα μελέτη, χρησιμοποιήθηκε μια σειρά αλγορίθμων μηχανικής μάθησης, συμπεριλαμβανομένων των τεχνητών νευρωνικών δικτύων (ANN), των αυτοκωδικοποιητών (AEN) και των συνελικτικών νευρωνικών δικτύων (CNN), για τη δημιουργία της βέλτιστης συσχέτισης μεταξύ των τιμών των καμπυλών απόκλισης και των δυνάμεων. Κατά τη φάση δοκιμής των μοντέλων νευρωνικών δικτύων, χρησιμοποιήθηκε προσέγγιση μείωσης της διαστατικότητας για να ελαχιστοποιηθεί ο αριθμός των απαιτούμενων τιμών εισόδου. Αυτή η μείωση των μεταβλητών εισόδου ήταν απαραίτητη για την απεικόνιση ενός πιο ρεαλιστικής σεναρίου, όπου οι αντιδράσεις όλου του άξονα μπορούν να προβλεφθούν με ακρίβεια χρησιμοποιώντας μόνο ένα μικρό υποσύνολο τιμών απόκλισης. Αξιοποιώντας τους αναπτυχθέντες προηγμένους αλγόριθμους, η παρούσα μελέτη στοχεύει να παρέχει πολύτιμες γνώσεις σχετικά με την επιχειρησιακή αξιολόγηση των συστημάτων πρόωσης πλοίων. Ρίχνει φως στα πιθανά οφέλη από τη χρήση τεχνικών μηχανικής εκμάθησης για βελτιωμένη ανάλυση απόδοσης και λήψη αποφάσεων στη ναυτιλιακή βιομηχανία, και, πιστεύουμε, ανοίγει το δρόμο για βελτιωμένη απόδοση, αξιοπιστία και ασφάλεια στις θαλάσσιες μεταφορές.	el
heal.abstract	The propulsion system of a ship is susceptible to failures, especially in the shaft and bearings, caused by excessive loads. Proper shaft alignment is crucial for achieving even distribution of bearing loads and promoting smooth elastic deformation within the shafting system. However, identifying the state of the shaft during operation is challenging, leading to potential extended periods of unfavorable or dangerous conditions before a failure is initiated or evolved. Therefore, operational assessment of the shafting system is essential to diagnose impending failures early and select appropriate corrective actions. Efficient operational assessment of the shafting system has broader applications, such as optimizing performance, ensuring safety and reliability, facilitating maintenance planning, compliance with regulations, and achieving cost efficiency. By consistently and continuously monitoring and evaluating the system's operation, operators can make informed decisions and proactively implement measures to enhance performance, mitigate risks, and establish sustainable and efficient propulsion system operations. The focus of the present study is to investigate the impact of machine learning algorithms on the operational assessment of ship shaft systems and their components. Data generated by a beam element solver, which models the shafting system of a bulk carrier vessel, underwent comprehensive processing and testing. Two critical parameters, shaft deflections, and corresponding reaction forces along the shaft's length, were selected for detailed analysis. Pre-processing procedures, including normalization and division into distinct training, testing, and validation sets, were employed. In the presented case study, various machine learning algorithms, including artificial neural networks (ANN), autoencoders (AEN), and convolutional neural networks (CNN), were utilized to establish an optimal correlation between deflection values and reaction forces. During the testing phase of the neural network models, a dimensionality reduction approach was implemented to minimize the required input values. This reduction in input variables was crucial to accurately predict the reactions of the entire shaft using only a small subset of deflection values. By leveraging these advanced algorithms, this study aims to provide valuable insights into the operational assessment of marine propulsion systems. It sheds light on the potential benefits of utilizing machine learning techniques for enhanced performance analysis and decision-making in the maritime industry. The findings from this research will contribute to the advancement of monitoring and performance assessment of ship shafting systems, paving the way for improved efficiency, reliability, and safety in maritime operations.	en
heal.advisorName	Παπαδόπουλος, Χρήστος	el
heal.committeeMemberName	Παπαλάμπρου, Γεώργιος	el
heal.committeeMemberName	Ανυφαντής, Κωσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Ναυτικής Μηχανολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false